Analitički modul
i Big Data

Modul omogućava strimovanje podataka u realnom vremenu iz različitih izvora na jednom centralizovanom mestu, koristeći širok rang modela mašinskog učenja, kako bi pomogli kompanijama da kreiraju i neguju data-driven kulturu.
PREUZMITE WHITEPAPER

Preuzmite whitepaper

    Da li znate da 84% kompanija smatra da im veštačka inteligencija omogućava ostvarivanje konkurentske prednosti?

    Kompanija koja uspe da reaguje na potrebe klijenata u realnom vremenu i ponudi prave proizvode / usluge na željenom kanalu postaće klijentov prvi izbor i lider na tržištu.

    Sa druge strane oni koji ne uspeju da prihvate veštačku inteligenciju (AI) i koristi od korišćenja podataka, rizikuju da zaostanu iza onih koji to čine. Posmatranjem i osluškivanjem potreba klijenata, kompanije mogu maksimizirati stopu zadržavanja, privući nove klijente i ubrzati se u digitalnu budućnost.

    Image module

    Da li znate da 84% kompanija smatra da im veštačka inteligencija omogućava ostvarivanje konkurentske prednosti?

    Kompanija koja uspe da reaguje na potrebe klijenata u realnom vremenu i ponudi prave proizvode / usluge na željenom kanalu postaće klijentov prvi izbor i lider na tržištu.

    Sa druge strane oni koji ne uspeju da prihvate veštačku inteligenciju (AI) i koristi od korišćenja podataka, rizikuju da zaostanu iza onih koji to čine. Posmatranjem i osluškivanjem potreba klijenata, kompanije mogu maksimizirati stopu zadržavanja, privući nove klijente i ubrzati se u digitalnu budućnost.

    Image module

    Tok procesa

    PRIKUPLJANJE
    I PROCESUIRANJE
    PODATAKA

    Image module

    Korišćenje velike količine prikupljenih podataka
    za dobijanje značajnih uvida u klijentove potrebe.

    RAZVOJ
    MODELA
    MAŠINSKOG UČENJA

    Image module

    Koristeći AI predviđanje i ML algoritme
    sa visokim performansama za pronalaženje
    korelacija između ključnih faktora
    i obrazaca u ponašanju klijenata.

    POVEĆANJE
    BAZE
    KORISNIKA

    Image module

    Obezbediti kompanijama višestruke
    koristi od pregleda svojih klijenata,
    koji rezultira boljim razumevanjem klijenata,
    poboljšanoj personalizaciji i korisničkom iskustvu,
    minimiziranje rizika i smanjenje troškova.

    Najbolja sledeća ponuda za korisnika

    Model preporuke za sledeću najboju ponudu za proizvod ili uslugu, izračunava sklonost klijenta da obavi kupovinu ili sklonost korišćenju određenog proizvoda ili usluge koje kompanija pruža. Ovaj prediktivni model donosi odluke na osnovu prethodnih radnji i ponašanja klijenta prema kompaniji.

    Image module

    Najbolja sledeća ponuda za korisnika

    Model preporuke za sledeću najboju ponudu za proizvod ili uslugu, izračunava sklonost klijenta da obavi kupovinu ili sklonost korišćenju određenog proizvoda ili usluge koje kompanija pruža. Ovaj prediktivni model donosi odluke na osnovu prethodnih radnji i ponašanja klijenta prema kompaniji.

    Image module

    Model signalizacije događaja

    Analitika zasnovana na signalizaciji je počela identifikacijom svih događaja koji su vezani za korisnike. Životni događaji, događaji vezani za posao, za način života i događaji vezani za proizvode i usluge kompanije, predstavljaju okidače za signalizaciju u realnom vremenu koji omogućavaju kompaniji da kreiraju personalizovani pristup, sprovedu precizno targetiranje i reaguju na vreme. Svaka aktivnost od strane korisnika se prati, kao što su transakcije, logovanje na aplikaciju, posete fizičkoj lokaciji kompanije, posete sajtu, konverzacija sa chatbotom, ili aktivnosti vezane za proizvod ili uslugu.

    BANKARSKA INDUSTRIJA
    Ako banka definiše neki specifičan događaj sa sledećim pravilima:

    Image module

    Kad god su ispunjeni ovi uslovi, kupcu koji ih je ispunio može se dodeliti odgovarajuća ponuda (na primer: gotovinski zajam).

     

    Složeni modul za signalizaciju događaja sastoji se iz praćenja ogromnog broja događaja u realnom vremenu. Ovaj modul omogućava kompaniji da kreira ukupan skup događaja koji se signaliziraju kada se dogode. Zaposleni kompanije mogu da podese set pravila u skladu sa poterama kompanije. Dobijeni rezultati pomoći će im da odluče kako da pristupe korisnicima. Dalje, dodatna vrednost ovog rešenja su modeli mašinskog učenja. Model tendencije događaja uračunava tendenciju korisnika da izvrši definisane aktivnosti. Ovi modeli omogućavaju fleksibilnost kompanijama, a mnogi korisnici koji su skoro ispunili sve zahteve neće biti izostavljeni. Sa druge strane, model tendencije događaja može da predvidi koliko je sigurno da će korisnik ispuniti i izvršiti sve aktivnosti i događaje. Obeležavanje specifičnih događaja vezanih za korisnike i davanje pogodnih ponuda povećava engagement i zadovoljstvo korisnika.

    INDUSTRIJA IGARA NA SREĆU
    Ukoliko platforma za klađenje definiše specijalni događaj sa sledećim pravilima: 

    Image module

    Kad god su ispunjeni ovi uslovi može se dodeliti odgovarajući popust ili bonus korisniku koji je ispunio uslove.

    Model signalizacije događaja

    Analitika zasnovana na signalizaciji je počela identifikacijom svih događaja koji su vezani za korisnike. Životni događaji, događaji vezani za posao, za način života i događaji vezani za proizvode i usluge kompanije, predstavljaju okidače za signalizaciju u realnom vremenu koji omogućavaju kompaniji da kreiraju personalizovani pristup, sprovedu precizno targetiranje i reaguju na vreme. Svaka aktivnost od strane korisnika se prati, kao što su transakcije, logovanje na aplikaciju, posete fizičkoj lokaciji kompanije, posete sajtu, konverzacija sa chatbotom, ili aktivnosti vezane za proizvod ili uslugu.

    BANKARSKA INDUSTRIJA
    Ako banka definiše neki specifičan događaj sa sledećim pravilima:

    Image module

    Kad god su ispunjeni ovi uslovi, kupcu koji ih je ispunio može se dodeliti odgovarajuća ponuda (na primer: gotovinski zajam).

     

    Složeni modul za signalizaciju događaja sastoji se iz praćenja ogromnog broja događaja u realnom vremenu. Ovaj modul omogućava kompaniji da kreira ukupan skup događaja koji se signaliziraju kada se dogode. Zaposleni kompanije mogu da podese set pravila u skladu sa poterama kompanije. Dobijeni rezultati pomoći će im da odluče kako da pristupe korisnicima. Dalje, dodatna vrednost ovog rešenja su modeli mašinskog učenja. Model tendencije događaja uračunava tendenciju korisnika da izvrši definisane aktivnosti. Ovi modeli omogućavaju fleksibilnost kompanijama, a mnogi korisnici koji su skoro ispunili sve zahteve neće biti izostavljeni. Sa druge strane, model tendencije događaja može da predvidi koliko je sigurno da će korisnik ispuniti i izvršiti sve aktivnosti i događaje. Obeležavanje specifičnih događaja vezanih za korisnike i davanje pogodnih ponuda povećava engagement i zadovoljstvo korisnika.

    INDUSTRIJA IGARA NA SREĆU
    Ukoliko platforma za klađenje definiše specijalni događaj sa sledećim pravilima: 

    Image module

    Kad god su ispunjeni ovi uslovi može se dodeliti odgovarajući popust ili bonus korisniku koji je ispunio uslove.

    Selectin uspeh

    Image module

    NBO model omogućava kompaniji
    da prepozna klijente koji će kupiti
    njihove proizvode i usluge,
    sa 85% pouzdanosti.

    Image module

    Naš algoritam mašinskog učenja omogućava
    bankama da pravilno kategorišu preko 95%
    klijentovih transakcija i stvore nove,
    prosperitetne mogućnosti.

    Image module

    Korišćenje mašinskog učenja
    osnažuje kompanije da sa ogromnim
    mogućnostima identifikuju potencijalne
    premium klijente.

    Image module

    NBO model omogućava kompaniji
    da prepozna klijente koji će kupiti
    njihove proizvode i usluge,
    sa 85% pouzdanosti.

    Image module

    Naš AI algoritam omogućava bankama
    da pravilno kategorišu preko 95%
    klijentovih transakcija i stvore nove,
    prosperitetne mogućnosti.

    Image module

    Korišćenje mašinskog učenja
    osnažuje kompanije da sa ogromnim
    mogućnostima identifikuju potencijalne
    premium klijente.

    Od nestrukturiranih podataka do zadovoljnih korisnika

    Selecta prikuplja podatke iz svih mogućih izvora, bilo da se radi o poseti sajtu kompanije, transakciji na eBankingu ili prijavljivanju na lični nalog u aplikaciji ili portalu, razgovoru sa operaterima iz Call centra, ćaskanje sa kompanijskim chatbotom ili jednostavnoj poseti prodavnici ili filijali.

    Ovi podaci se obrađuju i predstavljaju ulazne podatke za modele mašinskog učenja. Svaki od ovih modela ima outpute koji kompaniji predstavljaju koristi – kako povećati prodaju, zadržati postojeće klijente i povećati zadovoljstvo klijenata. Model Next Best Offer pruža personalizovanu ponudu za vaše klijente, model segmentacije omogućava bolje profilisanje klijenta, dok Customer Lifetime value predviđa koliko će kompanija imati vrednost od svakog klijenta.

    Od nestrukturiranih podataka do zadovoljnih korisnika

    Selecta prikuplja podatke iz svih mogućih izvora, bilo da se radi o poseti sajtu kompanije, transakciji na eBankingu ili prijavljivanju na lični nalog u aplikaciji ili portalu, razgovoru sa operaterima iz Call centra, ćaskanje sa kompanijskim chatbotom ili jednostavnoj poseti prodavnici ili filijali.

    Ovi podaci se obrađuju i predstavljaju ulazne podatke za modele mašinskog učenja. Svaki od ovih modela ima outpute koji kompaniji predstavljaju koristi – kako povećati prodaju, zadržati postojeće klijente i povećati zadovoljstvo klijenata. Model Next Best Offer pruža personalizovanu ponudu za vaše klijente, model segmentacije omogućava bolje profilisanje klijenta, dok Customer Lifetime value predviđa koliko će kompanija imati vrednost od svakog klijenta.

    Layer
    Layer
    Layer
    Layer
    Layer
    Layer

    Modeli

    SEGMENTACIJA KORISNIKA

    Glavni cilj segmentacije korisnika je bolje razumevanje ponašanja korisnika, kao i praćenje kretanja korisnika između segmenata. Karakteristike segmenata koriste se za sugerisanje kompaniji kako pristupiti različitim profilima korisnika i migracije između segmenata omogućavaju praćenje zadovoljstva korisnika.

    PREDIKCIJA ODLASKA KORISNIKA

    Ovaj model će prepoznati korisnike koji nameravaju da prestanu da koriste određeni proizvod ili uslugu. Cilj ovog modela je rana identifikacija korisnika koji će verovatno prestati da koristi usluge ili proizvode kompanije, tako da kompanija može da reaguje i zadrži ih. Te informacije bi mogle biti dostupne putem 360 pregleda korisnika ili se mogu koristiti za slanje kampanja određenoj grupi korisnika. Cilj ovog modela predviđanja je poboljšati stopu zadržavanja. Kada je u pitanju upotreba ovog modela u bankarstvu, model prepoznaje korisnike koji imaju i do 9 puta veću mogućnost da zatvore tekući račun ili napuste primarni segment.

    SISTEM RANOG UPOZORENJA

    Ovaj model pomaže analitičarima kreditnih rizika da donose odluke zasnovane na više informacija. Kada je bankarstvo u pitanju, model sistema ranog upozoravanja predviđa status korporativnog ili malog poslovnog korisnika banke za narednih 6 meseci, na osnovu transakcija i drugih vrsta podataka o korisniku. To podrazumeva da se može prepoznati potencijalni ili postojeći problem u njihovom poslovanju, tako da ima minimalan uticaj na banku.

    INTELIGENTNA KATEGORIZACIJA TRANSAKCIJA

    Mašinsko učenje koristi se za kategorizaciju transakcija u bankarskom sektoru. Model omogućava kategorizaciju plaćanja korisnika (putem kartica i domaćih transakcija) koristeći model mašinskog učenja. Omogućava banci da prati promene u kategorijama potrošnje i pruža statistiku korisniku kroz različite kanale. Pored toga, kategorije se mogu koristiti za segmentaciju korisnika, razumevanje navika korisnika i personalizovani pristup u pogledu proizvoda i usluga koje im banka nudi.

    VREDNOST KORISNIKA ZA KOMPANIJU

    Ovaj model predviđa vrednost korisnika za kompaniju za jednogodišnji period. Modelira ponašanje korisnika kako bi predvideo koja će im biti buduća vrednost.

    MODEL IDENTIFIKOVANJA PREMIUM KORISNIKA

    Model identifikovanja premium korisnika omogućava kompaniji da pristupi korisnicima koji imaju najveću verovatnoću da postanu premium, odgovarajućim ponudama i prebaci ih na premium / VIP segment. Ovaj model izračunava tendenciju korisnika da postane premium na osnovu njegovog prethodnog ponašanja u interakciji sa kompanijom i upoređuje identifikovano ponašanje sa ponašanjem premium segmenta korisnika.

    PAMETNO FINANSIJSKO PLANIRANJE

    Pametno finansijsko planiranje sastoji se od:

    »Modela tendencije trošenja koji prati promene
    u ponašanju potrošnje korisnika. Omogućuje
    prepoznavanje hobija i navika korisnika.

    »Prognoze tendencije potrošnje koja
    predviđa potrošnju korisnika u različitim
    kategorijama ili podkategorijama.

    »Peer poređenje predstavlja predviđanje
    korisnikovih potreba kroz upoređivanje sa
    njegovim peer-om
    (na primer: kako uštedeti, preporuke za proizvod).

    »Predviđanje prekomernog trošenja –
    Predviđanje prekomernog trošenja
    prepoznaje vremenske periode
    u kojima korisnik troši najviše.

    »Preporuke za štednju –
    Identifikacija korisnikove sposobnosti za uštedu.

    Models

    Glavni cilj segmentacije korisnika je bolje razumevanje ponašanja korisnika, kao i praćenje kretanja korisnika između segmenata. Karakteristike segmenata koriste se za sugerisanje kompaniji kako pristupiti različitim profilima korisnika i migracije između segmenata omogućavaju praćenje zadovoljstva korisnika.

    Ovaj model će prepoznati korisnike koji nameravaju da prestanu da koriste određeni proizvod ili uslugu. Cilj ovog modela je rana identifikacija korisnika koji će verovatno prestati da koristi usluge ili proizvode kompanije, tako da kompanija može da reaguje i zadrži ih. Te informacije bi mogle biti dostupne putem 360 prtegleda korisnika ili se mogu koristiti za slanje kampanja određenoj grupi korisnika. Cilj ovog modela predviđanja je poboljšati stopu zadržavanja. Kada je u pitanju upotreba ovog modela u bankarstvu, model prepoznaje korisnike koji imaju i do 9 puta veću mogućnost da zatvore tekući račun ili napuste primarni segment.

    Model sistema ranog upozoravanja (EWS) koji pomaže analitičarima kreditnih rizika da donose odluke zasnovane na više informacija. Kada je bankarstvo u pitanju, model sistema ranog upozoravanja predviđa status korporativnog ili malog poslovnog korisnika banke za narednih 6 meseci, na osnovu transakcija i drugih vrsta podataka o korisniku. To podrazumeva da se može prepoznati potencijalni ili postojeći problem u njihovom poslovanju, tako da ima minimalan uticaj na banku.

    Mašinsko učenje koristi se za kategorizaciju transakcija u bankarskom sektoru. Model omogućava kategorizaciju plaćanja korisnika (putem kartica i domaćih transakcija) koristeći model mašinskog učenja. Omogućava banci da prati promene u kategorijama potrošnje i pruža statistiku korisniku kroz različite kanale. Pored toga, kategorije se mogu koristiti za segmentaciju korisnika, razumevanje navika korisnika i personalizovani pristup u pogledu proizvoda i usluga koje im banka nudi.

    Ovaj model predviđa vrednost korisnika za kompaniju za jednogodišnji period. Modelira ponašanje korisnika kako bi predvideo koja će im biti buduća vrednost.

    Model identifikovanja premium korisnika omogućava kompaniji da pristupi korisnicima koji imaju najveću verovatnoću da postanu premium, odgovarajućim ponudama i prebaci ih na premium / VIP segment. Ovaj model izračunava tendenciju korisnika da postane premium na osnovu njegovog prethodnog ponašanja u interakciji sa kompanijom i upoređuje identifikovano ponašanje sa ponašanjem premium segmenta korisnika.

    Pametno finansijsko planiranje sastoji se od:

    »Modela tendencije trošenja koji prati promene
    u ponašanju potrošnje korisnika. Omogućuje
    prepoznavanje hobija i navika korisnika.

    »Prognoze tendencije potrošnje koja predviđa
    potrošnju korisnika u različitim kategorijama
    ili podkategorijama.

    »Peer poređenje predstavlja predviđanje korisnikovih
    potreba kroz upoređivanje sa njegovim peer-om
    (na primer: kako uštedeti, preporuke za proizvod).

    »Predviđanja prekomernog trošenja –
    Predviđanje prekomernog trošenja prepoznaje
    vremenske periode u kojima korisnik troše najviše.

    »Preporuke za štednju – Identifikacija korisnikove
    sposobnosti za uštedu.

    Signalizacija događaja započinje identifikacijom svih događaja koji se odnose na korisnika. Uključuje životne događaje, radne događaje i događaje povezane sa proizvodima kompanije. Svi događaji predstavljaju okidače za signalizaciju koji kompaniji omogućavaju da kreira visoko personalizovani pristup, izvede precizno targetiranje i da reaguje na vreme.

    Image
    Sledeći modul
    Image
    Sledeći modul
    Image
    Sledeći modul

    Upoznajte
    vaše korisnike
    bolje.

    PREUZMITE LIGHTPAPER

    Preuzmite lightpaper

      Saga d.o.o. Beograd
      Deo New Frontier Group kompanije
      Bulevar Zorana Đinđića 64a
      11070 Beograd | SRBIJA
      saga.rs
      selecta@saga.rs

      Upoznajte

      vaše korisnike

      bolje.

      PREUZMITE LIGHTPAPER

      Preuzmite lightpaper

        Saga d.o.o. Belgrade
        Deo New Frontier Group kompanije

        64a Zorana Đinđića Blvd.
        11070 Beograd | SRBIJA

        saga.rs
        selecta@saga.rs