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.
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.
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.
Tok procesa
PRIKUPLJANJE
I PROCESUIRANJE
PODATAKA
Iskorišćavanje velike količine prikupljenih podataka
za sticanje osnovnih uvida u ponašanje korisnika.
RAZVOJ
MODELA
MAŠINSKOG UČENJA
Predviđanje ponašanja korisnika korišćenjem AI predviđanja i ML algoritama visokih performansi.
POVEĆANJE
BAZE
KORISNIKA
Stvaranje personalizovanih iskusnih i jakih odnosa zasnovanih na dubokom razumevanju korisnika.
Napredna analitika
Modeli mašinskog učenja omogućavaju kompanijama da prilagode pristup svojim korisnicima, razumeju njihove potrebe i kreiraju i uspešno optimizuju putovanja korisnika. Analitički modul sastoji se od širokog spektra ML modela, koji je podeljen u tri grupe. To su: osnovni modeli, modeli potrošnje i modeli povezani sa događajima.
Osnovni modeli
Poboljšani proces kampanje, povećana stopa konverzije i zadovoljstvo korisnika zahvaljujući personalizaciji, kao i osiguravanje razumevanja ponašanja korisnika i njihovih preferencija, ključne su prednosti Sledeće najbolje ponude i modela segmentacije korisnika. Sa modelima predikcije odlaska korisnika cilj je rana identifikacija korisnika koji će verovatno otići. Donošenje odluka o korisnicima u koje kompanija treba da ulaže najviše i praćenje efekata sprovedenih kampanja podržani su modelom vrednosti korisnika za kompaniju.
Najbolja sledeća ponuda za korisnika
Segmentacija korisnika
Predikcija odlaska korisnika
Vrednost korisnika za kompaniju
Modeli potrošnje
Ukazivanje na navike korisnika, kao i kreiranje personalizovanih ponuda i bonusa zasnovanih na ponašanju korisnika, podržavaju modeli potrošnje. Pored toga, kategorizacija transakcija omogućava bankama da prate promene u potrošnji korisnika. Napredni model segmentacije omogućava praćenje migracije između segmenata, kao i jačanje lojalnosti i zadovoljstva korisnika. Model prekomerne potrošnje i plan uštede pomažu korisnicima da budu svesni svog ponašanja u trošenju i bolje upravljaju svojim finansijama.
Inteligentna kategorizacija transakcija
Modeli pametnog finansiranja
Model otkrivanja premijum korisnika
Napredna segmentacija
Modeli vezani za događaje
Modeli događaja omogućavaju identifikovanje tendencija korisnika za važnim događajima koje je kompanija stvorila. Svaka akcija korisnika predstavlja okidač za signalizaciju u realnom vremenu koji omogućava kompanijama da stvore visoko personalizovani pristup, sprovedu precizno targetiranje i reaguju na vreme. Iza praćenja ogromnog broja događaja u realnom vremenu stoji napredni modul složene obrade događaja. Ovaj modul omogućava kompaniji da kreira agregirane događaje koji se signaliziraju kada se pojave.
Signalizacija događaja
Sistem ranog upozorenja
Najbolja sledeća ponuda za korisnika
Model preporuke za sledeću najbolju ponudu za proizvod ili uslugu, izračunava sklonost korisnika da obavi kupovinu ili sklonost korišćenju određenog proizvoda ili usluge koje kompanija pruža. Ovaj prediktivni model donosi odluke na osnovu prethodnih radnji i ponašanja korisnika prema kompaniji. NBO model omogućava kompaniji da prepozna korisnike koji će kupiti njihove proizvode i usluge, sa 85% pouzdanosti.
Osnovne vrednosti modela Najbolja sledeća ponuda su:
unapređenje marketinških kampanja, povećana stopa konverzije i veće zadovoljstvo korisnika zbog personalizacije.
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 da pristupi različitim profilima korisnika. Migracije između segmenata omogućavaju praćenje zadovoljstva korisnika. Na primer, koji korisnici bi trebalo da budu aktivirani kroz specijalne ponude, a koji bi trebalo da budu motivisani da postanu premium korisnici sa adekvatnim pogodnostima.
Postoji šest vrsta segmentacije koje se koriste. Svi se oslanjaju na tri ključna parametra plaćanja: popustljivost, frekventnost i monetarizacija.
Predikcija odlaska korisnika
Model predikcije odlaska korisnika će prepoznati korisnike koji nameravaju da prestanu da koriste određeni proizvod ili uslugu. Cilj ovog modela je rana identifikacija korisnika koji će verovatno napustiti kompaniju, tako da kompanija može da reaguje i zadrži ih. Te informacije su dostupne putem 360° pregleda korisnika ili se mogu koristiti za slanje kampanja određenoj grupi korisnika.
Izvori podataka za ovu vrstu modela uključuju transakcione podatke, podatke sa kanala (detalje logovanja, pozivi call centra, itd.), konverzacije sa Chatbotovima, korišćeni proizvodi, podaci sa crne liste, žalbe, interna klasifikacija klijenta i drugo.
Vrednost korisnika za kompaniju
Ovaj model predviđa vrednost korisnika za kompaniju za jednogodišnji period. Modelira kupovno ponašanje korisnika kako bi predvideo njihovu buduću vrednost. CLV model daje predviđanja zasnovana na širokom spektru podataka. Izvori podataka uključuju demografske podatke o korisnicima, podatke o proizvodima, prihode, potrošnju i kanale plaćanja
Inteligentna kategorizacija transakcija
Selecta koristi mašinsko učenje za kategorizaciju transakcija i za segmentaciju korisnika. Kategorizacija transakcija omogućava segregaciju klijentovih plaćanja koja omogućavaju banci da prati promene u navikama potrošnje klijenta preko svih kanala. Segmentacija korisnika omogućava razumevanje njihovih navika koje omogućavaju personalizovani pristup pružanju proizvoda i usluga. Tačnost algoritma mašinskog učenja koji koristi Selecta veća je od 95%.
Modeli pametnog finansiranja
Obuhvataju modele potrošnje, modele prekomerne potrošnje i modele štednje
Model potrošnje
Karakterističan je za bankarsku industriju i izračunava tendencije korisnika za potrošnju u različitim kategorijama na osnovu njegovog prethodnog ponašanja. Omogućava identifikovanje hobija i navika korisnika. Pored toga, Banka može pružiti sve informacije o potrošnji klijentu koji to zatraži (preko ebankinga, mBankinga ili Chatbota).
Modeli prekomerne potrošnje
Modeli prekomerne potrošnje pružaju identifikaciju korisnika koji imaju velike tendencije prekomerne potrošnje ili u budućnosti imaju tendenciju velike potrošnje. Otkrivanje prekomerne potrošnje ima nekoliko slučajeva upotrebe. Na primer, slanje personalizovanih ponuda ili obaveštenja.
Modeli štednje
Modeli štednje daju preporuke kupcima, koji predstavljaju planove uštede za njihove buduće ciljeve (putovanje ili nešto drugo).
Model otkrivanja premijum korisnika
Identifikuje korisnike sa sličnim ponašanjem i drugim relevantnim karakteristikama (relevantne za banku da bi nekoga označio kao premium korisnika) karakterističnim za premijum grupe korisnika. Sposobnost diversifikacije modela ovih korisnika je oko 92%. Transakcije korisnika su glavni izvor podataka za ovaj model. Oznake se sastoje od informacija o trenutnom premium segmentu korisnika banke.
Napredna segmentacija
Ovaj model kombinuje potrošnju korisnika i njegove demografske karakteristike (starost, zaposlenost, broj dece…) i generiše odgovarajuće segmente i podsegmente korisnika. Na primer, porodice, studenti, mladi ljudi koji su tek započeli svoje karijere ili sl. Ovo je korisno za otkrivanje životnih događaja praćenjem migracija segmenata i identifikovanje promena u ponašanju potrošnje (procenat povećanja ili smanjenja).
Signalizacija događaja
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.
Svaka akcija korisnika predstavlja okidač za signalizaciju u realnom vremenu koji omogućava kompanijama da stvore visoko personalizovani pristup, sprovedu precizno targetiranje i reaguju na vreme. Iza praćenja ogromnog broja događaja u realnom vremenu stoji napredni modul složene obrade događaja. Ovaj modul omogućava kompaniji da kreira agregirane događaje koji se signaliziraju kada se pojave. Zaposleni u kompaniji mogli su da postavljaju pravila u skladu sa svojim potrebama. Dalje, modeli povezani sa događajima pružaju značajnu fleksibilnost u identifikovanju pravih korisnika.
Sistem ranog upozorenja
Sistem ranog upozorenja predviđa status korporativnog ili malog poslovnog korisnika banke za narednih 6 meseci, na osnovu transakcija i drugih vrsta podataka o korisniku. To implicira da se može prepoznati potencijalni ili postojeći problem u njihovom poslovanju, tako da ima minimalan uticaj na banku.
Rezultati modela predstavljaju jedan od tri definisana signala (crveni, žuti i zeleni) koji takođe pružaju opise o razlogu zašto su se pojavili. Na ovaj način banka će znati da problem postoji i gde tražiti u budućoj komunikaciji sa klijentom. Sva statistika i vizuelni prikazi će biti dostupni preko korisničkog interfejsa, pogodnog za njegove korisnike. Model sa 80% pouzdanosti identifikuje koji će klijenti postati rizični, a koji ne. To nas vodi do zaključka da će u 8 od 10 slučajeva banka znati da li se klijent suočava sa problemom ili ne.
Model sistema ranog upozorenja uključuje napredne prikaze, alate i razne opcije filtriranja. Ono što je najvažnije, sadrži sve bitne informacije o korporativnim korisnicima i signalima na jednom mestu. Štaviše, korisniku se pružaju različite statistike vezane za signale, istorijske zapise, trendove, itd.
Analitički 360° pregled korisnika
Analitički 360° pregled korisnika je korisna aplikacija koja kompanijama omogućava da:
- Prate tehničke metrike i performanse modela ML
- Imaju pregled opštih i pojedinačnih podataka o korisnicima
- Donose poslovne odluke zasnovane na podacima
Selectin uspeh
NBO model omogućava kompaniji
da prepozna klijente koji će kupiti
njihove proizvode i usluge,
sa 85% pouzdanosti.
Pouzdanost našeg EWS modela je oko 80% u predviđanju podrazumevanog statusa klijenta banke.
Korišćenje mašinskog učenja
osnažuje kompanije da sa ogromnim
mogućnostima identifikuju potencijalne
premium klijente.
NBO model omogućava kompaniji
da prepozna klijente koji će kupiti
njihove proizvode i usluge,
sa 85% pouzdanosti.
Naš AI algoritam omogućava bankama
da pravilno kategorišu preko 95%
klijentovih transakcija i stvore nove,
prosperitetne mogućnosti.
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.
Modeli
Models
Bulevar Zorana Đinđića 64a
11070 Beograd | SRBIJA
Saga d.o.o. Belgrade
Deo New Frontier Group kompanije
64a Zorana Đinđića Blvd.
11070 Beograd | SRBIJA
saga.rs
selecta@saga.rs