Oops...
Slider with alias analytical hero 11 not found.

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
    Iskorišćavanje velike količine prikupljenih podataka
    za sticanje osnovnih uvida u ponašanje korisnika.

    RAZVOJ
    MODELA
    MAŠINSKOG UČENJA

    Image module

    Predviđanje ponašanja korisnika korišćenjem AI predviđanja i ML algoritama visokih performansi.

    POVEĆANJE
    BAZE
    KORISNIKA

    Image module

    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

    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

    Image module

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

    Image module

    Pouzdanost našeg EWS modela je oko 80% u predviđanju podrazumevanog statusa klijenta banke.

    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