Bankarstvo

UI u bankarstvu: manje prijevara, veća konverzija personaliziranih ponuda.

Banke, štedionice i fintech tvrtke obrađuju milijune transakcija, kreditnih odluka i interakcija s klijentima pomoću sustava koji imaju podatke, ali ne i inteligenciju povrh njih. Preciznije bodovanje, brže otkrivene prijevare, ponude proizvoda koje stižu kada ih klijent treba — sve na postojećem temeljnom bankovnom sustavu.

Dogovorite besplatan razgovor Pogledajte UI savjetovanje

Radimo s financijskim institucijama i fintech tvrtkama u Španjolskoj

Izazov

U bankarstvu rizik i prilika žive u istim podacima.

Svaka financijska institucija ima podatke o transakcijskom ponašanju, kreditnu povijest i obrasce korištenja koji bi mogli predvidjeti rizik, otkriti prijevare i personalizirati ponude. Problem je što su ti podaci u izoliranim sustavima — a modeli koji bi ih iskoristili godinama stoje u planovima i ne pokreću se.

  • Kreditno bodovanje s nedovoljno varijabli

    Modeli odobravanja temeljeni na tradicionalnim varijablama koji podcjenjuju kreditno sposobne klijente bez formalne kreditne povijesti ili propuštaju rane znakove pogoršanja u postojećem portfelju.

  • Prijevare koje rastu brže od otkrivanja

    Obrasci prijevara stalno se razvijaju — kartice, transferi, preuzimanje računa — dok se sustavi temeljeni na pravilima ažuriraju s tjednima zakašnjenja.

  • Ponude proizvoda bez stvarne personalizacije

    Masovne kampanje s niskom konverzijom jer proizvod stiže pogrešnom segmentu u pogrešno vrijeme. Klijent vidi ponudu stambenog kredita tri mjeseca nakon što mu je trebao.

  • Korisnička služba koja se ne može skalirati

    Upiti o transakcijama, proizvodima i operacijama zatrpavaju pozivni centar i aplikaciju pitanjima koja bi model mogao riješiti u nekoliko sekundi.

Slučajevi primjene

Gdje UI pomiče maržu financijske institucije

Pet primjena s dokumentiranim ROI-jem u 12–18 mjeseci. Svi slučajevi primjene zahtijevaju transakcijske podatke i povijest klijenata — koji u bankarstvu, osim kod vrlo mladih fintech tvrtki, već postoje.

  • 01

    Potpomognuto kreditno bodovanje

    Modeli koji tradicionalno bodovanje obogaćuju varijablama transakcijskog ponašanja, obrascima korištenja računa, signalima platnog ponašanja i alternativnim izvorima podataka. Bolje razlikovanje dobrih i loših platiša — i pristup segmentima koje klasično bodovanje zanemaruje.

    Što se mijenja

    Rano kašnjenje u otplati smanjeno za 15–25 % u novom portfelju na kojem se model primjenjuje. Veća stopa odobravanja za kreditno sposobne klijente bez formalne povijesti.

  • 02

    Otkrivanje prijevara u stvarnom vremenu

    Modeli u milisekundama ocjenjuju svaku transakciju u odnosu na uobičajene obrasce ponašanja vlasnika računa: iznos, vrijeme, geolokaciju, učestalost i slijed. Sumnjive transakcije blokiraju se ili zahtijevaju dodatnu provjeru — uobičajene ne stvaraju nikakvo trenje.

    Što se mijenja

    Stopa otkrivanja prijevara poboljšava se 40–60 % u odnosu na statične sustave pravila. Manje lažno pozitivnih rezultata (blokiranih legitimnih transakcija) — manje trenja za klijenta.

  • 03

    Personalizirane ponude financijskih proizvoda

    Model sklonosti prema proizvodu (stambeni kredit, gotovinski kredit, fondovi, osiguranje) treniran na ponašanju klijenata: promjene plaće, kretanja štednje, skora dospijeća. Savjetnik dobiva pravu ponudu za pravog klijenta u pravom trenutku.

    Što se mijenja

    Konverzija kampanja poboljšava se 25–40 % u odnosu na nepersonalizirane kampanje. Klijenti dobivaju relevantne ponude — a ne cijeli katalog.

  • 04

    Konverzacijski bankovni asistent

    Asistent u aplikaciji, na mrežnoj stranici i WhatsAppu rješava upite o transakcijama, stanjima, proizvodima, operacijama i prigovorima. Poznaje kontekst klijenta i prosljeđuje savjetniku kada je potrebno pregovaranje ili kada je slučaj stvarno složen.

    Što se mijenja

    Smanjenje jednostavnih upita u pozivni centar za 55–70 %. Bankovna aplikacija trenutačno rješava 80 najčešćih pitanja. Savjetnici se posvećuju klijentima visoke vrijednosti.

  • 05

    Praćenje portfelja i rana upozorenja

    Modeli otkrivaju znakove kreditnog pogoršanja u postojećem portfelju: promjene obrazaca potrošnje, veće korištenje kreditnih limita, nepravilnosti u plaćanju. Savjetnik dobiva upozorenja 60–90 dana prije nego što se pojavi propuštena rata.

    Što se mijenja

    Stopa naplate kod ranog postupanja 3–5 puta je veća nego nakon nastanka statusa neispunjavanja obveza. Manja rezerviranja zahvaljujući nižem kašnjenju u proaktivno upravljanim portfeljima.

Naš pristup

Povrh vašeg temeljnog bankovnog sustava i postojećih podataka. S usklađenošću od prvog dana.

Radimo sa sustavima institucije (Temenos, Finastra, nCino, Salesforce Financial Services, vlastiti sustavi) putem API-ja ili podatkovnog jezera. Svi modeli bodovanja i otkrivanja prijevara osmišljeni su s objašnjivošću (koju zahtijeva europska bankovna regulativa) i dokumentiranim korištenjem varijabli — podložni reviziji službenika za usklađenost i regulatora.

  • Dijagnoza podataka i prilika

    3–4 tjedna

    Analiza dostupnih podataka, kvalitete kreditne i transakcijske povijesti te kritičnih procesa. Prepoznajemo 2–3 slučaja s ROI-jem koji se može obraniti pred odborom za rizike.

    • Pregled kvalitete kreditnih i transakcijskih podataka
    • Analiza arhitekture i mogućnosti integracije
    • Katalog prioritiziranih slučajeva primjene
    • Okvir usklađenosti (GDPR, smjernice EBA-e, objašnjivost)

  • Pilot: jedan model rizika ili prijevara

    10–16 tjedana

    Implementacija poboljšanog bodovanja, otkrivanja prijevara ili praćenja portfelja za definirani proizvod ili segment.

    • Podatkovni tijek iz temeljnog bankovnog sustava
    • Model treniran i potvrđen na vlastitoj povijesti
    • Dokumentacija varijabli i logike (objašnjivost)
    • Povratno testiranje i statistička validacija
    • Integracija s tijekom odlučivanja ili upozorenjima
    • Mjerenje učinka u produkciji tijekom 8 tjedana

  • Platforma financijske inteligencije

    6–10 mjeseci

    Za institucije koje žele UI objediniti u području rizika, prijevara, ponuda i usluge na zajedničkoj podatkovnoj arhitekturi.

    • Objedinjena podatkovna arhitektura (feature store)
    • Više modela sa središnjim upravljanjem
    • Integracija s regulatornim sustavima (COREP, FINREP)
    • MLOps okvir za ponovno treniranje i praćenje odstupanja modela
    • Kontinuirana podrška i pregled modela

Rezultati

Što se u instituciji mijenja za 12 mjeseci

  • Rano kašnjenje u otplati smanjeno za 15–25 % u novom portfelju upravljanom poboljšanim bodovanjem.
  • Otkrivanje prijevara poboljšano za 40–60 % uz istodobno smanjenje lažno pozitivnih rezultata.
  • Konverzija kampanja za proizvode veća za 25–40 % uz personalizaciju temeljenu na ponašanju.
  • Pozivni centar s 55–70 % manje jednostavnih upita — savjetnici usredotočeni na klijente visoke vrijednosti.
  • Rana upozorenja na pogoršanje 60–90 dana prije propuštene rate — 3–5 puta učinkovitija naplata.
  • Dokumentirana regulatorna usklađenost: modeli podložni reviziji, ugrađena objašnjivost.

Besplatan resurs

Kontrolni popis UI spremnosti.

12 pitanja koja postavljamo na početku svakog projekta kako bismo pronašli gdje UI ima najveći učinak. Šaljemo vam ga e-poštom.

Preuzmite kontrolni popis

Česta pitanja

Što nas pitaju direktori rizika i tehnologije

  • Jesu li modeli usklađeni s europskom bankovnom regulativom (EBA)?

    Usklađenost je ograničenje u dizajnu. Modeli bodovanja i otkrivanja prijevara razvijaju se s dokumentiranom objašnjivošću (korištene varijable, relativna težina, logika odlučivanja), formalnim statističkim povratnim testiranjem i dokumentacijom za reviziju regulatora ili internog službenika za usklađenost. Smjernice EBA-e o korištenju strojnog učenja u kreditiranju dio su razvojnog okvira.

  • Možemo li koristiti podatke o transakcijskom ponašanju bez problema s GDPR-om?

    Uz odgovarajuću pravnu osnovu (legitimni interes za prijevare, izvršenje ugovora za bodovanje), da. Službenik za zaštitu podataka institucije sudjeluje od početka kako bi potvrdio pravnu osnovu i obradu. Podaci ne napuštaju perimetar institucije.

  • Što ako su naši podaci raspoređeni u izolirane sustave?

    Objedinjavanje podataka gotovo je uvijek prva isporuka u bankarskim projektima. Dijagnoza točno mapira koji su podaci u kojem sustavu i predlaže arhitekturu integracije. To nije prepreka — to je dio posla na projektu.

  • Koliko stoji početak?

    Dijagnoza: 8.000 €–15.000 €. Pilot (bodovanje ili prijevare za jedan proizvod): 45.000 €–90.000 €, ovisno o obujmu i složenosti. Cjelovita platforma: 150.000 €–300.000 € i više, tijekom nekoliko mjeseci. U srednje velikim institucijama ROI od izbjegnutih prijevara ili smanjenog kašnjenja obično pokrije pilot već u prvoj godini.

  • Što ako već imamo vlastiti model bodovanja?

    To je savršeno polazište. Analiziramo ga, utvrđujemo gdje propušta vrijednost (podcijenjeni segmenti, varijable koje ne koristi, znakovi pogoršanja koje ne prepoznaje) i predlažemo postupna poboljšanja ili model izazivača koji radi paralelno prije zamjene postojećeg.

Želite vidjeti koji se slučajevi primjene odnose na vašu instituciju?

Razgovor od 30 minuta o vašem portfelju proizvoda, kvaliteti podataka i konkretnim problemima u području rizika ili prijevara. Odlazimo s 2–3 kandidata za slučajeve primjene i procjenom ROI-ja za 12–18 mjeseci.

Dogovorite razgovor Pogledajte UI savjetovanje