انتظارات کاربران برای خدمات و اطلاعات دقیق و به موقع درباره تراکنش‌های کارت خود افزایش یافته است. در نتیجه استفاده از روش‌های قدیمی منجر به تماس‌های خدماتی زیادی می‌‍‌شود. راه حل در استفاده بهتر از داده‌های تراکنش سریع و هوش مصنوعی نهفته است.

به گزارش thefinancialbrand.com، به طور معمول اغلب مشتریان بانکداری، سلیقه دیجیتالی دارند. این سلیقه موجب شده تا کاربران انتظارات بالایی برای دستیابی به خدماتی چون دسترسی فوری به اطلاعات دقیق تراکنش‌های کارت اعتباری خود داشته باشند.

کاربران انتظار دارند هزینه‌های کارت خود را به وضوح ببینند تا با آسودگی و اطمینان بیشتری بتوانند از کارت‌های خود استفاده کنند. یکی از رویکرد‌هایی که بانک‌ها و اتحادیه‌های اعتباری می‌توانند برای برآورده کردن این انتظارات از آن استفاده کنند، استفاده از هوش مصنوعی، داده‌های بانکی و خدمات دیجیتالی برای ارائه اطلاعات دقیق، شخصی‌شده و مستقیم به آن‌ها است.

کاربران کارت‌های اعتباری علاقه زیادی به حسابرسی هزینه‌های خود دارند. در نتیجه ارائه اطلاعات دقیق تراکنش‌ها و اطلاعات غنی‌شده‌ای که به سرعت می‌توانند از طریق برنامه بانکداری آنلاین یا تلفن همراه به آن‌ها دسترسی داشته باشند، نیاز آن‌ها را برای مشاهده کامل هزینه‌ها، الگو‌های خرید کمک می‌کند تا تصمیمات به‌موقع و آگاهانه‌ای درباره بگیرند.

چالش داده‌های مبهم مبادلات

موسسات مالی هنگام انتقال اطلاعات سفارشی به کاربران خود، با یک چالش بزرگ روبرو هستند. این چالش‌ها به این دلیل است که کیفیت داده‌های تراکنش ممکن است ناکافی باشد، یعنی داده‌هایی که مؤسسات مالی دریافت و ارائه می‌کنند اغلب حاوی اطلاعات ناقص، اضافی یا حتی گمراه‌کننده برای کاربران است. در ادامه چند نمونه از این موارد آورده شده است:

۱. ممکن است کاربر نام‌های مختلفی داشته باشد که برخی شامل شماره فروشگاه، شماره سریال یا صورتحساب آن‌ها باشند.
۲. نیاز است کاربر برای نام خود از اختصارات یا متن پیوسته استفاده کند تا اطلاعات آن در فضای محدود قالب استاندارد  ISO قرار بگیرد.
۳. در دسته بندی تراکنش‌های نادرست، ممکن است کاربر از کد دسته تجاری قدیمی استفاده کند یا ارائه‌دهنده پرداخت کد دسته خود را در تراکنش ارسال کند.

 مدیران مالی بانک‌ها با کمک برخی از  قوانین  توانستند تعدادی از مشکلات تراکنشی کاربران را همچون نام، مقدار مانده حساب و تاریخ را برطرف کنند. در مقابل، موسسات مالی می‌توانند تعادلی بین مجوز تراکنش در زمان واقعی، پایگاه داده‌های تجاری و هوش مصنوعی، چالش داده را انجام دهند. در ادامه لیست دقیقی از نحوه کنار هم قرار دادن این عناصر برای فعال کردن این فرآیند وجود دارد:

۱.پردازشگر‌های مالی همه عناصر اطلاعاتی را در جریان مجوز می‌بینند که اغلب جداسازی می‌شوند.
۲.در زمان واقعی، هنگامی که یک اعلان مجوز صادر می‌شود، تراکنش انجام شده و مکان کاربر را می‌توان به هم مرتبط کرد.
۳.  کاربرانی که در تلفن همراه خود موقعیت مکانی خود را فعال کرده‌اند، می‌توانند تراکنش‌های کارتی را بررسی کنند.

یک مدل بینایی کامپیوتری مبتنی بر شبکه عصبی عمیق با یادگیری انتقال از جدیدترین طبقه‌بندی تصویر آموزش داده می‌شود و با پایگاه‌های داده لوگوی تجاری و تشخیص متن از تصویر به‌خوبی تنظیم می‌شود و برای طبقه‌بندی لوگوی تجاری و ایجاد ارتباط بیشتر بین یک آرم تجاری استفاده می‌شود. خوشه بندی برای شناسایی محتمل‌ترین مرکز برای یک مکان فروشگاه استفاده می‌شود.

یادگیری ماشینی انواع تراکنش (در فروشگاه، تجارت الکترونیک، سفارش پستی/تلفنی، و غیره) و دسته‌های تجاری (رستوران‌ها، خواربار، حمل‌ونقل، پوشاک و غیره) را بر اساس انبوهی از فیلد‌های داده موجود از جریان مجوز بلادرنگ، مانند حالت ورود POS، کد وضعیت، نوع ترمینال و کد دسته تاجر طبقه بندی می کند.

سپس روش‌های هوش مصنوعی اعمال شده می‌تواند برای ساخت مدل‌های یادگیری ماشینی عمیق و گسترده برای تولید نتایجی با پتانسیل غنی‌سازی داده‌های تراکنش استفاده شود. این فرآیند باید نام‌ها و دسته‌های تاجر، مکان‌های فروشگاه، کانال‌های پرداخت، روش‌های پرداخت، نوع کیف پول دیجیتال، کارت موجود در فایل، تکرارشونده و بسیاری دیگر از ویژگی‌های پرداخت را پوشش دهد، در نتیجه خطا‌های پنهان در نام‌ها، مکان‌ها و دسته‌ها را برطرف می‌کند.

بیشتر بخوانید

• کمک هوش مصنوعی برای مدیریت کارآمدتر ترافیک