Банки открывают API по PSD2, но сырые транзакции — это шум. Без модели это просто CSV-дамп, а не инструмент для кредитования или персональных финансов. Мы превращаем Open Banking данные в готовые ML-модели и продуктовые фичи: от категоризации до скоринга. Снижаем operational costs на 25% за счёт автоматизации, а payback period внедрения — менее 12 месяцев.
Проблемы, которые решаем
Сырые транзакции содержат мусор: дубли, некорректные merchant names, пропуски. Стандартный MCC-код не различает «кофе» и «обед» — оба попадают в Dining. AI-категоризация на NLP различает 50+ категорий с точностью 92%, что в 2 раза выше MCC. Второй уровень — скоринг: без Open Banking thin file заёмщик не получает кредит, хотя его cash flow стабилен. Мы верифицируем доход по поступлениям, считаем affordability с учётом реальных расходов.
Как AI-модель обрабатывает транзакции в реальном времени?
Модель категоризации работает как микросервис: транзакции приходят через Kafka, батчами по 1000. Используем ONNX Runtime для инференса — latency p99 <30ms. Fine-tuning на all-MiniLM-L6-v2 даёт 768-dim эмбеддинги, тренировка занимает 2 часа на одной A100. Модель обучается на 50000 размеченных транзакций на язык. Multi-label позволяет отнести «такси» и к Transport, и к Business, если поездка в рабочие часы. Такая точность критична для предиктивного кэш-флоу и скоринга.
Как Open Banking данные повышают точность скоринга?
Традиционный скоринг видит только кредитную историю. Open Banking показывает реальный денежный поток: зарплата, аренда, подписки, накопления. ML-модель анализирует volatility — насколько доход стабилен, есть ли сезонность. Для МСБ — cash flow lending без бухгалтерской отчётности: кредит под обороты по счёту. Accuracy скоринга с Open Banking на 30% выше, чем только с бюро.
Почему AI-категоризация выгоднее стандартного MCC?
MCC — грубый справочник, присваивается банком эквайера. Одна транзакция может быть «Ресторан», но это кофе-шоп или бизнес-ланч? NLP-категоризатор на основе merchant name + сумма + время суток даёт 92% точности. Multi-label: «такси» может быть и Transport, и Business, если поездка в рабочее время. Такой данные кормят PFM-рекомендации и скоринговые модели.
| Подход | Точность | Количество категорий | Источник данных |
|---|---|---|---|
| MCC | 45% | ~30 | Банк-эквайер |
| NLP (TF-IDF) | 70% | ~50 | Merchant name |
| NLP (Transformer) | 92% | 50+ | Merchant name + сумма + время |
Как мы это делаем: стек и конфиги
Ядро — агрегатор Open Banking. Не пишем парсеры для каждого банка — используем готовый слой:
| Агрегатор | География | Сильные стороны |
|---|---|---|
| Plaid | США, Европа | Developer-friendly, богатый набор данных |
| Salt Edge | Глобально | 5000+ банков, единый API |
| TrueLayer | UK/EU | Оптимизирован под PSD2, Fast |
| Tink | Европа | BankID интеграция, консент-менеджмент |
Безопасность — FAPI (Financial-grade API): OAuth 2.0 + PKCE, JWT signed/encrypted, mutual TLS. Consent management — строгое соответствие PSD2: клиент отзывает доступ в один клик, данные немедленно удаляются.
Пример интеграции с Salt Edge:
from openbanking import OpenBankingClient
# Инициализация через агрегатор
client = OpenBankingClient(
client_id="your_app_id",
client_secret="your_secret",
redirect_uri="https://your-app.com/callback"
)
# Авторизация пользователя
auth_url = client.get_authorization_url(scope=['accounts', 'transactions'])
# Redirect user → bank → callback with code
# Получение транзакций
transactions = client.get_transactions(
account_id="acc_123",
from_date="2024-01-01", # update year as needed
to_date="2024-12-31"
)
# ML обработка
from your_ml import categorize, compute_score
categorized = categorize(transactions)
credit_score = compute_score(categorized)
Процесс работы
- Аналитика: изучаем ваши бизнес-цели, выбираем агрегатор, проектируем consent flow.
- Интеграция: подключаем Open Banking API, настраиваем ETL для транзакций.
- ML: обучаем модели категоризации и скоринга на ваших данных (few-shot).
- Тест: нагрузочное тестирование — 10k транзакций/с, p99 latency <50ms.
- Деплой: разворачиваем в вашем контуре, обучаем команду.
Что входит в результат
- Консоль управления согласиями клиентов.
- ETL-пайплайн для нормализации транзакций.
- ML-модули: категоризация (50+ меток) и скоринг (cash flow, affordability).
- Документация API и инструкция по эксплуатации.
- Обучение команды (2 дня).
- Поддержка 3 месяца.
Сроки и как начать
Разработка под ключ занимает от 3 до 5 месяцев. Точный срок зависит от выбора агрегатора и сложности ML-моделей. Получите консультацию инженера — мы оценим ваш проект и покажем демо на реальных данных. Закажите пилот на ваших данных: протестируйте точность скоринга за 2 недели. Гарантируем соответствие FAPI-стандарту и опыт интеграции с 10+ платформами.
Согласно Revised Payment Services Directive (PSD2), доступ к банковским данным обязателен для поставщиков платежных услуг.