Банки відкривають API по PSD2, але сирі транзакції — це шум. Без моделі це просто CSV-дамп, а не інструмент для кредитування чи персональних фінансів. Ми перетворюємо Open Banking дані в готові ML-моделі та продуктові фічі: від категоризації до скорингу. Знижуємо operational costs на 25% за рахунок автоматизації, а payback period впровадження — менше 12 місяців.
Проблеми, які вирішуємо
Сирі транзакції містять сміття: дублі, некоректні merchant names, пропуски. Стандартний MCC-код не розрізняє «каву» та «обід» — обидва потрапляють у Dining. AI-категоризація на NLP розрізняє 50+ категорій з точністю 92%, що в 2 рази вище за MCC. Другий рівень — скоринг: без Open Banking thin file позичальник не отримує кредит, хоча його cash flow стабільний. Ми верифікуємо дохід за надходженнями, рахуємо affordability з урахуванням реальних витрат.
Як AI-модель обробляє транзакції в реальному часі?
Модель категоризації працює як мікросервіс: транзакції надходять через Kafka, батчами по 1000. Використовуємо ONNX Runtime для інференсу — latency p99 <30ms. Fine-tuning на all-MiniLM-L6-v2 дає 768-dim ембеддинги, тренування займає 2 години на одній A100. Модель навчається на 50000 розмічених транзакцій на мову. Multi-label дозволяє віднести «таксі» і до Transport, і до Business, якщо поїздка в робочі години. Така точність критична для предиктивного кеш-флоу та скорингу.
Як Open Banking дані підвищують точність скорингу?
Традиційний скоринг бачить лише кредитну історію. Open Banking показує реальний грошовий потік: зарплата, оренда, підписки, накопичення. ML-модель аналізує volatility — наскільки дохід стабільний, чи є сезонність. Для МСБ — cash flow lending без бухгалтерської звітності: кредит під обороти по рахунку. Accuracy скорингу з Open Banking на 30% вища, ніж тільки з бюро.
Чому AI-категоризація вигідніша за стандартний MCC?
MCC — грубий довідник, присвоюється банком еквайєра. Одна транзакція може бути «Ресторан», але це кав'ярня чи бізнес-ланч? NLP-категоризатор на основі merchant name + сума + час доби дає 92% точності. Multi-label: «таксі» може бути і Transport, і Business, якщо поїздка в робочий час. Такі дані живлять PFM-рекомендації та скорингові моделі.
| Підхід | Точність | Кількість категорій | Джерело даних |
|---|---|---|---|
| MCC | 45% | ~30 | Банк-еквайєр |
| NLP (TF-IDF) | 70% | ~50 | Merchant name |
| NLP (Transformer) | 92% | 50+ | Merchant name + сума + час |
Як ми це робимо: стек та конфіги
Ядро — агрегатор Open Banking. Не пишемо парсери для кожного банку — використовуємо готовий шар:
| Агрегатор | Географія | Сильні сторони |
|---|---|---|
| Plaid | США, Європа | Developer-friendly, багатий набір даних |
| Salt Edge | Глобально | 5000+ банків, єдиний API |
| TrueLayer | UK/EU | Оптимізований під PSD2, швидкий |
| Tink | Європа | BankID інтеграція, консент-менеджмент |
Безпека — FAPI (Financial-grade API): OAuth 2.0 + PKCE, JWT signed/encrypted, mutual TLS. Consent management — строга відповідність PSD2: клієнт відкликає доступ одним кліком, дані негайно видаляються.
Приклад інтеграції з Salt Edge:
from openbanking import OpenBankingClient
# Ініціалізація через агрегатор
client = OpenBankingClient(
client_id="your_app_id",
client_secret="your_secret",
redirect_uri="https://your-app.com/callback"
)
# Авторизація користувача
auth_url = client.get_authorization_url(scope=['accounts', 'transactions'])
# Redirect user → bank → callback with code
# Отримання транзакцій
transactions = client.get_transactions(
account_id="acc_123",
from_date="2024-01-01", # update year as needed
to_date="2024-12-31"
)
# ML обробка
from your_ml import categorize, compute_score
categorized = categorize(transactions)
credit_score = compute_score(categorized)
Процес роботи
- Аналітика: вивчаємо ваші бізнес-цілі, обираємо агрегатор, проектуємо consent flow.
- Інтеграція: підключаємо Open Banking API, налаштовуємо ETL для транзакцій.
- ML: навчаємо моделі категоризації та скорингу на ваших даних (few-shot).
- Тест: навантажувальне тестування — 10k транзакцій/с, p99 latency <50ms.
- Деплой: розгортаємо у вашому контурі, навчаємо команду.
Що входить у результат
- Консоль управління згодами клієнтів.
- ETL-пайплайн для нормалізації транзакцій.
- ML-модулі: категоризація (50+ міток) та скоринг (cash flow, affordability).
- Документація API та інструкція з експлуатації.
- Навчання команди (2 дні).
- Підтримка 3 місяці.
Строки та як почати
Розробка під ключ займає від 3 до 5 місяців. Точний строк залежить від вибору агрегатора та складності ML-моделей. Отримайте консультацію інженера — ми оцінимо ваш проект та покажемо демо на реальних даних. Замовте пілот на ваших даних: протестуйте точність скорингу за 2 тижні. Гарантуємо відповідність FAPI-стандарту та досвід інтеграції з 10+ платформами.
Згідно з Revised Payment Services Directive (PSD2), доступ до банківських даних є обов'язковим для постачальників платіжних послуг.