I stort sett alla banker brottas med samma problem: bristfällig kortdata gör det omöjligt att förstå kundens verkliga beteende. Det går inte att hålla ihop hushållets konsumtion, inte att se livshändelser, inte att identifiera churnsignaler och inte att bygga precisa livsstilssegment.
Ett problem är att handlarnamnen är trasiga redan från början. Terminaloperatörer skickar strängar som är optimerade för maskinell hantering, inte för kundförståelse. Ett köp på ett lokalt café kan visas som "SQCOFFEE STOC", en e-handelsorder kan dyka upp som "STRIPEWEB1234" och ett köp på en stormarknad kan bära helt felaktigt butiksnamn eftersom nätverk eller PSP står som avsändare.
När BI-analytiker sedan ska kategorisera detta går det inte att avgöra om transaktionen rör dagligvaror, restaurangbesök eller något helt annat. Samma problem gäller kategorier. MCC-koder har aldrig varit designade för modern analytics. De är för breda, ofta missvisande och ibland helt fel. En stjärnkrog och McDonalds får ofta båda koden "Eating Places", samtidigt som helt olika typer av e-handelsköp hamnar i samma generiska kategori. När modellerna baseras på dessa kategorier blir resultaten lika oprecisa som grunden de bygger på.
Den praktiska konsekvensen är att banker tvingas luta sig mot approximationer. Lifestyle-segment bygger på indirekta indikatorer. Churnmodeller utgår från loggdata i stället för kundens beteende. Riskmodeller saknar viktiga datapunkter kring ekonomisk stress. Kundvärdesmodeller missar väsentlig konsumtion utanför bankens egna produkter. Kort sagt: banker ser transaktionerna, men inte vad de betyder.
Lösningen heter Unwrap DB, och den innehåller ett register med ren och välkategoriserad handlardata. Vill du se? Hör av dig!