Personal Finance Manager dla Santander

________________

Podsumowanie projektu

Santander Bank Polska – jedna z największych i najbardziej innowacyjnych instytucji finansowych w kraju – chciał pomóc swoim klientom lepiej kontrolować wydatki i planować budżet.

WEBSENSA stworzyła Personal Finance Management Engine, który automatycznie analizuje i kategoryzuje dane transakcyjne, dając użytkownikom przejrzysty i praktyczny obraz ich finansów.

System, zbudowany w technologii Python z wykorzystaniem bazy Oracle, osiągnął 90% skuteczności w klasyfikacji transakcji – wynik znacznie przewyższający standardy rynkowe.

Rozwiązanie działa z powodzeniem w Santander Bank Polska od 2016 roku, pomagając tysiącom klientów podejmować trafniejsze decyzje finansowe każdego dnia.

________________

Santander chciał pomóc klientom lepiej zarządzać finansami

Santander Bank Polska to jeden z liderów rynku bankowego, znany z konsekwentnego wdrażania nowoczesnych technologii.

Bank regularnie wprowadza innowacyjne rozwiązania, które wspierają zarówno klientów indywidualnych, jak i biznesowych w skutecznym zarządzaniu finansami.

Bank potrzebował systemu, który zamieni dane w realne wnioski

Głównym celem projektu było stworzenie systemu, który potrafiłby inteligentnie wykorzystywać dane transakcyjne klientów.

Zadaniem było opracowanie oprogramowania, które automatycznie przypisuje każdą transakcję do odpowiedniej kategorii – np. żywność, ubrania czy rachunki – oraz prezentuje te informacje w przejrzysty i praktyczny sposób.

Kluczowe było zrozumienie potrzeb użytkowników, by rozwiązanie było nie tylko ergonomiczne, ale i naprawdę użyteczne – pomagające klientom planować wydatki i świadomie zarządzać pieniędzmi.

Jak WEBSENSA stworzyła inteligentny silnik finansowy

WEBSENSA odpowiedziała na to wyzwanie, opracowując Personal Finance Management Engine z wbudowanym modułem inteligentnej kategoryzacji transakcji.

Naszym zadaniem było przygotowanie warstwy backendowej systemu. Wykorzystaliśmy język Python i bazę danych Oracle, aby zbudować zaawansowany silnik analityczny, który automatycznie klasyfikował transakcje klientów banku.

Zaprojektowaliśmy i stworzyliśmy przyjazną użytkownikowi aplikację webową, która umożliwia analizę wydatków w różnych kategoriach i okresach czasu – tak, by każdy klient mógł łatwo zrozumieć, na co wydaje pieniądze.

Od pomysłu do wdrożenia – jak przebiegał projekt

Pierwszy etap projektu, prowadzony przez zespół Santander, obejmował integrację danych bankowych i przygotowanie warstwy frontendowej.

WEBSENSA dołączyła na kluczowym etapie, by stworzyć backendową architekturę i silnik klasyfikacji.

Pięcioosobowy zespół naszych deweloperów wraz z project managerem przez cztery miesiące rozwijał i trenował system na rzeczywistych danych transakcyjnych, by osiągnąć maksymalną precyzję klasyfikacji.

Współpraca przebiegała w pełni zdalnie – z wykorzystaniem narzędzi takich jak Jira, Skype i Microsoft Teams – co pozwoliło zachować przejrzystość i wysoką efektywność pracy.

Efekty: precyzja, skalowalność i długofalowa wartość

Ścisła współpraca zespołów pozwoliła na terminowe wdrożenie wysokiej jakości systemu PFM, który odzwierciedla podejście WEBSENSA – pełne zrozumienie potrzeb klienta i dopasowanie rozwiązania do jego celów.

Jednym z kluczowych mierników sukcesu była jakość silnika kategoryzującego transakcje – testy banku wykazały 90% trafności, co uznano za znakomity wynik na tle konkurencyjnych narzędzi.

Santander Bank Polska korzysta z naszego rozwiązania bez istotnych uwag dotyczących jakości danych, a system wspiera codzienną obsługę klientów.

Opinia klienta

• ‍Jakość: 4.5‍
• Harmonogram: 5.0‍
• Koszt: 5.0‍
• Rekomendacja: 5.0

Zawsze starają się zrozumieć, co klient naprawdę chce osiągnąć, i dopasować rozwiązanie do jego potrzeb. – Paweł Włódarczak, Santander Bank Polska

(Zweryfikowana rozmowa telefoniczna, Clutch)

Chcesz osiągnąć podobne efekty?

Chcesz wdrożyć podobne rozwiązanie w swojej organizacji? Zarezerwuj bezpłatną diagnozę i dowiedz się, jak w 30 dni uruchomić działającą platformę AI w swojej firmie.