Ihr KYC-Kunden-Onboarding-Daten-Template

Dieses Attribut erfasst den Namen einer Geschäftsaktivität oder eines Systemereignisses, wie z.B. 'Antrag eingereicht', 'Compliance-Prüfung initiiert' oder 'Antrag abgelehnt'. Es repräsentiert einen einzelnen Schritt im gesamten Kunden-Onboarding-Prozess.

Die Analyse von Aktivitäten ist der Kern des Process Mining. Dieses Attribut wird verwendet, um die Prozesskarte zu erstellen, die den Fluss zwischen verschiedenen Schritten zeigt. Es hilft, die Reihenfolge der Events zu identifizieren, die Häufigkeit jeder Aktivität zu messen und festzustellen, welche Aufgaben am häufigsten oder zeitaufwendigsten sind.

Dieses Attribut definiert die Schritte in der Prozesskarte und ermöglicht so die Visualisierung, Analyse und das Verständnis des Prozessflusses.

Diese Information wird typischerweise im Audit Trail von Pega (History-Tabellen) erfasst oder kann aus den Statusänderungen des Falls abgeleitet werden.

Der Kundenantrag ist der primäre Case-Identifier, der alle zusammenhängenden Aktivitäten und Events für die Onboarding-Journey eines einzelnen Kunden gruppiert. Jeder Antrag durchläuft einen Pfad von der Einreichung bis zur Genehmigung und Kontoaktivierung oder Ablehnung.

Im Process Mining ist dieses Attribut essenziell für die Rekonstruktion der End-to-End-Journey jedes Antrags. Es ermöglicht Analysten, die vollständige Abfolge von Events anzuzeigen, den Status jedes Antrags zu verfolgen und verschiedene Pfade zu vergleichen. Die Analyse von Cases basierend auf dieser ID hilft, gängige Prozessvarianten, Engpässe und Abweichungen vom Standardverfahren zu identifizieren.

Diese ID ist die Grundlage für Process Mining, da sie alle einzelnen Events zu kohärenten, End-to-End-Prozessinstanzen für die Analyse verbindet.

Dies ist typischerweise die primäre Case ID in Pega, oft zugänglich als pzInsKey oder ein geschäftsfreundliches Äquivalent im Haupt-Case-Typ Work Object.

Dieses Attribut erfasst das genaue Datum und die Uhrzeit, zu der eine Aktivität begann. Es liefert die chronologische Reihenfolge für alle Events innerhalb eines einzelnen Kundenantragsfalls.

Timestamps sind fundamental für die leistungsbezogene Prozessanalyse. Sie werden verwendet, um die Dauer von Aktivitäten, die Wartezeit zwischen Schritten und die gesamte End-to-End-Durchlaufzeit des Onboarding-Prozesses zu berechnen. Diese Daten sind entscheidend für die Identifizierung von Engpässen, die Messung der SLA-Einhaltung und das Verständnis der Prozesseffizienz.

Timestamps liefern den chronologischen Kontext, der zur Berechnung von Dauern, zur Analyse der Prozessleistung und zur Identifizierung von Verzögerungen erforderlich ist.

Dies ist ein Standardbestandteil des Audit Trails von Pega, oft als pxTimeCreated in History-Tabellen für jedes Event zu finden.

Wenn der finale Status eines Antrags 'Abgelehnt' ist, liefert dieses Attribut den spezifischen Grund, wie z.B. 'Hintergrundprüfung fehlgeschlagen', 'Unvollständige Dokumentation' oder 'Hohes Risikoprofil'.

Dieses Attribut ist der Haupttreiber für das Dashboard 'Analyse der Antragsablehnungen'. Durch die Segmentierung abgelehnter Fälle nach Gründen kann das Unternehmen die häufigsten Fehlerpunkte im Onboarding-Prozess identifizieren. Diese Erkenntnis ist entscheidend für die Implementierung gezielter Verbesserungen, um die Ablehnungsrate zu reduzieren, die Kundenerfahrung zu verbessern und die operative Effizienz zu steigern.

Liefert umsetzbare Erkenntnisse darüber, warum Anträge scheitern, und ermöglicht gezielte Prozessverbesserungen zur Erhöhung der Erfolgsquote.

Dies wäre wahrscheinlich eine spezifische Eigenschaft, die für den Fall festgelegt wird, wenn er in den Status 'Abgelehnt' übergeht. Konsultieren Sie die Pega KYC-Dokumentation für standardmäßige Ablehnungsgrundfelder.

Dieses Attribut identifiziert die Organisationseinheit oder das Team, zu dem der ausführende Benutzer gehört, wie 'Screening-Team', 'Compliance' oder 'Onboarding-Operationen'.

Die Analyse des Prozesses nach Abteilung ist entscheidend für das Dashboard 'Arbeitslastverteilung nach Abteilung'. Sie hilft Managern zu verstehen, wie Arbeit zwischen verschiedenen Teams fließt, funktionsübergreifende Engpässe zu identifizieren und die Ressourcenverteilung über den gesamten Onboarding-Prozess zu bewerten. Sie ist entscheidend für die Optimierung von Übergaben und die Auslastung der Arbeitslasten.

Es ermöglicht die Analyse des Prozessflusses und von Bottlenecks zwischen verschiedenen Geschäftseinheiten und unterstützt das Ressourcenmanagement sowie die organisatorische Optimierung.

Diese Information ist typischerweise mit dem Benutzerprofil in Pega (Operator ID-Datensatz) verbunden und kann mit den Event-Daten verknüpft werden. Die Eigenschaft könnte pyWorkGroup sein.

Dieses Attribut gibt den Gesamtstatus des Antrags am Ende des Prozesses an, wie z.B. 'Genehmigt', 'Abgelehnt' oder 'Zurückgezogen'. Es kann auch den letzten bekannten Status für laufende Fälle widerspiegeln.

Dies ist eine kritische Dimension für die Ergebnisanalyse. Sie wird direkt im Dashboard 'Analyse der Antragsablehnungen' verwendet, um Fälle zu segmentieren und zu verstehen, warum bestimmte Ergebnisse auftreten. Die Analyse von Prozessabläufen, die zu unterschiedlichen Status führen, hilft, Best Practices für genehmigte Fälle und Grundursachen für abgelehnte Fälle zu identifizieren.

Es definiert das Geschäftsergebnis eines Falles und ermöglicht eine leistungsstarke Analyse, die erfolgreiche Pfade mit nicht erfolgreichen vergleicht.

Dies ist typischerweise der finale Status (pyStatusWork) des Case Work Objects in Pega.

Dieses Attribut speichert die ID des Mitarbeiters oder Systembenutzers, der für die Durchführung einer spezifischen Aufgabe im KYC-Prozess verantwortlich ist, wie z.B. ein Compliance Officer oder ein automatisierter Screening Bot. Bei automatisierten Schritten könnte dies eine System- oder Servicekonto-ID sein.

Die Analyse nach Benutzer hilft, die Arbeitslastverteilung, die individuelle Leistung und den Schulungsbedarf zu verstehen. Sie kann auch verwendet werden, um Prozessabweichungen zu untersuchen, indem identifiziert wird, welche Benutzer oder Teams an nicht-standardisierten Prozessabläufen beteiligt sind.

Dieses Attribut verknüpft Prozessaktivitäten mit spezifischen Personen oder Teams und ermöglicht so die Arbeitslastanalyse, Leistungsbewertung und Compliance-Prüfungen.

Dies ist ein Standardfeld im Audit Trail von Pega, typischerweise gespeichert als pxUpdateOperator oder eine ähnliche Eigenschaft in History-Tabellen.

Dieses Attribut erfasst das genaue Datum und die Uhrzeit, zu der eine Aktivität endete. Es wird in Verbindung mit der Startzeit verwendet, um die Bearbeitungszeit für einzelne Aktivitäten zu berechnen.

Eine separate Endzeit ermöglicht eine genauere Leistungsanalyse. Sie hilft, zwischen aktiver Bearbeitungszeit (Dauer zwischen Start- und Endzeit) und Wartezeit (Dauer zwischen der Endzeit einer Aktivität und der Startzeit der nächsten) zu unterscheiden. Dies ist entscheidend, um echte Engpässe zu identifizieren und sie von Warteschlangen abzugrenzen.

Ermöglicht die präzise Berechnung der Aktivitätsbearbeitungszeit, die für eine detaillierte Performance-Analyse und Bottleneck-Identifikation unerlässlich ist.

Dies kann im Audit Trail von Pega verfügbar sein oder muss möglicherweise abgeleitet werden, indem die Startzeit des nachfolgenden Events als Endzeit des aktuellen Events verwendet wird.

Dieses Attribut repräsentiert das bewertete Risiko, das mit dem Kunden verbunden ist, oft kategorisiert als 'Niedrig', 'Mittel' oder 'Hoch'. Das Risikolevel wird typischerweise von einer automatisierten Scoring-Engine basierend auf Kundendaten und Screening-Ergebnissen bestimmt.

Das Risikolevel ist ein starker Treiber der Prozessvariation. Anträge mit hohem Risiko erfordern oft zusätzliche Due-Diligence-Schritte, wie z.B. eine erweiterte Compliance-Prüfung, was zu längeren Durchlaufzeiten führt. Die Analyse des Prozesses nach Risikolevel hilft, diese Variationen zu rechtfertigen und sicherzustellen, dass Risikokontrollen effektiv arbeiten, ohne unnötige Verzögerungen zu verursachen.

Erklärt Variationen im Prozesspfad und in der Dauer, da das Risikolevel oft das erforderliche Maß an Due Diligence bestimmt.

Dies wäre eine berechnete Eigenschaft des Falls, die durch eine Pega-Entscheidungsregel oder ein Scoring-Modell gefüllt wird. Konsultieren Sie die Pega KYC-Dokumentation.

Dieses Attribut speichert das Ziel-Abschlussdatum für einen Antrag, wie es durch das Service Level Agreement (SLA) definiert ist. Das SLA kann je nach Faktoren wie Kundentyp, Risikolevel oder Produkt variieren.

Dieses Datum ist essenziell für das Dashboard 'SLA-Einhaltungs-Tracking' und den zugehörigen KPI. Es dient als Benchmark, mit dem das tatsächliche Abschlussdatum verglichen wird. Die Analyse von Fällen, die ihr SLA-Ziel verfehlen, hilft, systemische Verzögerungen zu identifizieren und Prozessverbesserungen zu priorisieren, um die Einhaltung der Service-Verpflichtungen zu gewährleisten.

Es bietet den Benchmark zur Messung der On-Time-Performance, was entscheidend für Kundenzufriedenheit und operative Steuerung ist.

Pega hat ein integriertes SLA-Management-Framework. Dieses Datum wird typischerweise in Eigenschaften wie pySLAGoal oder einer benutzerdefinierten SLA-Eigenschaft des Case gespeichert.

Diese Metrik berechnet die aktive Arbeitszeit für ein Event, gemessen als Differenz zwischen seiner Endzeit und Startzeit. Sie repräsentiert die Zeit, in der eine Ressource aktiv an einer Aufgabe beteiligt war.

Die Bearbeitungszeit, auch als Durchlaufzeit einer Aktivität bekannt, ist essenziell für eine detaillierte Leistungsanalyse. Sie hilft, zwischen langen Aufgaben (hohe Bearbeitungszeit) und langen Warteschlangen (hohe Wartezeit) zu unterscheiden. Dies ermöglicht gezieltere Verbesserungsbemühungen, wie z.B. die Bereitstellung besserer Tools zur Beschleunigung einer Aufgabe gegenüber der Umverteilung von Ressourcen zur Reduzierung einer Warteschlange.

Misst die aktive Arbeitsdauer von Aktivitäten und hilft, zwischen ineffizienten Aufgaben und Ressourcen- oder Warteschlangenproblemen zu unterscheiden.

Diese Metrik wird als (Endzeit - Startzeit) für jedes Event berechnet. Sie erfordert, dass beide Timestamp-Felder verfügbar sind.

Dieses Attribut verfolgt den Status der für den KYC-Prozess erforderlichen Dokumente mit Werten wie 'Kunde ausstehend', 'Erhalten', 'Verifiziert' oder 'Abgelehnt'. Dieser Status kann sich innerhalb eines einzelnen Falls mehrmals ändern.

Dies ist ein Schlüsselattribut für das Dashboard 'Onboarding-Durchsatz & Status' und die Analyse der 'Dokumentenprüfungsgeschwindigkeit'. Es ermöglicht eine detaillierte Ansicht eines der häufigsten Engpassbereiche. Durch die Verfolgung, wie lange Dokumente in jedem Status verbleiben, kann das Unternehmen Verzögerungen bei der Kundeneinreichung oder der internen Überprüfung identifizieren.

Bietet Transparenz im Sub-Prozess der Dokumentenbearbeitung und hilft, häufige Verzögerungen bei der Dokumentenprüfung zu identifizieren und zu beheben.

Dies wäre wahrscheinlich eine Eigenschaft eines verwandten Datenobjekts oder einer Seitenliste, die mit dem Hauptfall verknüpft ist und jedes erforderliche Dokument verfolgt. Konsultieren Sie die Pega KYC-Dokumentation.

Dieses Attribut kategorisiert den Onboarding-Antrag, zum Beispiel 'Privatkunde', 'Firmenkunde' oder 'Vermögender Privatkunde'. Verschiedene Case-Typen folgen oft unterschiedlichen Prozessvarianten mit verschiedenen Schritten, SLAs und Risikoprofilen.

Die Analyse des Prozesses nach Case-Typ ermöglicht einen aussagekräftigeren Leistungsvergleich. Sie hilft zu verstehen, ob bestimmte Onboarding-Typen anfälliger für Verzögerungen oder Ablehnungen sind. Diese Segmentierung ist entscheidend, um Prozessverbesserungen an die spezifischen Bedürfnisse verschiedener Customer Journeys anzupassen.

Ermöglicht die Segmentierung der Prozessdaten in verschiedene Kategorien, wodurch eine genauere und relevantere Performance-Analyse ermöglicht wird.

Dies ist typischerweise der Klassenname der Case-Instanz in Pega oder eine dedizierte Eigenschaft des Falls, die seinen Typ definiert.

Diese berechnete Metrik misst die End-to-End-Dauer für jeden Kundenantrag, vom ersten Event bis zum letzten. Sie wird typischerweise als Differenz zwischen dem Timestamp der letzten Aktivität und der initialen Aktivität für einen gegebenen Fall berechnet.

Die Cycle Time ist ein primärer Key Performance Indicator (KPI) für Prozesseffizienz und Kundenerfahrung. Sie wird im Dashboard 'Gesamtanalyse der Onboarding-Durchlaufzeit' verwendet, um durchschnittliche Bearbeitungszeiten zu überwachen, langlaufende Fälle zu identifizieren und die Auswirkungen von Prozessverbesserungsinitiativen über die Zeit zu verfolgen.

Dies ist ein kritischer KPI, der direkt die Gesamtgeschwindigkeit und Effizienz des Onboarding-Prozesses aus Kundensicht misst.

Diese Metrik wird im Process Mining-Tool berechnet, indem die Differenz zwischen dem maximalen und minimalen Timestamp für jede Case-ID ermittelt wird.

Dieses boolesche Attribut ist wahr, wenn die Aktivität von einem automatisierten Agenten, wie z.B. einer Screening-Engine oder einer Systemregel, ausgeführt wurde, und falsch, wenn sie von einem menschlichen Benutzer durchgeführt wurde.

Die Unterscheidung zwischen automatisierten und manuellen Aktivitäten ist entscheidend für die Automatisierungsanalyse. Sie hilft, die Effektivität bestehender Automatisierung zu messen, manuelle Aufgaben zu identifizieren, die gute Kandidaten für zukünftige Automatisierung sind, und die Interaktion zwischen menschlichen und Systemakteuren im Prozess zu verstehen.

Es trennt von Menschen gesteuerte Aktivitäten von systemgesteuerten, was grundlegend für jede Automatisierungsinitiative oder Analyse ist.

Dies kann aus der mit dem Event verbundenen Benutzer-ID abgeleitet werden. Wenn die OperatorId einem bekannten System- oder Agentenkonto entspricht, wird dieses Flag auf true gesetzt.

Dieses Boolean-Attribut ist wahr, wenn eine bestimmte Aktivität – wie etwa die „Dokumentenprüfung“ – mehr als einmal innerhalb desselben Case vorkommt. Auslöser sind oft Events wie „Zusätzliche Informationen angefordert“.

Das Identifizieren von Nacharbeit ist entscheidend, um Ineffizienzen und Reibungspunkte im Prozess aufzudecken. Das Dashboard „Process Rework and Loops“ nutzt dieses Attribut, um Häufigkeit und Auswirkungen von Rework messbar zu machen. Da weniger Nacharbeit zu schnelleren Durchlaufzeiten, niedrigeren Kosten und einer besseren Customer Experience führt, ist ihre Reduzierung meist ein vorrangiges Ziel.

Hebt Prozessineffizienzen, redundante Aufgaben und Schleifen hervor, die primäre Ziele für die Prozessverbesserung sind.

Dieses Flag wird während der Datenanalyse abgeleitet, indem auf wiederholte Aktivitätsnamen innerhalb derselben Case-ID geprüft wird. Zum Beispiel, wenn 'Dokumentenprüfung abgeschlossen' ein zweites Mal erscheint.

Dieses Attribut ist die eindeutige ID, die den Antrag mit einem Kundenstamm im Masterdatensystem verknüpft. Es repräsentiert die Entität, ob eine Einzelperson oder eine Organisation, die Gegenstand des KYC-Prozesses ist.

Während die Antrags-ID den Prozess verfolgt, ermöglicht die Kunden-ID eine Analyse über mehrere Anträge desselben Kunden hinweg oder die Anreicherung der Prozessdaten mit kundenspezifischen Attributen wie Segment oder Historie. Dies ermöglicht eine kundenorientierte Sichtweise des Onboarding-Prozesses.

Verbindet die Prozessdaten mit den Kundenstammdaten und ermöglicht eine umfassendere Analyse basierend auf Kundenattributen und -historie.

Dies wäre eine Kerneigenschaft des KYC-Falls, die ihn mit dem Kundendatenmodell innerhalb von Pega oder einem externen CRM verknüpft.

Dieses Attribut speichert das Land, das mit dem zu onboardenden Kunden verbunden ist. Diese Information ist ein wichtiger Input für die Risikobewertung und die Bestimmung des erforderlichen Due Diligence-Levels.

In der Analyse kann das Land des Kunden wichtige Muster aufdecken. Bestimmte Jurisdiktionen können mit höherem Risiko verbunden sein, was zu längeren und komplexeren Onboarding-Prozessen führt. Diese Dimension ermöglicht eine geografisch basierte Leistungsanalyse und hilft sicherzustellen, dass regionale Compliance-Anforderungen effizient erfüllt werden.

Ermöglicht eine geografische Analyse des Prozesses, die oft mit regulatorischer Komplexität und Risikostufen verbunden ist.

Dies wäre eine Eigenschaft des Kundendatenobjekts, das mit dem Fall verknüpft ist.

Dieses Attribut gibt den aktuellsten Zeitpunkt an, zu dem die Daten aus dem Quellsystem extrahiert wurden. Er ist in der Regel für alle Datensätze innerhalb eines einzigen Datenladevorgangs gleich.

Dieser Timestamp ist wichtig, um die Aktualität der analysierten Daten zu verstehen. Er ermöglicht es Benutzern zu wissen, wie aktuell die Prozessanalyse ist und wann die nächste Datenaktualisierung erwartet wird, was für operative Monitoring-Dashboards entscheidend ist.

Informiert Benutzer über die Aktualität der Daten und stellt sicher, dass sie verstehen, ob die Analyse den aktuellen Zustand oder eine vergangene Periode widerspiegelt.

Dieser Wert wird während des Datenextraktions-, Transformations- und Ladeprozesses (ETL) generiert und in den Datensatz gestempelt.

Dieses Attribut spezifiziert das Produkt oder die Dienstleistung, für die der Kunde onboarded wird, wie z.B. ein 'Retail Bank Account', 'Corporate Loan' oder 'Investment Services'.

Das Produkt kann den Onboarding-Prozess beeinflussen, da verschiedene Produkte unterschiedliche regulatorische Anforderungen und Komplexitäten haben können. Die Analyse des Prozesses nach Produkt hilft festzustellen, ob bestimmte Produktlinien längere Durchlaufzeiten oder höhere Ablehnungsraten aufweisen, und liefert Erkenntnisse für die produktspezifische Prozessoptimierung.

Ermöglicht die Segmentierung der Prozessanalyse nach Produktlinie, wodurch Performance-Unterschiede und Optimierungsmöglichkeiten aufgedeckt werden.

Dies wäre eine Eigenschaft des Falls, ausgewählt zu Beginn des Antragsprozesses.

Dieses Attribut spezifiziert die Quellanwendung, in der das Event aufgezeichnet wurde. Für diesen Prozess wäre der Wert konsistent 'Pega KYC'.

Obwohl es redundant erscheinen mag, wenn alle Daten aus einem System stammen, ist dieses Attribut entscheidend für die Data Governance und wird vital, wenn Daten aus mehreren Systemen integriert werden. Es gewährleistet Klarheit über die Datenherkunft und hilft bei der Fehlerbehebung bei Datenintegrationsproblemen.

Es liefert wesentlichen Kontext zur Datenherkunft, gewährleistet Data Governance und ermöglicht Analysen über mehrere Quellsysteme hinweg.

Dabei handelt es sich typischerweise um einen statischen Wert, der während der Datenextraktion und -transformation hinzugefügt wird, um die Herkunft des Datensatzes zu kennzeichnen.

Dieses Attribut kategorisiert jeden abgeschlossenen Fall als 'Pünktlich' oder 'Spät', basierend auf einem Vergleich zwischen seinem tatsächlichen Abschluss-Timestamp und seinem 'SLA-Zieldatum'.

Dies ist die Kernmetrik für das Dashboard 'SLA-Einhaltungs-Tracking' und den KPI 'SLA-Einhaltungsrate'. Es bietet eine klare Übersicht über die Leistung im Vergleich zu Service-Level-Verpflichtungen. Die Analyse der Merkmale verspäteter Fälle hilft, die Grundursachen für Verzögerungen zu identifizieren und Risiken zukünftiger SLA-Verletzungen zu mindern.

Misst direkt die Performance im Vergleich zu Verpflichtungen, was entscheidend für operatives Management, Compliance und Kundenzufriedenheit ist.

Dies wird abgeleitet, indem der Timestamp der finalen Case-Aktivität mit dem Feld SlaTargetDate verglichen wird. Wenn die Abschlusszeit nach dem Ziel liegt, ist der Status 'Spät'.