Il Suo template di dati per l'onboarding clienti KYC

Questo attributo registra il nome di un'attività aziendale o di un evento di sistema, come 'Domanda Inviata', 'Revisione Conformità Avviata' o 'Domanda Rifiutata'. Rappresenta un singolo passaggio nell'intero processo di onboarding del cliente.

L'analisi delle attività è il cuore del process mining. Questo attributo viene utilizzato per costruire la mappa di processo, mostrando il flusso tra i diversi passaggi. Aiuta a identificare la sequenza degli eventi, misurare la frequenza di ogni attività e individuare quali task sono più comuni o dispendiosi in termini di tempo.

Questo attributo definisce i passaggi nella mappa di processo, rendendo possibile visualizzare, analizzare e comprendere il flusso di processo.

Queste informazioni sono tipicamente acquisite nella traccia di audit di Pega (tabelle di storico) o possono essere derivate dai cambiamenti di stato del caso.

La domanda del cliente è l'identificatore di caso primario che raggruppa tutte le attività e gli eventi correlati per il percorso di onboarding di un singolo cliente. Ogni domanda segue un percorso dalla presentazione all'approvazione e attivazione dell'account o al rifiuto.

Nel process mining, questo attributo è essenziale per ricostruire il percorso end-to-end di ogni domanda. Permette agli analisti di visualizzare la sequenza completa degli eventi, tracciare lo stato di ogni domanda e confrontare percorsi diversi. L'analisi dei casi basata su questo ID aiuta a identificare varianti di processo comuni, colli di bottiglia e deviazioni dalla procedura standard.

Questo ID è il fondamento per il process mining, poiché collega tutti i singoli eventi in istanze di processo coerenti e end-to-end per l'analisi.

Questo è tipicamente l'ID del caso primario in Pega, spesso accessibile come pzInsKey o un equivalente user-friendly nel work object del tipo di caso principale.

Questo attributo cattura la data e l'ora precise di inizio di un'attività. Fornisce l'ordine cronologico di tutti gli eventi all'interno di un singolo caso di domanda del cliente.

I timestamps sono fondamentali per l'analisi dei processi legata alle prestazioni. Vengono utilizzati per calcolare la durata delle attività, il tempo di attesa tra i passaggi e il tempo di ciclo end-to-end totale del processo di onboarding. Questi dati sono critici per identificare i colli di bottiglia, misurare l'aderenza agli SLA e comprendere l'efficienza del processo.

I timestamp forniscono il contesto cronologico necessario per calcolare le durate, analizzare le prestazioni del processo e identificare i ritardi.

Questo è un componente standard della traccia di audit di Pega, spesso presente come pxTimeCreated nelle tabelle di storico per ogni evento.

Questo attributo memorizza la data obiettivo di completamento per una domanda, come definita dall'accordo sul livello di servizio (SLA). L'SLA può variare in base a fattori come il tipo di cliente, il livello di rischio o il prodotto.

Questa data è essenziale per la dashboard 'Tracciamento Aderenza SLA' e il KPI associato. Serve come punto di riferimento rispetto al quale viene confrontata la data di completamento effettiva. L'analisi dei casi che non raggiungono il loro obiettivo SLA aiuta a identificare i ritardi sistemici e a dare priorità ai miglioramenti del processo per garantire la conformità agli impegni di servizio.

Fornisce il benchmark per misurare le prestazioni puntuali, che è critico per la soddisfazione del cliente e il controllo operativo.

Pega dispone di un framework di gestione SLA integrato. Questa data è tipicamente memorizzata in proprietà come pySLAGoal o in una proprietà SLA definita su misura sul caso.

Questo attributo identifica l'unità organizzativa o il team a cui appartiene l'utente che esegue, come 'Team di Screening', 'Conformità' o 'Operazioni di Onboarding'.

Analizzare il processo per dipartimento è fondamentale per la dashboard 'Distribuzione del Carico di Lavoro per Dipartimento'. Aiuta i manager a capire come il lavoro scorre tra i diversi team, a identificare i colli di bottiglia interfunzionali e a valutare l'allocazione delle risorse nell'intero processo di onboarding. È fondamentale per ottimizzare i passaggi di consegna e bilanciare i carichi di lavoro.

Consente l'analisi del flusso di processo e dei colli di bottiglia tra diverse unità di business, supportando la gestione delle risorse e l'ottimizzazione organizzativa.

Queste informazioni sono tipicamente associate al profilo dell'utente in Pega (record Operator ID) e possono essere unite ai dati degli eventi. La proprietà potrebbe essere pyWorkGroup.

Questo attributo rappresenta il rischio valutato associato al cliente, spesso categorizzato come 'Basso', 'Medio' o 'Alto'. Il livello di rischio è tipicamente determinato da un motore di scoring automatizzato basato sui dati del cliente e sui risultati dello screening.

Il livello di rischio è un potente motore di variazione del processo. Le domande ad alto rischio spesso richiedono passaggi aggiuntivi di due diligence, come una revisione di conformità rafforzata, che porta a tempi di ciclo più lunghi. L'analisi del processo per livello di rischio aiuta a giustificare queste variazioni e a garantire che i controlli di rischio operino efficacemente senza causare ritardi indebiti.

Spiega le variazioni nel percorso e nella durata del processo, poiché il livello di rischio spesso determina il livello di due diligence richiesto.

Questa sarebbe una proprietà calcolata sul caso, popolata da una regola di decisione Pega o da un modello di scoring. Consultare la documentazione Pega KYC.

Quando lo stato finale di una domanda è 'Rifiutata', questo attributo fornisce il motivo specifico, come 'Controllo background fallito', 'Documentazione incompleta' o 'Profilo ad alto rischio'.

Questo attributo è il principale motore della dashboard 'Analisi Rifiuto Domande'. Segmentando i casi rifiutati per motivo, l'azienda può identificare i punti di fallimento più comuni nel processo di onboarding. Questa intuizione è cruciale per implementare miglioramenti mirati per ridurre il tasso di rifiuto, migliorare l'esperienza del cliente e aumentare l'efficienza operativa.

Fornisce intuizioni pratiche sul perché le domande falliscono, consentendo miglioramenti di processo mirati per aumentare il tasso di successo.

Questa sarebbe probabilmente una proprietà specifica impostata sul caso quando passa allo stato 'Rifiutato'. Consultare la documentazione Pega KYC per i campi standard del motivo del rifiuto.

Questo attributo cattura la data e l'ora precise di fine di un'attività. Viene utilizzato in combinazione con l'ora di inizio per calcolare il tempo di elaborazione per le singole attività.

Avere un'ora di fine distinta consente un'analisi delle prestazioni più accurata. Aiuta a differenziare tra il tempo di elaborazione attivo (la durata tra l'ora di inizio e l'ora di fine) e il tempo di attesa (la durata tra l'ora di fine di un'attività e l'ora di inizio della successiva). Questo è cruciale per individuare i veri colli di bottiglia, distinguendoli dalle code.

Consente il calcolo preciso del tempo di elaborazione delle attività, che è essenziale per un'analisi dettagliata delle prestazioni e l'identificazione dei colli di bottiglia.

Questo potrebbe essere disponibile nella traccia di audit di Pega o potrebbe dover essere derivato utilizzando l'ora di inizio dell'evento successivo come ora di fine di quello corrente.

Questo attributo indica lo stato complessivo della domanda alla fine del processo, come 'Approvata', 'Rifiutata' o 'Ritirata'. Può anche riflettere l'ultimo stato noto per i casi in corso.

Questa è una dimensione critica per l'analisi dei risultati. Viene utilizzata direttamente nella dashboard 'Analisi Rifiuto Domande' per segmentare i casi e comprendere perché si verificano determinati esiti. L'analisi dei flussi di processo che portano a stati diversi aiuta a identificare le migliori pratiche per i casi approvati e le cause profonde per quelli rifiutati.

Definisce il risultato di business di un caso, consentendo un'analisi potente che confronta i percorsi di successo con quelli non riusciti.

Questo è tipicamente lo stato finale (pyStatusWork) del work object del caso in Pega.

Questo attributo memorizza l'ID del dipendente o dell'utente di sistema responsabile del completamento di un task specifico nel processo KYC, come un addetto alla conformità o un bot di screening automatizzato. Per i passaggi automatizzati, questo potrebbe essere un ID di sistema o di account di servizio.

L'analisi per utente aiuta a comprendere la distribuzione del carico di lavoro, le prestazioni individuali e le esigenze di formazione. Può anche essere utilizzata per indagare sulle deviazioni di processo identificando quali utenti o team sono coinvolti in flussi di processo non standard.

Questo attributo collega le attività di processo a individui o team specifici, consentendo l'analisi del carico di lavoro, la valutazione delle prestazioni e i controlli di conformità.

Questo è un campo standard nella traccia di audit di Pega, tipicamente memorizzato come pxUpdateOperator o una proprietà simile nelle tabelle di storico.

Questo attributo booleano è vero se l'attività è stata eseguita da un agente automatizzato, come un motore di screening o una regola di sistema, e falso se è stata eseguita da un utente umano.

Distinguere tra attività automatizzate e manuali è cruciale per l'analisi dell'automazione. Aiuta a misurare l'efficacia dell'automazione esistente, a identificare i task manuali che sono buoni candidati per future automazioni e a comprendere l'interazione tra attori umani e di sistema nel processo.

Separa le attività guidate dall'uomo da quelle guidate dal sistema, il che è fondamentale per qualsiasi iniziativa o analisi di automazione.

Questo può essere derivato dall'ID utente associato all'evento. Se l'OperatorId corrisponde a un account di sistema o agente noto, questo flag è impostato su true.

Questo attributo booleano è vero se un'attività specifica, come 'Revisione Documenti', si verifica più di una volta all'interno dello stesso caso. È spesso attivato da eventi come 'Informazioni Aggiuntive Richieste'.

Identificare la rilavorazione è essenziale per individuare le inefficienze di processo e i punti di attrito per il cliente. La dashboard 'Rilavorazioni e Cicli di Processo' utilizza questo attributo per quantificare la frequenza e l'impatto della rilavorazione. Ridurre la rilavorazione è spesso un obiettivo chiave, poiché porta a un'elaborazione più rapida, a costi operativi inferiori e a una migliore esperienza del cliente.

Evidenzia inefficienze di processo, compiti ridondanti e cicli, che sono obiettivi primari per il miglioramento dei processi.

Questo flag è derivato durante l'analisi dei dati controllando i nomi di attività ripetuti all'interno dello stesso ID caso. Ad esempio, se 'Revisione Documenti Completata' compare una seconda volta.

Questo attributo è l'ID univoco che collega la domanda a un record cliente nel sistema di dati anagrafici. Rappresenta l'entità, sia essa un individuo o un'organizzazione, che è oggetto del processo KYC.

Mentre l'ID della domanda traccia il processo, l'ID cliente consente l'analisi di più domande dello stesso cliente o l'arricchimento dei dati di processo con attributi specifici del cliente come segmento o storico. Ciò consente una visione centrata sul cliente del processo di onboarding.

Collega i dati di processo ai dati anagrafici del cliente, abilitando un'analisi più ricca basata sugli attributi e sulla cronologia del cliente.

Questa sarebbe una proprietà centrale sul caso KYC, collegandola al modello di dati del cliente all'interno di Pega o a un CRM esterno.

Questo attributo memorizza il paese associato al cliente in fase di onboarding. Questa informazione è un input chiave per la valutazione del rischio e per determinare il livello di due diligence richiesto.

Nell'analisi, il paese del cliente può rivelare modelli importanti. Alcune giurisdizioni possono essere associate a un rischio più elevato, portando a processi di onboarding più lunghi e complessi. Questa dimensione consente un'analisi delle prestazioni basata sulla geografia e aiuta a garantire che i requisiti di conformità regionali siano soddisfatti in modo efficiente.

Consente l'analisi geografica del processo, che è spesso legata alla complessità normativa e ai livelli di rischio.

Questa sarebbe una proprietà sull'oggetto dati del cliente associato al caso.

Questo attributo specifica il prodotto o servizio per cui il cliente viene onboarded, come un 'Conto Corrente Retail', un 'Prestito Aziendale' o 'Servizi di Investimento'.

Il prodotto può influenzare il processo di onboarding, poiché prodotti diversi possono avere requisiti normativi e complessità differenti. L'analisi del processo per prodotto aiuta a identificare se specifiche linee di prodotto hanno tempi di ciclo più lunghi o tassi di rifiuto più elevati, fornendo intuizioni per l'ottimizzazione del processo specifica per prodotto.

Consente l'analisi del processo segmentata per linea di prodotto, rivelando differenze di performance e opportunità di ottimizzazione.

Questa sarebbe una proprietà sul caso, selezionata all'inizio del processo di domanda.

Questo attributo specifica l'applicazione sorgente dove l'evento è stato registrato. Per questo processo, il valore sarebbe costantemente 'Pega KYC'.

Anche se può sembrare ridondante se tutti i dati provengono da un unico sistema, questo attributo è cruciale per la governance dei dati e diventa vitale quando si integrano dati da più sistemi. Assicura chiarezza sulla provenienza dei dati e aiuta nella risoluzione dei problemi di integrazione dei dati.

Fornisce un contesto essenziale sull'origine dei dati, garantendo la governance dei dati e abilitando l'analisi su più sistemi sorgente.

Questo è tipicamente un valore statico aggiunto durante il processo di estrazione e trasformazione dei dati per etichettare l'origine del dataset.

Questo attributo traccia lo stato dei documenti richiesti per il processo KYC, con valori come 'Cliente in attesa', 'Ricevuto', 'Verificato' o 'Rifiutato'. Questo stato può cambiare più volte nel corso di un singolo caso.

Questo è un attributo chiave per la dashboard 'Onboarding Throughput & Status' e l'analisi della 'Velocità di Verifica Documenti'. Consente una visione granulare di una delle aree di collo di bottiglia più comuni. Tracciando quanto tempo i documenti rimangono in ogni stato, l'azienda può identificare ritardi nella presentazione del cliente o nella revisione interna.

Fornisce visibilità sul sotto-processo di gestione dei documenti, aiutando a identificare e risolvere i ritardi comuni nella verifica dei documenti.

Questa sarebbe probabilmente una proprietà su un oggetto dati correlato o una page list associata al caso principale, che tiene traccia di ogni documento richiesto. Consultare la documentazione Pega KYC.

Questo attributo categorizza ogni caso completato come 'In Tempo' o 'In Ritardo' basandosi su un confronto tra il suo timestamp di completamento effettivo e la sua 'Data Obiettivo SLA'.

Questa è la metrica principale per la dashboard 'Tracciamento Aderenza SLA' e il KPI 'Tasso di Aderenza SLA'. Fornisce una visione chiara e immediata delle prestazioni rispetto agli impegni di livello di servizio. L'analisi delle caratteristiche dei casi in ritardo aiuta a identificare le cause profonde dei ritardi e a mitigare i rischi di future violazioni degli SLA.

Misura direttamente le prestazioni rispetto agli impegni, il che è cruciale per la gestione operativa, la conformità e la soddisfazione del cliente.

Questo è derivato confrontando il timestamp dell'attività finale del caso con il campo SlaTargetDate. Se il tempo di completamento è successivo all'obiettivo, lo stato è 'In Ritardo'.

Questa metrica calcolata misura la durata end-to-end per ogni domanda del cliente, dal primissimo evento all'ultimo. È tipicamente calcolata come la differenza tra il timestamp dell'attività finale e l'attività iniziale per un dato caso.

Il tempo di ciclo (Cycle Time) è un indicatore chiave di prestazione (KPI) primario per l'efficienza del processo e l'esperienza del cliente. Viene utilizzato nella dashboard 'Analisi del Tempo di Ciclo Complessivo di Onboarding' per monitorare i tempi medi di elaborazione, identificare i casi a lunga esecuzione e tracciare l'impatto delle iniziative di miglioramento del processo nel tempo.

Questo è un KPI critico che misura direttamente la velocità e l'efficienza complessiva del processo di onboarding dal punto di vista del cliente.

Questa metrica è calcolata nello strumento di process mining prendendo la differenza tra i timestamp massimo e minimo per ogni ID caso.

Questa metrica calcola il tempo di lavoro attivo per un evento, misurato come la differenza tra la sua ora di fine e la sua ora di inizio. Rappresenta il tempo in cui una risorsa è stata attivamente impegnata in un task.

Il tempo di elaborazione (Processing Time), noto anche come tempo di ciclo di un'attività, è essenziale per un'analisi dettagliata delle prestazioni. Aiuta a distinguere tra task lunghi (alto tempo di elaborazione) e code lunghe (alto tempo di attesa). Ciò consente sforzi di miglioramento più mirati, come fornire strumenti migliori per accelerare un task rispetto alla riallocazione delle risorse per ridurre una coda.

Misura la durata del lavoro attivo delle attività, aiutando a distinguere tra compiti inefficienti e problemi di risorse o di accodamento.

Questa metrica è calcolata come (EndTime - StartTime) per ogni evento. Richiede che entrambi i campi timestamp siano disponibili.

Questo attributo categorizza la domanda di onboarding, ad esempio, 'Cliente Individuale', 'Cliente Aziendale' o 'Individuo ad Alto Patrimonio'. Diversi tipi di caso spesso seguono varianti di processo distinte con passaggi, SLA e profili di rischio differenti.

Analizzare il processo per tipo di caso consente un confronto delle prestazioni più significativo. Aiuta a capire se certi tipi di onboarding sono più inclini a ritardi o rifiuti. Questa segmentazione è cruciale per personalizzare i miglioramenti di processo in base alle esigenze specifiche dei diversi percorsi dei clienti.

Consente la segmentazione dei dati di processo in categorie distinte, abilitando un'analisi delle prestazioni più accurata e pertinente.

Questo è tipicamente il nome della classe dell'istanza del caso in Pega, o una proprietà dedicata sul caso che ne definisce il tipo.

Questo attributo indica l'ora più recente in cui i dati sono stati estratti dal sistema sorgente. Di solito è lo stesso per tutti i record all'interno di un singolo caricamento di dati.

Questo timestamp è importante per comprendere la freschezza dei dati analizzati. Permette agli utenti di sapere quanto sia attuale l'analisi del processo e quando è previsto il prossimo aggiornamento dei dati, il che è critico per le dashboard di monitoraggio operativo.

Informa gli utenti sulla tempestività dei dati, assicurando che comprendano se l'analisi riflette lo stato attuale o un periodo passato.

Questo valore viene generato e apposto sul dataset durante il processo di estrazione, trasformazione e caricamento dei dati (ETL).