Uw KYC Customer Onboarding Data Template

Dit attribuut registreert de naam van een bedrijfsactiviteit of systeem event, zoals 'Aanvraag Ingediend', 'Compliance Review Gestart' of 'Aanvraag Afgewezen'. Het vertegenwoordigt één stap in het algehele klant-onboardingproces.

Het analyseren van activiteiten is de kern van process mining. Dit attribuut wordt gebruikt om de proceskaart op te bouwen, die de flow tussen verschillende stappen toont. Het helpt bij het identificeren van de volgorde van events, het meten van de frequentie van elke activiteit en het pinpointen welke taken het meest voorkomen of het meest tijdrovend zijn.

Dit attribuut definieert de stappen in de proceskaart, waardoor het mogelijk wordt om de procesflow te visualiseren, analyseren en begrijpen.

Deze informatie wordt doorgaans vastgelegd in Pega's audit trail (geschiedenistabellen) of kan worden afgeleid van de statuswijzigingen van de case.

De Klantaanvraag is de primaire case-identifier die alle gerelateerde activiteiten en events groepeert voor het onboarding traject van één klant. Elke aanvraag volgt een pad van indiening tot goedkeuring en accountactivering of afwijzing.

In process mining is dit attribuut essentieel voor het reconstrueren van de end-to-end reis van elke aanvraag. Het stelt analisten in staat om de complete reeks events te bekijken, de status van elke aanvraag te volgen en verschillende paden te vergelijken. Het analyseren van cases op basis van deze ID helpt bij het identificeren van veelvoorkomende procesvarianten, knelpunten en afwijkingen van de standaardprocedure.

Deze ID is de basis voor process mining, aangezien het alle individuele events verbindt tot coherente, end-to-end procesinstanties voor analyse.

Dit is doorgaans de primaire case ID in Pega, vaak toegankelijk als pzInsKey of een bedrijfsmatige equivalent in het hoofd case type work object.

Dit attribuut legt de exacte datum en tijd vast waarop een activiteit begon. Het biedt de chronologische volgorde voor alle events binnen één klantaanvraag case.

Timestamps zijn fundamenteel voor prestatiegerelateerde procesanalyse. Ze worden gebruikt om de duur van activiteiten, de wachttijd tussen stappen en de totale end-to-end doorlooptijd van het onboardingproces te berekenen. Deze data is cruciaal voor het identificeren van knelpunten, het meten van SLA-naleving en het begrijpen van procesefficiëntie.

Timestamps bieden de chronologische context die nodig is om de duur te berekenen, procesprestaties te analyseren en vertragingen te identificeren.

Dit is een standaardonderdeel van Pega's audit trail, vaak te vinden als pxTimeCreated in geschiedenistabellen voor elke event.

Dit attribuut geeft de algehele status van de aanvraag aan het einde van het proces weer, zoals 'Goedgekeurd', 'Afgewezen' of 'Ingetrokken'. Het kan ook de laatst bekende status voor lopende cases weerspiegelen.

Dit is een cruciale dimensie voor resultaat-analyse. Het wordt direct gebruikt in het 'Application Rejection Analysis' dashboard om cases te segmenteren en te begrijpen waarom bepaalde resultaten optreden. Het analyseren van procesflows die leiden tot verschillende statussen helpt best practices voor goedgekeurde cases en grondoorzaken voor afgewezen cases te identificeren.

Het definieert de business outcome van een case, waardoor krachtige analyse mogelijk is om succesvolle paths te vergelijken met onsuccesvolle paths.

Dit is doorgaans de uiteindelijke status (pyStatusWork) van het case work object in Pega.

Dit attribuut identificeert de organisatorische eenheid of het team waartoe de uitvoerende gebruiker behoort, zoals 'Screening Team', 'Compliance' of 'Onboarding Operations'.

Het analyseren van het proces per afdeling is cruciaal voor het 'Workload Distribution by Department' dashboard. Het helpt managers te begrijpen hoe werk stroomt tussen verschillende teams, cross-functionele knelpunten te identificeren en de resource-allocatie over het gehele onboardingproces te beoordelen. Het is essentieel voor het optimaliseren van overdrachten en het balanceren van workloads.

Het maakt analyse van process flow en bottlenecks tussen verschillende business units mogelijk, ter ondersteuning van resource management en organizational optimization.

Deze informatie is doorgaans gekoppeld aan het gebruikersprofiel in Pega (Operator ID record) en kan worden samengevoegd met de event data. De property kan pyWorkGroup zijn.

Dit attribuut legt de exacte datum en tijd vast waarop een activiteit eindigde. Het wordt gebruikt in combinatie met de Starttijd om de verwerkingstijd voor individuele activiteiten te berekenen.

Het hebben van een aparte Eindtijd maakt een nauwkeurigere prestatieanalyse mogelijk. Het helpt onderscheid te maken tussen actieve verwerkingstijd (de duur tussen Starttijd en Eindtijd) en wachttijd (de duur tussen de Eindtijd van één activiteit en de Starttijd van de volgende). Dit is cruciaal voor het pinpointen van echte knelpunten en deze te onderscheiden van wachtrijen.

Maakt de precieze berekening van de activity processing time mogelijk, wat essentieel is voor gedetailleerde performance analysis en bottleneck identificatie.

Dit kan beschikbaar zijn in Pega's audit trail of moet mogelijk worden afgeleid door de Starttijd van de volgende event te gebruiken als de Eindtijd van de huidige.

Dit attribuut slaat de ID op van de medewerker of systeemgebruiker die verantwoordelijk is voor het voltooien van een specifieke taak in het KYC-proces, zoals een compliance-officer of een geautomatiseerde screening-bot. Voor geautomatiseerde stappen kan dit een systeem- of serviceaccount-ID zijn.

Analyseren per gebruiker helpt bij het begrijpen van de workload-distributie, individuele prestaties en trainingsbehoeften. Het kan ook worden gebruikt om procesafwijkingen te onderzoeken door te identificeren welke gebruikers of teams betrokken zijn bij niet-standaard procesflows.

Dit attribuut koppelt procesactiviteiten aan specifieke individuen of teams, wat workload-analyse, prestatie-evaluatie en compliance-controles mogelijk maakt.

Dit is een standaardveld in Pega's audit trail, doorgaans opgeslagen als pxUpdateOperator of een vergelijkbare property in geschiedenistabellen.

Wanneer de uiteindelijke status van een aanvraag 'Afgewezen' is, geeft dit attribuut de specifieke reden, zoals 'Mislukte Achtergrondcontrole', 'Onvolledige Documentatie' of 'Hoog Risicoprofiel'.

Dit attribuut is de primaire drijfveer voor het 'Application Rejection Analysis' dashboard. Door afgewezen cases per reden te segmenteren, kan het bedrijf de meest voorkomende faalpunten in het onboardingproces identificeren. Dit inzicht is cruciaal voor het implementeren van gerichte verbeteringen om het afwijzingspercentage te verlagen, de klantervaring te verbeteren en de operationele efficiëntie te verhogen.

Biedt bruikbare inzichten in waarom aanvragen mislukken, wat gerichte procesverbeteringen mogelijk maakt om de slagingspercentage te verhogen.

Dit zou waarschijnlijk een specifieke property zijn die op de case wordt ingesteld wanneer deze overgaat naar een 'Afgewezen' status. Raadpleeg de Pega KYC-documentatie voor standaardvelden voor afwijzingsredenen.

Dit attribuut vertegenwoordigt het ingeschatte risico dat gepaard gaat met de klant, vaak gecategoriseerd als 'Laag', 'Gemiddeld' of 'Hoog'. Het risiconiveau wordt doorgaans bepaald door een geautomatiseerde scoring-engine op basis van klantdata en screeningresultaten.

Het risiconiveau is een krachtige drijfveer voor procesvariatie. Aanvragen met een hoog risico vereisen vaak aanvullende due diligence-stappen, zoals een uitgebreide compliance review, wat leidt tot langere doorlooptijden. Het analyseren van het proces per risiconiveau helpt om deze variaties te rechtvaardigen en ervoor te zorgen dat risicocontroles effectief functioneren zonder onnodige vertragingen te veroorzaken.

Verklaart variaties in het process path en de duration, aangezien het risk level vaak het vereiste niveau van due diligence bepaalt.

Dit zou een berekende property zijn op de case, ingevuld door een Pega beslissingsregel of scoring-model. Raadpleeg de Pega KYC-documentatie.

Dit attribuut slaat de streefdatum voor voltooiing van een aanvraag op, zoals gedefinieerd door de service level agreement (SLA). De SLA kan variëren op basis van factoren zoals klanttype, risiconiveau of product.

Deze datum is essentieel voor het 'SLA Adherence Tracking' dashboard en de bijbehorende KPI. Het dient als de benchmark waartegen de feitelijke voltooiingsdatum wordt vergeleken. Het analyseren van cases die hun SLA-doel missen, helpt systemische vertragingen te identificeren en procesverbeteringen te prioriteren om naleving van service commitments te garanderen.

Het biedt de benchmark voor het meten van on-time performance, wat cruciaal is voor klanttevredenheid en operationele control.

Pega heeft een ingebouwd SLA-beheerframework. Deze datum wordt doorgaans opgeslagen in properties zoals pySLAGoal of een aangepaste SLA-property op de case.

Deze metric berekent de actieve werktijd voor een event, gemeten als het verschil tussen de Eindtijd en Starttijd. Het vertegenwoordigt de tijd dat een resource actief bezig was met een taak.

Processing Time, ook bekend als de doorlooptijd van een activiteit, is essentieel voor gedetailleerde prestatieanalyse. Het helpt onderscheid te maken tussen lange taken (hoge verwerkingstijd) en lange wachtrijen (hoge wachttijd). Dit maakt gerichtere verbeteringsinspanningen mogelijk, zoals het aanbieden van betere tools om een taak te versnellen versus het heralloceren van resources om een wachtrij te verkorten.

Meet de active work duration van activities, wat helpt om onderscheid te maken tussen inefficiënte taken en resource of queuing problems.

Deze metric wordt berekend als (Eindtijd - Starttijd) voor elke event. Hiervoor moeten beide timestamp-velden beschikbaar zijn.

Dit attribuut specificeert de bronapplicatie waar de event is vastgelegd. Voor dit proces zou de waarde consistent 'Pega KYC' zijn.

Hoewel het overbodig lijkt als alle data uit één systeem komt, is dit attribuut cruciaal voor data governance en wordt het van vitaal belang bij het integreren van data uit meerdere systemen. Het zorgt voor duidelijkheid over de data-herkomst en helpt bij het oplossen van problemen met data-integratie.

Het biedt essentiële context over data origin, waarborgt data governance en maakt analyse over meerdere source systems mogelijk.

Dit is meestal een statische waarde die tijdens data-extractie en transformatie wordt toegevoegd om de herkomst van de dataset te labelen.

Dit attribuut categoriseert de onboarding-aanvraag, bijvoorbeeld 'Individuele Klant', 'Zakelijke Klant' of 'Particulier met Hoog Vermogen'. Verschillende case types volgen vaak verschillende procesvarianten met afwijkende stappen, SLA's en risicoprofielen.

Het analyseren van het proces per Case Type maakt een zinvollere vergelijking van prestaties mogelijk. Het helpt te begrijpen of bepaalde soorten onboarding gevoeliger zijn voor vertragingen of afwijzingen. Deze segmentatie is cruciaal voor het afstemmen van procesverbeteringen op de specifieke behoeften van verschillende klantreizen.

Maakt de segmentatie van de process data in afzonderlijke categorieën mogelijk, waardoor een nauwkeurigere en relevantere performance analysis wordt gefaciliteerd.

Dit is doorgaans de class name van de case-instantie in Pega, of een dedicated property op de case die het type definieert.

Dit attribuut volgt de status van de documenten die nodig zijn voor het KYC-proces, met waarden zoals 'Wacht op klant', 'Ontvangen', 'Geverifieerd', of 'Afgewezen'. Deze status kan meerdere keren veranderen gedurende één case.

Dit is een sleutelattribuut voor het 'Onboarding Throughput & Status' dashboard en de 'Document Verification Speed' analyse. Het maakt een gedetailleerd overzicht mogelijk van een van de meest voorkomende knelpunten. Door bij te houden hoe lang documenten in elke status blijven, kan het bedrijf vertragingen in de klantinlevering of interne beoordeling identificeren.

Biedt inzicht in het subproces van documentverwerking, wat helpt bij het identificeren en oplossen van veelvoorkomende vertragingen bij documentverificatie.

Dit zou waarschijnlijk een property zijn op een gerelateerd data-object of page list gekoppeld aan de hoofd-case, die elk vereist document volgt. Raadpleeg de Pega KYC-documentatie.

Deze berekende metric meet de end-to-end duur voor elke klantaanvraag, van de allereerste event tot de laatste. Het wordt doorgaans berekend als het verschil tussen de timestamp van de laatste activiteit en de initiële activiteit voor een gegeven case.

Cycle Time is een primaire key performance indicator (KPI) voor procesefficiëntie en klantervaring. Het wordt gebruikt in het 'Overall Onboarding Cycle Time Analysis' dashboard om gemiddelde verwerkingstijden te monitoren, langlopende cases te identificeren en de impact van procesverbeteringsinitiatieven over de tijd te volgen.

Dit is een kritieke KPI die direct de algehele snelheid en efficiëntie van het onboardingproces meet vanuit het perspectief van de klant.

Deze metric wordt berekend in de process mining tool door het verschil te nemen tussen de maximale en minimale timestamps voor elke case ID.

Dit booleaanse attribuut is waar als de activiteit werd uitgevoerd door een geautomatiseerde agent, zoals een screening-engine of een systeemregel, en onwaar als deze werd uitgevoerd door een menselijke gebruiker.

Onderscheid maken tussen geautomatiseerde en handmatige activiteiten is cruciaal voor automatiseringsanalyse. Het helpt de effectiviteit van bestaande automatisering te meten, handmatige taken te identificeren die goede kandidaten zijn voor toekomstige automatisering, en de interactie tussen menselijke en systeemactoren in het proces te begrijpen.

Het scheidt mensgestuurde activities van systeemgestuurde activities, wat fundamenteel is voor elk automation initiative of analyse.

Dit kan worden afgeleid van de gebruiker-ID die aan de event is gekoppeld. Als de OperatorId overeenkomt met een bekend systeem- of agentaccount, wordt deze flag op 'waar' gezet.

Deze boolean attribute is true wanneer een specifieke activiteit, zoals 'Document Review', vaker dan één keer voorkomt binnen dezelfde case. Dit wordt vaak veroorzaakt door events zoals 'Additional Information Requested'.

Het identificeren van rework is essentieel voor het opsporen van inefficiënties in processen en frictiepunten voor de klant. Het 'Process Rework and Loops' dashboard gebruikt deze attribute om de frequentie en impact van rework te kwantificeren. Het verminderen van rework is vaak een belangrijk doel, omdat dit leidt tot een snellere verwerking, lagere operationele kosten en een betere klantervaring.

Belicht process inefficiënties, redundante taken en loops, die primaire targets zijn voor process improvement.

Deze flag wordt afgeleid tijdens data-analyse door te controleren op herhaalde activiteitnamen binnen dezelfde case-ID. Bijvoorbeeld, als 'Document Review Voltooid' een tweede keer verschijnt.

Dit attribuut is de unieke ID die de aanvraag koppelt aan een klantrecord in het masterdata-systeem. Het vertegenwoordigt de entiteit, of het nu een individu of een organisatie is, die het onderwerp is van het KYC-proces.

Terwijl de aanvraag-ID het proces volgt, maakt de Klant-ID analyse mogelijk over meerdere aanvragen van dezelfde klant of voor het verrijken van de procesdata met klantspecifieke attributes zoals segment of geschiedenis. Dit maakt een klantgerichte weergave van het onboardingproces mogelijk.

Verbindt de process data met de customer master data, waardoor rijkere analyse mogelijk is op basis van customer attributes en history.

Dit zou een kern-property zijn op de KYC case, die deze koppelt aan het klantdata-model binnen Pega of een externe CRM.

Dit attribuut slaat het land op dat geassocieerd is met de klant die wordt onboarded. Deze informatie is een belangrijke input voor risicobeoordeling en het bepalen van het vereiste niveau van due diligence.

In analyse kan het land van de klant belangrijke patronen onthullen. Bepaalde jurisdicties kunnen geassocieerd zijn met een hoger risico, wat leidt tot langere en complexere onboardingprocessen. Deze dimensie maakt geografisch gebaseerde prestatieanalyse mogelijk en helpt ervoor te zorgen dat regionale compliance-vereisten efficiënt worden nageleefd.

Maakt geografische analyse van het process mogelijk, wat vaak gekoppeld is aan regulatory complexity en risk levels.

Dit zou een property zijn op het klantdata-object dat aan de case is gekoppeld.

Dit attribuut geeft de meest recente tijd aan dat de data uit het bronsysteem is geëxtraheerd. Het is meestal hetzelfde voor alle records binnen één data-load.

Deze timestamp is belangrijk voor het begrijpen van de actualiteit van de geanalyseerde data. Het stelt gebruikers in staat om te weten hoe actueel de procesanalyse is en wanneer de volgende data-update wordt verwacht, wat cruciaal is voor operationele monitoring dashboards.

Informeert gebruikers over de actualiteit van de data, zodat zij begrijpen of de analyse de huidige state of een eerdere periode weerspiegelt.

Deze waarde wordt gegenereerd en gestempeld op de dataset tijdens het data-extractie-, transformatie- en laadproces (ETL).

Dit attribuut specificeert het product of de dienst waarvoor de klant wordt onboarded, zoals een 'Retail Bankrekening', 'Zakelijke Lening' of 'Beleggingsdiensten'.

Het product kan het onboardingproces beïnvloeden, aangezien verschillende producten verschillende regelgevende vereisten en complexiteit kunnen hebben. Het analyseren van het proces per product helpt te identificeren of specifieke productlijnen langere doorlooptijden of hogere afwijzingspercentages hebben, wat inzichten biedt voor productspecifieke procesoptimalisatie.

Maakt het mogelijk om process analyse te segmenteren per productlijn, waardoor performance verschillen en optimalisatiekansen worden onthuld.

Dit zou een property zijn op de case, geselecteerd aan het begin van het aanvraagproces.

Dit attribuut categoriseert elke voltooide case als 'Op tijd' of 'Laat' op basis van een vergelijking tussen de feitelijke voltooiing timestamp en de 'SLA Doeldatum'.

Dit is de kernmetric voor het 'SLA Adherence Tracking' dashboard en de 'SLA Adherence Rate' KPI. Het biedt een duidelijk, direct overzicht van de prestaties ten opzichte van service level commitments. Het analyseren van de kenmerken van late cases helpt de grondoorzaken van vertragingen te identificeren en risico's op toekomstige SLA-schendingen te mitigeren.

Meet de performance direct af tegen gemaakte afspraken, wat cruciaal is voor operationeel management, compliance en klanttevredenheid.

Dit wordt afgeleid door de timestamp van de uiteindelijke case-activiteit te vergelijken met het SlaTargetDate-veld. Als de voltooiingstijd na het doel is, is de status 'Laat'.