Datatemplate voor KYC-klantonboarding

Dit attribuut bevat de naam van een bedrijfsactiviteit of systeemevent, zoals 'Aanvraag ingediend', 'Compliancebeoordeling gestart' of 'Aanvraag afgewezen'. Het staat voor één stap in het volledige onboardingproces van de klant.

Activiteiten analyseren is de kern van process mining. Met dit attribuut bouw je de proceskaart op, die de stroom tussen verschillende stappen laat zien. Zo kun je de volgorde van events bepalen, meten hoe vaak elke activiteit voorkomt en zien welke taken het vaakst voorkomen of de meeste tijd kosten.

Dit attribuut bepaalt welke stappen op de proceskaart staan, zodat je de processtroom kunt visualiseren, analyseren en begrijpen.

Deze informatie wordt doorgaans vastgelegd in het auditspoor van Pega (historietabellen) of kan worden afgeleid uit statuswijzigingen van de case.

De klantaanvraag is de primaire case-identificatiecode die alle activiteiten en events voor het onboardingtraject van één klant groepeert. Elke aanvraag doorloopt een traject vanaf de indiening tot goedkeuring en accountactivering of afwijzing.

Bij process mining is dit attribuut essentieel om het volledige traject van elke aanvraag te reconstrueren. Analisten kunnen de complete reeks events bekijken, de status van elke aanvraag volgen en verschillende trajecten vergelijken. Door cases op basis van deze ID te analyseren, worden veelvoorkomende procesvarianten, bottlenecks en afwijkingen van de standaardprocedure zichtbaar.

Deze ID vormt de basis voor process mining: hiermee worden afzonderlijke events gekoppeld tot samenhangende procesinstanties die van begin tot eind kunnen worden geanalyseerd.

Dit is doorgaans de primaire case-ID in Pega. Deze is vaak beschikbaar als pzInsKey of als een gebruiksvriendelijkere bedrijfsnaam in het hoofdwerkobject van het casetype.

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

Timestamps zijn onmisbaar voor procesanalyses rond prestaties. Je gebruikt ze om de duur van activiteiten, de wachttijd tussen stappen en de totale doorlooptijd van het onboardingproces te berekenen. Deze data is belangrijk om bottlenecks te vinden, naleving van SLA’s te meten en de procesefficiëntie te beoordelen.

Timestamps geven de chronologische context die nodig is om doorlooptijden te berekenen, procesprestaties te analyseren en vertragingen te vinden.

Dit is een standaardonderdeel van het auditspoor van Pega en staat in historietabellen vaak als pxTimeCreated bij elk event.

Dit attribuut geeft de algemene status van de aanvraag aan het einde van het proces aan, bijvoorbeeld 'Goedgekeurd', 'Afgewezen' of 'Ingetrokken'. Bij lopende cases kan het ook de laatst bekende status weergeven.

Dit is een belangrijke dimensie voor uitkomstanalyse. Het wordt rechtstreeks gebruikt in het dashboard 'Analyse van afgewezen aanvragen' om cases te groeperen en te onderzoeken waarom bepaalde uitkomsten voorkomen. Door processtromen naar verschillende statussen te analyseren, vind je best practices voor goedgekeurde cases en de oorzaken van afwijzingen.

Dit attribuut bepaalt de bedrijfsuitkomst van een case. Zo kun je succesvolle en niet-succesvolle trajecten goed met elkaar vergelijken.

Dit is doorgaans de eindstatus (pyStatusWork) van het casewerkobject in Pega.

Dit attribuut geeft aan bij welke organisatie-eenheid of welk team de uitvoerende gebruiker hoort, zoals 'Screeningteam', 'Compliance' of 'Onboardingbedrijfsvoering'.

Procesanalyse per afdeling is belangrijk voor het dashboard 'Werkverdeling per afdeling'. Managers zien hiermee hoe het werk tussen teams verloopt, waar bottlenecks tussen afdelingen ontstaan en hoe de beschikbare capaciteit over het onboardingproces wordt verdeeld. Dit helpt om overdrachten te verbeteren en de werkdruk in balans te brengen.

Hiermee kun je processtromen en bottlenecks tussen bedrijfseenheden analyseren. Dat ondersteunt het beheer van middelen en de inrichting van de organisatie.

Deze informatie is doorgaans gekoppeld aan het gebruikersprofiel in Pega (Operator ID-record) en kan aan de eventdata worden gekoppeld. De eigenschap kan pyWorkGroup zijn.

Dit attribuut legt de exacte datum en tijd vast waarop een activiteit eindigde. Samen met de starttijd wordt hiermee de verwerkingstijd van afzonderlijke activiteiten berekend.

Met een aparte eindtijd kun je prestaties nauwkeuriger analyseren. Zo maak je onderscheid tussen actieve verwerkingstijd (de tijd tussen starttijd en eindtijd) en wachttijd (de tijd tussen de eindtijd van de ene activiteit en de starttijd van de volgende). Dat is belangrijk om echte bottlenecks te vinden en ze te onderscheiden van wachtrijen.

Hiermee bereken je de verwerkingstijd van activiteiten nauwkeurig. Dat is nodig voor een gedetailleerde prestatieanalyse en het vinden van bottlenecks.

Deze informatie staat mogelijk in het auditspoor van Pega. Je kunt de eindtijd ook afleiden door de starttijd van het volgende event te gebruiken als eindtijd van het huidige event.

Dit attribuut bevat de ID van de medewerker of systeemgebruiker die verantwoordelijk was voor een specifieke taak in het KYC-proces, zoals een compliance officer of een geautomatiseerde screeningbot. Bij geautomatiseerde stappen kan dit de ID van een systeem- of serviceaccount zijn.

Analyse per gebruiker geeft inzicht in de verdeling van het werk, individuele prestaties en opleidingsbehoeften. Je kunt er ook procesafwijkingen mee onderzoeken door te bepalen welke gebruikers of teams betrokken zijn bij afwijkende processtromen.

Dit attribuut koppelt procesactiviteiten aan specifieke personen of teams. Zo kun je de werkverdeling en prestaties analyseren en compliancecontroles uitvoeren.

Dit is een standaardveld in het auditspoor van Pega. In historietabellen wordt het doorgaans opgeslagen als pxUpdateOperator of een vergelijkbare eigenschap.

Als de eindstatus van een aanvraag 'Afgewezen' is, geeft dit attribuut de specifieke reden aan, zoals 'Achtergrondcontrole niet doorstaan', 'Onvolledige documentatie' of 'Hoog risicoprofiel'.

Dit attribuut is de belangrijkste basis voor het dashboard 'Analyse van afgewezen aanvragen'. Door afgewezen cases op reden te groeperen, kan de organisatie de meest voorkomende oorzaken van mislukking in het onboardingproces vinden. Met deze informatie kun je gerichte verbeteringen doorvoeren om het afwijzingspercentage te verlagen, de klantervaring te verbeteren en de bedrijfsvoering efficiënter te maken.

Maakt duidelijk waarom aanvragen mislukken en helpt je gerichte procesverbeteringen door te voeren om het slagingspercentage te verhogen.

Dit is waarschijnlijk een specifieke eigenschap die aan de case wordt toegekend wanneer de status verandert in 'Afgewezen'. Raadpleeg de documentatie van Pega KYC voor standaardvelden voor afwijzingsredenen.

Dit attribuut geeft het beoordeelde risico van de klant weer, meestal ingedeeld als 'Laag', 'Gemiddeld' of 'Hoog'. Het risiconiveau wordt doorgaans bepaald door een geautomatiseerde scoreberekening op basis van klantdata en screeningsresultaten.

Het risiconiveau bepaalt vaak hoe het proces verloopt. Voor aanvragen met een hoog risico zijn vaak extra onderzoeksstappen nodig, zoals een uitgebreidere compliancebeoordeling. Daardoor lopen de doorlooptijden op. Door het proces per risiconiveau te analyseren, kun je deze verschillen verklaren en controleren of risicobeheersmaatregelen goed werken zonder onnodige vertragingen te veroorzaken.

Verklaart verschillen in procesverloop en doorlooptijd, omdat het risiconiveau vaak bepaalt welk klantonderzoek nodig is.

Dit is een berekende eigenschap van de case, ingevuld door een beslisregel of scoremodel in Pega. Raadpleeg de documentatie van Pega KYC.

Dit attribuut bevat de streefdatum voor het afronden van een aanvraag, zoals vastgelegd in de service level agreement (SLA). De SLA kan verschillen op basis van factoren zoals het klanttype, het risiconiveau of het product.

Deze datum is belangrijk voor het dashboard 'SLA-naleving volgen' en de bijbehorende KPI. De datum dient als referentie om de werkelijke afrondingsdatum mee te vergelijken. Door cases te analyseren die hun SLA-streefdatum niet halen, vind je structurele vertragingen en kun je procesverbeteringen prioriteren om afspraken over dienstverlening na te komen.

Dit is de referentie voor het meten van tijdige afronding, wat belangrijk is voor klanttevredenheid en operationele controle.

Pega heeft ingebouwde functies voor SLA-beheer. Deze datum wordt doorgaans opgeslagen in eigenschappen zoals pySLAGoal of in een aangepaste SLA-eigenschap van de case.

Dit attribuut geeft aan in welke brontoepassing het event is vastgelegd. Voor dit proces is de waarde altijd 'Pega KYC'.

Als alle data uit één systeem komt, lijkt dit attribuut misschien overbodig. Toch is het belangrijk voor datagovernance en onmisbaar zodra je data uit meerdere systemen combineert. Het maakt de herkomst van data duidelijk en helpt problemen met data-integratie op te lossen.

Dit attribuut geeft belangrijke context over de herkomst van data. Zo ondersteunt het datagovernance en analyse over meerdere bronsystemen.

Dit is doorgaans een vaste waarde die tijdens de data-extractie en -transformatie wordt toegevoegd om de herkomst van de dataset aan te geven.

Dit attribuut deelt de onboardingaanvraag in categorieën in, bijvoorbeeld 'Particuliere klant', 'Zakelijke klant' of 'Vermogende particulier'. Verschillende casetypen volgen vaak verschillende procesvarianten, met eigen stappen, SLA’s en risicoprofielen.

Door het proces per casetype te analyseren, kun je prestaties beter vergelijken. Je ziet of bepaalde soorten onboarding vaker vertraging oplopen of worden afgewezen. Met deze indeling kun je procesverbeteringen afstemmen op de behoeften van verschillende klanttrajecten.

Hiermee kun je procesdata in afzonderlijke categorieën verdelen en prestaties nauwkeuriger en relevanter analyseren.

Dit is doorgaans de klassenaam van de case-instantie in Pega of een aparte eigenschap van de case die het type aangeeft.

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

Dit attribuut is belangrijk voor het dashboard 'Onboarding: doorvoer en status' en de analyse 'Snelheid van documentcontrole'. Het geeft een gedetailleerd beeld van een van de meest voorkomende bottlenecks. Door bij te houden hoelang documenten in elke status blijven, kan de organisatie vertragingen bij het aanleveren door klanten of bij de interne beoordeling vinden.

Geeft inzicht in het deelproces voor documentverwerking en helpt veelvoorkomende vertragingen bij documentcontrole te vinden en op te lossen.

Dit is waarschijnlijk een eigenschap van een gerelateerd dataobject of een paginalijst die aan de hoofdcase is gekoppeld en elk vereist document bijhoudt. Raadpleeg de documentatie van Pega KYC.

Deze berekende metriek meet de totale doorlooptijd van elke klantaanvraag, van het eerste tot het laatste event. Meestal wordt de tijd berekend door de timestamp van de eerste activiteit af te trekken van die van de laatste activiteit voor een case.

De doorlooptijd is een belangrijke KPI voor procesefficiëntie en klantervaring. Het dashboard 'Analyse van de totale onboarding-doorlooptijd' gebruikt deze metriek om de gemiddelde verwerkingstijd te volgen, langlopende cases te vinden en de effecten van procesverbeteringen in de tijd te meten.

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

Deze metriek wordt in de process mining-tool berekend door per case-ID de vroegste timestamp af te trekken van de laatste.

Dit booleaanse attribuut is waar als een geautomatiseerde agent, zoals een screeningsysteem of systeemregel, de activiteit heeft uitgevoerd. Het is onwaar als een menselijke gebruiker de activiteit heeft uitgevoerd.

Het onderscheid tussen geautomatiseerde en handmatige activiteiten is belangrijk voor automatiseringsanalyse. Je kunt hiermee de effectiviteit van bestaande automatisering meten, handmatige taken vinden die geschikt zijn voor toekomstige automatisering en de samenwerking tussen mensen en systemen in het proces begrijpen.

Maakt onderscheid tussen activiteiten die door mensen en door systemen worden uitgevoerd. Dat is de basis voor initiatieven en analyses rond automatisering.

Dit kan worden afgeleid uit de gebruikers-ID die aan het event is gekoppeld. Als de OperatorId overeenkomt met een bekend systeem- of agentaccount, krijgt deze aanduiding de waarde waar.

Dit booleaanse attribuut is waar als een specifieke activiteit, zoals 'Documentbeoordeling', meer dan één keer binnen dezelfde case voorkomt. Dit gebeurt vaak na events zoals 'Aanvullende informatie opgevraagd'.

Herhaalwerk herkennen is belangrijk om inefficiënties in processen en obstakels voor klanten te vinden. Het dashboard 'Herhaalwerk en proceslussen' gebruikt dit attribuut om de frequentie en impact van herhaalwerk te meten. Herhaalwerk verminderen is vaak een belangrijk doel: het zorgt voor snellere verwerking, lagere bedrijfskosten en een betere klantervaring.

Maakt inefficiënte processen, overbodige taken en proceslussen zichtbaar, zodat je weet waar procesverbetering nodig is.

Deze aanduiding wordt tijdens de data-analyse afgeleid door te controleren of dezelfde activiteit binnen één case-ID vaker voorkomt. Bijvoorbeeld wanneer 'Documentbeoordeling afgerond' een tweede keer verschijnt.

Dit attribuut is de unieke ID die de aanvraag koppelt aan een klantrecord in het masterdatasysteem. Het verwijst naar de persoon of organisatie waarop het KYC-proces betrekking heeft.

De aanvraag-ID volgt het proces, terwijl je met de klant-ID meerdere aanvragen van dezelfde klant kunt analyseren of procesdata kunt aanvullen met klantkenmerken, zoals segment of geschiedenis. Zo krijg je een klantgericht beeld van het onboardingproces.

Koppelt procesdata aan de klantmasterdata. Zo kun je de analyse verrijken met klantkenmerken en -geschiedenis.

Dit is een belangrijke eigenschap van de KYC-case. Hiermee wordt de case gekoppeld aan het klantdatamodel in Pega of aan een extern CRM-systeem.

Dit attribuut geeft aan wanneer de data voor het laatst uit het bronsysteem is gehaald. De waarde is meestal voor alle records in één datalading hetzelfde.

Deze timestamp laat zien hoe actueel de geanalyseerde data is. Gebruikers kunnen nagaan hoe recent de procesanalyse is en wanneer de volgende data-update wordt verwacht. Dat is belangrijk voor dashboards voor operationele monitoring.

Laat gebruikers zien hoe actueel de data is, zodat duidelijk is of de analyse de huidige situatie of een eerdere periode weergeeft.

Deze waarde wordt tijdens het ETL-proces (extractie, transformatie en laden) gegenereerd en aan de dataset toegevoegd.

Dit attribuut bevat het land dat bij de klant hoort die wordt onboarded. Deze informatie is een belangrijke invoer voor de risicobeoordeling en bepaalt welk niveau van klantonderzoek nodig is.

Analyse van het land van de klant kan belangrijke patronen aan het licht brengen. In bepaalde rechtsgebieden kan het risico hoger zijn, waardoor onboarding langer duurt en ingewikkelder wordt. Met deze dimensie kun je prestaties per regio analyseren en nagaan of regionale compliancevereisten efficiënt worden nageleefd.

Maakt geografische analyse van het proces mogelijk, wat vaak samenhangt met de complexiteit van regelgeving en risiconiveaus.

Dit is een eigenschap van het klantdataobject dat aan de case is gekoppeld.

Dit attribuut geeft aan voor welk product of welke dienst de klant wordt onboarded, zoals een 'Particuliere bankrekening', 'Zakelijke lening' of 'Beleggingsdiensten'.

Het product kan invloed hebben op het onboardingproces, omdat producten verschillende wettelijke vereisten en niveaus van complexiteit kunnen hebben. Door het proces per product te analyseren, zie je of bepaalde productlijnen langere doorlooptijden of hogere afwijzingspercentages hebben. Dat geeft aanknopingspunten om processen per product te verbeteren.

Hiermee kun je het proces per productlijn analyseren en verschillen in prestaties en mogelijkheden voor verbetering vinden.

Dit is een eigenschap van de case die aan het begin van het aanvraagproces wordt geselecteerd.

Dit attribuut deelt elke afgeronde case in als 'Op tijd' of 'Te laat', op basis van een vergelijking tussen de werkelijke afrondingstimestamp en de 'SLA-streefdatum'.

Dit is de belangrijkste metriek voor het dashboard 'SLA-naleving volgen' en de KPI 'SLA-nalevingspercentage'. Je ziet in één oogopslag hoe de prestaties zich verhouden tot de afspraken over dienstverlening. Door kenmerken van te late cases te analyseren, vind je de oorzaken van vertragingen en verklein je de kans op toekomstige SLA-overschrijdingen.

Meet rechtstreeks of afspraken worden nagekomen. Dat is belangrijk voor het beheer van de bedrijfsvoering, compliance en klanttevredenheid.

Dit wordt bepaald door de timestamp van de laatste caseactiviteit te vergelijken met het veld SlaTargetDate. Als de case na de streefdatum wordt afgerond, is de status 'Te laat'.