FinTech SaaS und praediktive Risiko-Intelligenz
AegisFlow (InvoiceIQ)
KI-gestuetzte Financial Intelligence und Risikomanagement SaaS
AegisFlow ist als Enterprise-FinTech-SaaS-Plattform live und liefert KI-gestuetzte Risiko-Intelligenz fuer den taeglichen Finanzbetrieb. Teams nutzen die Loesung, um Kundenrisiken zu klassifizieren, 30-, 60- und 90-Tage-Liquiditaet zu prognostizieren und Cashflow auch unter kritischen Marktszenarien stabil zu steuern.
Ausgangslage
Finanzteams brauchten eine Plattform, die Enterprise-Zuverlaessigkeit, auditfaehige Prozesse und fortgeschrittene ML-Prognosen vereint, ohne den operativen Alltag zu verlangsamen.
Loesung
Wir haben eine produktive Split-Architektur geliefert: Next.js SaaS-Frontend fuer Finance-Teams, Python-FastAPI-Intelligence-Services fuer rechenintensive ML-Workloads und eine Supabase-Sicherheits- und Datenschicht mit strikter Row Level Security. Ergebnis ist ein schneller und verlaesslicher Financial-Intelligence-Cockpit fuer reale Workflows.
Technologie und Architektur
Frontend
- • Next.js und React fuer eine schnelle SaaS-UI
- • Tailwind CSS mit hochwertigem Glassmorphism-Designsystem
- • Recharts fuer Liquiditaets- und Trajektorien-Visualisierung
- • PKR-First-Lokalisierung und produktive Bereitstellung auf Vercel
Backend und KI
- • Python- und FastAPI-Services auf Railway
- • K-Means-Clustering fuer mathematische Risikostufen
- • LSTM-Modelle fuer 30-, 60- und 90-Tage-Liquiditaetsprognosen
- • GAN-Simulation fuer Stresstests bei makrooekonomischen Schocks
Daten und Sicherheit
- • Supabase PostgreSQL als zentrales transaktionales Datengrid
- • Strikte Row Level Security fuer mandantensicheren Zugriff
- • Supabase Auth mit produktionssicherem Magic-Link-Routing
Engineering-Phasen
Phase 1: Fundament und UI-Grid
Relationale Datenstrukturen fuer Kunden und Rechnungen aufgebaut und danach eine hochwertige Operator-UI mit gebrandeter Rechnungserstellung und Profil-Workflows geliefert.
Phase 2: KI-Processing-Pipeline
Die Next.js-Produktschicht mit einer dedizierten Python-Intelligence-API verbunden, sodass Live-Daten aus der Datenbank in Echtzeit in K-Means- und LSTM-Modelle fliessen.
Phase 3: System-Debugging und Optimierung
Schema-Uebertragungsfehler, Chart-Rendering-Race-Conditions und statische Datumslogik wurden geloest, indem Payload-Vertraege exakt ausgerichtet, sichere Chart-Dimensionen erzwungen und ein Live-Time-Sync-Circuit entwickelt wurden.
Phase 4: Produktionsreife
Authentifizierungs-Redirects auf produktive Domain-Routen umgestellt, Telemetrie ueber Vercel Analytics integriert und eine In-App-Feedbackschleife direkt mit PostgreSQL live geschaltet.
System-Debugging Highlights
- • 422-Schema-Sync-Problem durch strikte JSON-zu-Pydantic-Vertragsausrichtung und explizites Number-Casting behoben.
- • Recharts-Negativbreitenfehler durch erzwungene Mindest-Render-Grenzen beseitigt.
- • Dynamische Time-Sync-Logik hinzugefuegt, um Overdue-Status und Payment-Delay-Metriken gegen Live-Daten zu berechnen.
Roadmap
- • GAN-Stresstest-Simulationen auf branchenspezifische regionale Schocks erweitern.
- • K-Means-Clustering ueber geplante Supabase-Edge-Functions automatisieren.