Business Intelligence ve finančních institucích

1. Business Intelligence ve finančních institucích Ing. Luboš Mrázek, MBA Seminář BI, 24.3.2006

2. Agenda • Úvod • Profil BI služeb (road map) • Architektura DWH • Data marts, Výstupy • Profitabilita • Čištění dat • Data minig

3. Představení přednášejícího • 1999-2002, Finanční skupina GE Capital (GE Money) • DWH pro: GE Capital Bank, GE Capital Leasing, GE Capital Multiservis • Pozice: DWH Analytik, DWH Project Manager, DWH Business Owner • 2002-4, Finanční skupina České spořitelny • DWH pro: Česká spořitelna, Penzijní fond CS, Stavební spořitelna CS, Leasing CS, Pojišťovna CS, … • Pozice: DWH Project Manager • 2004, eBanka, a.s. • DWH pro: eBanka, karetní produkty České pojišťovny a Homecredit (skupina PPF) • Pozice: ředitel divize Business Intelligence

4. Profitabilitní potenciál 1 Profitabilita v Kč Zaměřte na B? Potenciál? A B Klienti

5. Profitabilitní potenciál 2 Profitabilita v Kč Zaměřte na A! Potenciál A B Klienti Segment 1 Segment 2

6. Výchozí charakteristiky • Přechod od produktově orientovaných systému na klientsky orientované systémy • Více systémů v organizaci • Čistota dat • Jména, Příjemní, Tituly, RČ • Názvy firem, Právní formy, IČO, DIČ, OKEČ • Adresy a komponenty adres • Telefonní čísla, maily, SPZ, … • Velké množství dat, ale málo informací

7. Business Intelligence Road map

8. Transakční x Analytická data Transakční systémy • Optimalizované pro transakční zpracování • Nevhodné pro analýzy OLTP CDWH (R)OLAP Transakční data Analýzy Reporty • Centrální DWH • Jednotná historizace • Sjednocení příbuzných dat • Optimalizované pro velká data (partitioning, bitmap. indexy) • Data Mart • Multidimenzionální pohledy • Star schémata

9. ETL Architektura – Kimbal DWH dimenze dimenze dimenze dimenze dimenze dimenze dimenze Data Mart Data Mart Data Mart Data Mart dimenze dimenze dimenze dimenze dimenze dimenze dimenze dimenze Stage Area Datový zdroj Datový zdroj Datový zdroj Datový zdroj

10. Architektura - Inmon Datamart Datamart Datamart Aplikace DWH ODS Aplikace Stage Area ETL ETL Datový zdroj Datový zdroj Datový zdroj

11. Další příklad architekury - MODEL 1 Konsolidovaný DWH DWHBanka DWHDceřinná společnost 2 DWHDceřinná společnost 1 DWHDceřinná společnost 3 Datové zdroje Datové zdroje Datové zdroje Datové zdroje

12. Další příklad architektury - MODEL 2 Zdroje: Účty depozitní Účty úvěrové Debetní karty Kreditní karty ADC - HB, IB ADC - PH.B. Účetní Data (GL) Personální systém TransakčníCRM Data Marts ODS DWH (Analytické CRM) Dceřinná společnost1 Dceřinná společnost2 Dceřinná společnost3 • Veřejné zdroje:- RES • OVEL • Black-lists • Adresy • Jména, Tituly • ...

13. Obecný princip – Star schéma

14. Data Marty ve Star schématu

15. Výstupy

16. Profitabilita • Profitabilita • Úrokové výnosy (úroky přijaté) • Úrokové náklady (úroky vyplacené) • => Úroková marže • Neúrokové výnosy (poplatky, kursové zisky, sankce) • Neúrokové přímé náklady (poplatky, ABC, …) • => CV • Opravné položky (ztrátové úvěry) • => RACV • Nepřímé náklady • => NIBT (Zisk před zdaněním) • Daň z příjmu • => NI (Čistý zisk)

17. Řízení finančních institucí • Finanční řízení • ROE, Finanční výkazy často nedostatečné • Profitabilita a Profitabilitní potenciál (viz dále) • Řízení Rizik • Rizika: Kreditní, Úrokové, FX, Likvidní, Kapitálové, Operační • Marketing • Cross-selling ratio, Response rate, … • Obchod • New Volume, Attrition, Running rate, „Packages“, …

18. Čištění dat • Klasifikace chyb a opatření • Chyby porušující integritu • Duplicitní parametry k účtu, 32.13.2007, částka 10128 , ... • >> Zpracování DWH se zastaví a čeká na opravu • Chyby neporušující integritu, ale proti logice systému • Datum otevření větší než datum uzavření • >> Reportují se na sestavách kvality dat k opravě ve zdroji („oprava příčiny ne následku“) • Nekvalitní data s možností čištění • Jména, Příjemní, Tituly, RČ, Názvy firem, Právní formy, IČO, DIČ, OKEČ, Adresy a komponenty adres, Telefonní čísla, maily,… • >> Ukládají se jak originální data, tak i data vyčištěná. • Na trhu se nabízí řada komerčních aplikací pro čištění (dle pravidel, dle seznamů: adresy, křestní jména, tituly, RES, OVEL, …) • Off-line x On-line

19. Unifikace Klienta Products in Source Systems Clients Instances Unified Client Base S1 S1 Unified client S2 Unified prospect S2 S3 Card 1 S3 Card 2

20. Praktické přínosy • Marketingové kampaně • vyšší response rate, správný segment (data mining) • snížení počtu vrácených zásilek (správnost adresy) • Obohacování informací (geokódy) • efektivní plánování pobočkové sítě a sítě bankomatů • geomarketing (vazba na demografické ukazatele) • Basel II • konsolidovaný rating, opravné položky • řízení rizik

21. Data Mining • Hledání skrytých závislostí v datech • Porovnávání vzorců chování • Predikce za pomocí segmentačních metod, neuronových sítí, apod. • Hledání příležitostí, predikce rizik

22. Critical Success Factors • Inkrementální přístup • „Public relation“ • Silná podpora managementu • Diverzifikovaný team, Team spirit, motivace, klíčoví hráči • Business analýza (často podceněna) • Zkušený dodavatel, technologie • Čištění dat, testování

23. Dotazy ? Luboš Mrázek LMrazek@ebanka.cz Tel. +420 222115 450

24. Příloha 1 – Stav před DWH • Some of data were missing (e.g.: cross-selling ratios, number of sold packages) • Reporting represents a lot of manual work. • Some of data were aggregated only, missing detail view of products, segments, clients (e.g.: profitability) • Difficult and time consuming to obtain data. For example all competencies mentioned bellow are needed if an analyst wants to summarise for example accounts accrued interest of one client: HW platforms (PC, SUN, VAX, AS/400, MainFrame), Operating systems (Windows NT, Open VMS, UNIX, OS/400, OS/390), Databases (Access, Oracle, DB/2), Tools and programming (Cobol, SQL, PL/SQL, RPG, Query) • Obtained data are often not suitable for further processing. • Historical data were almost missing. • It is difficult (or impossible) to merge of data from different operating systems. • Data have lower frequency (available data are only on monthly basis, but business needs them weekly or daily). • Data delivery is delayed (e.g.: June data are ready about the mid of July) • Reports distributed as a hard copy or excel reports are not compatible. • It is difficult drill-down detail data. • Reporting is depending on a few skilled people, which causes the risk of bottleneck. • Several analysts can see only their parts, assembling a full picture is rare. • There is a risk of human factors (data manual calculations and processing).

25. Příloha 2 – Benefits - General • General: • Companies have much more information for decision-making process • Integration of data from different legacy systems stored on a single platform • Transformation of data based on similar architecture and data model • Availability of historical data which are stored in the same structure as recent data • Data are stabilised for reporting and analyses • Automation of regular reports, reduction of manual work and defects • Detail data are available (balanced, transactions), possibility of drill-down • The whole company can use the same data, agreed definitions • Most data are available on daily basis, load process is relatively fast • Day to day monitoring • Possibility of flexible querying and data mining • Prediction of future based on historical data • Automation of routine processes, automatically calculated indicators • Data consolidation into one database allows central administration which is cheaper • Access to data in real time for all users, one tool is enough • High complexity of stored data and keeping data optimised for querying • Analysts can now spend time on analysis rather than data gathering • Analysts can access data without affecting performance of processing the operational systems

26. Příloha 3 – Benefits - Finance, Risk • Finance: • More precise planning • Profitability of individual account, client, segment, branch, product and channel (It has enormous importance for decision-making, marketing, sales, etc. Without DWH only profitability of biggest corporate clients was available.) • Support of accounting reconciliation • Risk: • Improvement of existing models (e.g. Marcov’s model of portfolio quality prediction) • New strategies based on DWH data (collection strategy, tuning of risk scorecards) • Fraudulent activities detection (overdrawing, bounced checks, money laundering prevention) • Prediction of future events (e.g.: probability of default) • Automatic calculation of creditworthiness

27. Příloha 4 – Benefits – MKT, Sales, … • Marketing / Sales: • Consolidated customer view, 360-degree view (i.e. customer-centric approach) • Automatic evaluation of marketing campaigns, return rate • Automatic selection of mailing lists based of success prediction • Mining of cross-selling and up-selling opportunities (of both products and services) • Analysis of accounts (or contracts) closed ahead of schedule (i.e. how to prevent customer attrition) • Incentives to sales people based on sold products, new volume, profitability, etc. (i.e. building a reward system on measured results rather than feelings) • Customer life cycle and segmentation, retention programmes selection • Branch network optimisation based on profitability and workload • Customer relationship management based on profitability, creditworthiness and other indicators • Identification and exploitation of business opportunities • Quality: • Process parameters monitoring • DPMO and sigma calculations