Transcript
1
Alicja Gawrylczyk
„Zastosowanie i znaczenie technologii „data mining” w bankowości”
STRESZCZENIE W epoce globalizacji, dezintermediacji oraz intensywnego postępu technologicznego sukces osiągają te banki, które mają dostęp do niezbędnych informacji oraz potrafią je wykorzystać w dobrym momencie. Dlatego tworzą m.in. ogromne elektroniczne bazy danych. Jednak człowiek sam nie jest już w stanie ich przezanalizować, ani wyciągnąć na ich podstawie wniosków wspomagających procesy decyzyjne. Do tego celu wykorzystuje się zaawansowane technologie komputerowo – obliczeniowe zwane „data mining”. Ich głównym zadaniem jest odkrywanie ukrytej wiedzy w czasie rzeczywistym zawartej w dużych zbiorach danych. W niniejszym opracowaniu przedstawimy zastosowanie oraz omówimy znaczenie technologii „data mining” w bankowości, a w szczególności jej zastosowanie w: zarządzaniu ryzykiem, segmentacji klientów oraz ocenie ich wiarygodności kredytowej, wykrywaniu oszustw oraz monitorowaniu rynków, kanałów dystrybucji, produktów bankowo – finansowych oraz klientów.
Studenckie Koło Naukowe Economicus 2008
2
Alicja Gawrylczyk
WSTĘP Współcześnie w gospodarce coraz większą rolę odgrywa wiedza oraz zasoby intelektualne, natomiast mniejszą zasoby naturalne oraz czynniki materialne. Wynika to m.in. z dużej dynamiki zmian otoczenia, a co za tym idzie coraz wyższego stopnia jego niepewności. Każde przedsiębiorstwo działające w gospodarce rynkowej dąży do zredukowania ponoszonych kosztów, maksymalizacji swoich zysków, wartości akcji oraz zwrotu z zainwestowanego kapitału. Zatem banki również. Na co dzień muszą skutecznie funkcjonować w otoczeniu charakteryzującym się rosnącym poziomem globalnej konkurencji na rynku usług finansowych, konsolidacją kapitału w kilku największych instytucjach finansowych na świecie, coraz wyższymi wymaganiami oraz potrzebami klientów oraz częstymi zmianami w regulacjach podatkowych. Wciąż rosnąca lista wyzwań sprawia, iż banki muszą umieć skutecznie zmodyfikować swoją strategię działania na rynku oraz rozwinąć lub umieć wykorzystywać już istniejące modele decyzyjno – biznesowe. Bowiem ich przetrwanie zależy od umiejętności szybkiego podejmowania decyzji strategicznych we właściwym czasie. Przypomnijmy, iż podstawowym celem konstruowania strategii działania dowolnego przedsiębiorstwa, w tym również banku jest zapewnienie możliwości jego efektywnego i prawidłowego reagowania na zmienne warunki otoczenia, a w szczególności na działalność konkurencji. Wielu decydentów zakłada, że posiadanie określonych zasobów wiedzy, pracowników o odpowiednim kapitale intelektualnym oraz innych zasobów związanych z informacją zapewni ich przedsiębiorstwu przewagę konkurencyjną, a co za tym idzie maksymalizację korzyści. Jednak muszą oni odpowiedzieć sobie na podstawowe pytanie – w jaki sposób mają to osiągnąć? W niniejszym opracowaniu przedstawimy coraz popularniejszą technologię „data mining”, która wspomaga podejmowanie decyzji oraz omówimy jej podstawowe zastosowanie i znaczenie w bankowości.
CZYM JEST TECHNOLOGIA „DATA MINING” „Data mining” jest to inteligentna eksploracja danych mająca na celu pozyskanie wiedzy ukrytej w dużej ilości informacji. W terminologii firmy SAS „data minig” oznacza procesy selekcji, eksploracji i modelowania, wykonane na dużej ilości danych, prowadzących do odkrycia dotychczas nieznanych wzorców biznesowych. Według firmy Angoss „data mining” można zdefiniować jako proces wykrywania korelacji i trendów danych oraz dostarczania wiedzy za pomocą technik statystycznych, matematycznych i rozpoznawania wzorców. Natomiast wg Studenckie Koło Naukowe Economicus 2008
Alicja Gawrylczyk
3
interpretacji Gartner Group „data mining” jest procesem odkrywania nowych korelacji, wzorców, trendów na podstawie dużych wolumenów danych przechowywanych w repozytoriach, wykorzystując technologie rozpoznawania wzorców oraz techniki statystyczne i matematyczne. „Data mining” jest więc technologią pozyskiwania wiedzy poprzez stosowanie modeli sieci neuronowych i algorytmów genetycznych, drzew decyzyjnych, technik statystycznych, modeli fraktalnych, algorytmów segmentacji, itp.1
ZASTOSOWANIE „DATA MINING” W BANKOWOŚCI Współczesne banki skutecznie świadczą tradycyjne usługi, takie jak np. udzielanie kredytów, prowadzenie rachunków bankowych klienta, przeprowadzanie transakcji i ich rejestracja, naliczanie odsetek, etc. Gromadzą przy tym ogromne ilości danych, z których zakładają, mogą uzyskać dodatkowe informacje o kliencie, rynku na którym funkcjonują, konkurencji, etc. Posiadają więc kopalnie wiedzy, z której często nie potrafią skorzystać wykorzystując jedynie tradycyjne narzędzia analizy oraz umysł eksperta. Bowiem dane gromadzone przez banki charakteryzują się wielowymiarową strukturą, występujące między nimi zależności są zbyt złożone oraz jest ich zbyt dużo i człowiek nie jest w stanie wydobyć z nich użytecznej wiedzy biznesowej. Pojawia się zatem konieczność wykorzystania innych metod i narzędzi -m.in. zaawansowanych metod statystycznych oraz sztucznej inteligencji. Stąd w bankowości na całym świecie coraz większą popularnością cieszą się technologie „data mining”. W bankowości „data mining” stosowane jest przede wszystkim do: 1. zarządzania relacjami z klientem; 2. segmentacji i profilowania klientów; 3. analizy dochodowości; 4. monitoringu relacji z klientem; 5. zarządzania ofertą; 6. zarządzania i optymalizacji kampani marketingowych; 7. zarządzania ryzykiem; 8. wykrywania oszustw; Poniżej omówimy pokrótce niektóre z powyższych zastosowań. 1 Bibliografia [1]
Studenckie Koło Naukowe Economicus 2008
4
Alicja Gawrylczyk
Zarządzanie relacjami z klientem Zarządzający bankami już dawno uświadomili sobie, że właśnie wokół klienta i jego satysfakcji obraca się cały proces gospodarczy. Co za tym idzie, relacje z klientem muszą stać się przedmiotem największej dbałości każdego przedsiębiorstwa. Wdrażają zatem strategię biznesową i sposób organizacji firmy wokół klienta i jego potrzeb zwany Customer Relationship Management (CRM), wykorzystujący odpowiednią technologię – system IT. Fundamentalne założenia modelu CRM są następujące: 1. Przedsiębiorstwo współpracuje z klientem w celu stworzenia trwałego związku klienta z przedsiębiorstwem. Wówczas konkuruje się nie tylko ceną, ale wkładem w proces kreowania wartości; 2. Produkt jest materialną postacią kwalifikacji firmy i postrzegany jest w kategoriach procesu; 3. Firma jest zainteresowana kreowaniem nowych wartości, oraz utrzymaniem przy sobie klienta doskonaląc swój produkt i zaspokajając jego wciąż nowe potrzeby; Systemy „data mining” często wykorzystywane są do wyznaczania „ocen” poszczególnych klientów oraz przewidywania prawdopodobieństwa zachowania się klienta w określony sposób. Na przykład, mogą mierzyć skłonność klienta do posiadania określonej karty kredytowej lub do reagowania na produkty konkurencji. Zauważmy zatem, iż zakłada się, że relecje z klientami są mierzalne i można je mierzyć m.in. wykorzystując rachunek prawodpodobieństwa. Ponadto, często są użyteczne w przeprowadzaniu trzech podstawowych etapów budowania relacji klienta z bankiem: zdobywanie klienta, rozwijanie i pogłębianie relacji z klientem oraz zatrzymanie klienta.
Segmentacja i profilowanie klientów Podstawowe
pytanie
dla
systemów
„data
mining”
w
bankowości
brzmi:
jak
scharakteryzować klientów, którzy przynoszą największe zyski? Można na nie odpowiedzieć tworząc modele w oparciu o dane transakcyjne, geo-demograficzne, styl życia, profile sprzedażowe klientów oraz ich historię relacji z bankiem. Powyższe modele zaimplementowane są w systemach Customer Behavior Modeling (CBM). Wyróżnia się dwie główne metody modelowania predykcyjnego ze względu na typ prognozowanych danych lub zmiennych: Studenckie Koło Naukowe Economicus 2008
Alicja Gawrylczyk
5
Metody klasyfikacji – umożliwiają określenie grup klientów o wysokim ryzyku rezygnacji z produktów lub usług banku. Są to zwykle metody jakościowe.
Metody przewidywania wartości – są to predykcyjne metody numeryczne, w których zwykle wykorzystuje się sieci neuronowe oraz modele ekonometryczne.
Analizy dochodowości Umożliwiają ocenę bieżącej wartości klienta, jak i jej predykcję w oparciu o estymowaną krzywą przeżycia. Wartość klienta mierzy się zwykle za pomocą tzw. indeksu całkowitej wartości klienta, który uwzględnia indeks wartości potencjalnej (IWP) oraz indeks wartości klienta (IWK). Przykładowymi miernikami IWK są:
wolumeny obrotów w jednosce fizycznej,
wielkość obrotów,
zysk całkowity firmy,
regularność przychodów,
wartość edukacyjna oraz
wartość referencyjna.
Z kolei przykładowymi miernikami IWP są:
całkowita wielkość zakupów od wszystkich dostawców,
przewidywany wzrost zakupów w skali roku,
maksymalny limit zakupowy dla 1 dostawcy,
limit kredytowy przyznany klientowi.
Monitoring relacji z klientem Systemy „data mining” zawierają modele aktywacji klientów w zakresie wykorzystania posiadanych produktów oraz usług bankowych, które przede wszystkim analizują spadki trendów Studenckie Koło Naukowe Economicus 2008
6
Alicja Gawrylczyk
użycia produktu lub usługi. Zawierają również analizy ryzyka rezygnacji klienta z usług oraz analizy czasu przetrwania klienta.
Zarządzanie ofertą Podstawowym celem jest identyfikacja na podstawie danych historycznych najlepszych ofert dla poszczególnych klientów oraz identyfikacja grup produktów często kupowanych razem. Są one konstruowane w oparciu o analizy koszykowe, segmentacje klientów lub produktów oraz modele predykcyjne.
Zarządzanie i optymalizacja kampanii marketingowych Podstawowym problemem każdego banku jest określenie a następnie dotarcie do określonej grupy docelowej. Systemy „data mining” umożliwiają optymalizację procesu marketingowego ze względu na koszty stałe kampanii, alokację zasobów, koszty druku materiałów, koszty kontaktu z klientem itd.
Zarządzanie ryzykiem W bankowości kluczowym zagadnieniem jest ryzyko. Banki muszą oceniać i dążyć do ograniczenia różnego rodzaju ryzyk: rynkowego, kredytowego i operacyjnego. Przy
wykorzystaniu
technologii
„data
mining”
oraz
zaawansowanych
technik
optymalizacyjnych inwestorzy mają możliwość alokacji kapitału w te segmenty rynku lub instrumenty finansowe, które maksymalizują zysk lub minimalizują ryzyko, ponieważ dzięki nim mogą stworzyć szczegółowe analizy oparte na wielu scenariuszach uwzględniających oczekiwaną wartość aktywów lub oczekiwany zwrot z inwestycji kapitału oraz ryzyko.
PODSTAWOWE TYPY INFORMACJI I RELACJI W TECHNOLOGII „DATA MINING” Z formalnego punktu widzenia technologia „data mining” zmierza do wyprodukowania takich typów informacji jak klastry, klasy, powiązanie zdarzeń (asocjacje), sekwencje zdarzeń, Studenckie Koło Naukowe Economicus 2008
Alicja Gawrylczyk
7
zbliżone sekwencje zdarzeń, prognozy, itp.2
Klasy: Zgromadzone dane są używane do zlokalizowania danych dotyczących z góry ustalonych
grup. Na przykład, bank może zbadać w jakich miesiącach klienci najczęściej zaciągają kredyty lub do jakiej grupy konsumentów należą.
Klastry: Zbiory danych są grupowane wg logicznych relacji lub preferencji klientów banku. Na
przykład, dane mogą zostać użyte w celu zidentyfikowania struktury rynku docelowego lub wykrycia podobieństw między klientami banku.
Asocjacje: Na podstawie zgromadzonych danych można wykryć powiązanie zdarzeń związanych np. z
usługami kredytowymi lub innymi usługami banku.
Sekwencje zdarzeń: Dane mogą posłużyć do wykrycia powtarzających się zachowań i preferencji klientów
banku oraz trendów. Proces „data mining” składa się również z pięciu głównych etapów:
gromadzenie danych w hurtowni danych;
gromadzenie i zarządzanie danymi w wielowymiarowych systemach baz danych;
dostarczenie dostępnych danych do analizy biznesowej;
analiza danych za pomocą zaawansowanych technik komputerowych;
prezentacja danych w przystępnej formie, np. w postaci grafów lub tabeli;
Analizy przeprowadzane są przy wykorzystaniu zaawansowanych technik komputerowo – obliczeniowych, takich jak np.:
2 Bibliografia [1]
Studenckie Koło Naukowe Economicus 2008
Alicja Gawrylczyk
inteligentne sieci neuronowe,
algorytmy genetyczne,
drzewa decyzyjne,
wizualizacja danych,
8
POLSKIE BANKI A SYSTEMY „DATA MINING” Na świecie ten segment rynku jest już wart ok 11 mld USD. Również w Polsce systemy „data mining” cieszą się coraz większą popularnością. Jednak w bankach nadal dużym wyzwaniem jest zebranie informacji z różnych systemów IT i zgromadzenie ich w jednym miejscu. Ponadto brak jest dużych zasobów informacji o klientach, ponieważ dotyczą one okresu kilku, a w najlepszym wypadku kilkunastu minionych lat – w sumie jest to rzecz droga, a uzyskany efekt (zależny od zasobności baz danych) jeszcze daleko niezadowalający. Pomimo to wiele banków oraz instytucji finansowych w Polsce powoli wdraża te sytemy lub ich poszczególne moduły. Np. :
Ministerstwo Finansów – zaawansowane techniki data mining zawarte w STATISTICA Data Miner są wykorzystywane do wykrywania prania brudnych pieniędzy;
W minionym roku Bank BPH jako pierwszy w Polsce zakończył wdrożenie nowoczesnego – opartego na CRM-owych modelach prawdopodobieństwa systemu retencji i zapobiegania odejściom najlepszych klientów;
Bank Zachodni WBK S.A. zawarł umowę o współpracy z SPSS Polska Sp. z o.o. i w ramach tej umowy realizowane są wdrożenia korporacyjnego systemu analiz „data mining” oraz rozwiązania do optymalizacji kampanii marketingowych;
W 2006 r. Bank DnB Nord Polska S.A. zdecydował się na wdrożenie rozwiązania wspierającego kontroling i raportowanie dla udziałowców – banków DnB Nord i LB opierających się na technologii „data mining”;
Lukas Bank – wykorzystuje system STATISTICA (w szczególności drzewa klasyfikacyjne) do segmentacji klientów i wspomagania działań marketingu bezpośredniego;
Ponadto „data mining” jest wdrażany w AIG Bank, Banku Pocztowym, Euro Banku, Toyota Bank Polska, PKO B.P. oraz BRE Banku.
Studenckie Koło Naukowe Economicus 2008
9
Alicja Gawrylczyk
Omówimy zatem korzyści płynące z wdrożenia systemów „data mining” na przykładzie banku BPH, który uważa się za jeden z najlepiej zinformatyzowanych polskich banków oraz który jako pierwszy w Polsce zakończył wdrożenie kompleksowego systemu „data mining”. Bank BPH twierdzi, że zyskał na wdrożeniu systemu TCRM. Dyrektor d.s. wdrożenia CRM w Banku BPH mówi, że:
zwiększyła się skuteczność kampanii marketingowych,
mniej czasu potrzeba na przygotowanie akcji marketingowej (harmonogram, określenie grupy docelowej, przygotowanie materiałów marketingowych),
zmniejszyły się koszty marketingu,
zoptymalizowany został kontakt z klientem – przekaz informacji, kanały komunikacji i moment kontaktu.
W sumie, po wdrożeniu CRM w ubiegłym roku Bank BPH „5-krotnie zwiększył liczbę kontaktów z klientami – prawie 450 tys. – to spowodowało wzrost sprzedaży, zwłaszcza produktów kredytowych i produktów inwestycyjnych. Wiedza o klientach też jest większa, co zaowocowało znacznym zwiększeniem liczby akcji marketingu bezpośredniego. Wzrosła także jego skuteczność. Niektóre kampanie, jak np. w zakresie „rolowania” pożyczek gotówkowych lub subskrypcji nowoczesnych produktów inwestycyjnych osiągnęły skuteczność od 26 do 39 proc.”3
PODSUMOWANIE We współczesnych realiach systemy „data mining” stają się coraz istotniejsze dla funkcjonowania przedsiębiorstw, gdyż umożliwiają ich decydentom podejmowanie optymalnych decyzji w dynamicznie zmieniającym się otoczeniu, w którym potrzeby klientów oraz działania konkurencji wysuwają się na pierwszy plan. W bankowości systemy „data mining” są coraz częściej wykorzystywane. Zaimplementowane w nich zaawansowane modele predykcyjne, ekonomiczne, odkrywania wzorców na podstawie ogromnych baz danych, oraz narzędzia sztucznej inteligencji sprawiają, iż współczesne banki mogą odkrywać dotychczas nieznaną im wiedzę oraz twórczo ją wykorzystywać, w celu osiagnięcia jeszcze większych korzyści. Jednak należy uświadomić sobie, iż systemy „data mining” nie są uniwersalną receptą na problemy z jakimi stykają się decydenci banków, są jedynie kolejnym użytecznym narzędziem, które wspomaga decydenta w procesie podejmowania przez niego decyzji, zwykle „ilościowych”. Bowiem, w rzeczywistości społeczno – gospodarczej wiele zjawisk i procesów nie jest mierzalnych, w sensie 3 Bibliografia [8]
Studenckie Koło Naukowe Economicus 2008
10
Alicja Gawrylczyk
ilościowym. Często banki stykają się z problemami jakościowymi, a nie ilościowymi, których nie rozwiążemy za pomocą metod i systemów „data mining”. Ponadto, napisaliśmy powyżej, iż umysł człowieka jest zawodny i nie jest w stanie ogarnąć, ani wysnuć logicznych wniosków ze zbiorów ogromnych baz danych. Jednak należy pamiętać, iż to człowiek tworzy powyższe nowe metody, a następnie to właśnie człowiek wysnuwa logiczne wnioski na podstawie „wniosków” komputera. Zatem to nadal umysł człowieka, a nie komputer pełni dominującą rolę w każdym przedsiębiorstwie. Ponadto, wdrażanie tych systemów wiąże się z dużymi kosztami oraz często z reorganizacją całego przedsiębiorstwa lub niektórych jego działów. Dlatego nie zawsze są to systemy, które ułatwią proces zarządzania i funkcjonowania w gospodarce, wręcz przeciwnie – przy nieumiejętnym jego wdrażaniu mogą go jeszcze bardziej utrudnić. Podsumowując, systemy „data mining” mogą być użytecznym narzędziem wspomagającym podejmowanie decyzji, pod warunkiem, że ludzie podejdą do nich rozważnie, krytycznie oraz będą je wykorzystywać tam, gdzie jest to możliwe i potrzebne.
BLIOGRAFIA 1. Z. Ryznar, Informatyka bankowa. Proba syntezy, wyd. Wyższej Szkoly Bankowej, Poznań 1998 rok; 2. Rajanish Dass, Data mining in banking and finance: a note for bankers, Indian Institute of Management Ahmedabad; 3. T.T. Kaczmarek, Zarządzanie ryzykiem handlowym i finansowym dla praktyków, wyd. ODDK, Gdańsk 1999; 4. www.sas.com 5. www.angoss.com 6. www.gartner.com 7. www.anderson.ucla.edu 8. www.mega.com.pl 9. www.statconsulting.com.pl, Data mining jako wartość dodana do CRM, 2006; Studenckie Koło Naukowe Economicus 2008
