Вы находитесь на страницах старой версии сайта. Перейдите на новую версию OLAP.ru |
Поиск по сайту | ||||||
Новости | ||||||
Основы OLAP | ||||||
Продукты | ||||||
Business Objects/ Crystal Decisions | ||||||
Каталог | ||||||
OLAP в жизни | ||||||
Тенденции | ||||||
Download | ||||||
| ||||||
Время собирать и анализировать данныеВ сфере финансовых услуг мы наблюдаем сегодня те же тенденции, что и в других секторах рынка, связанных с непосредственной работой с клиентами: телекоммуникации или розничная торговля. Речь идет о фрагментации рынка - при общем достаточно высоком качестве услуг, предоставляемых множеством конкурирующих между собой компаний, клиенты имеют возможность выбрать наилучшие. Следовательно, поставщики вынуждены переходить с массовых маркетинговых мероприятий к индивидуальным, направленным на конкретного потенциального заказчика - маркетинг в режиме диалога. В связи с этим очень важную роль начинают играть информационные ресурсы и особенно системы их анализа и обработки. Без эффективного управления накопленной стратегической и оперативной информацией никакая компания не сможет сегодня выдержать новых условий рынка. Необходимы аналитические решения на базе информационных складов, которые позволят оперативно отвечать на текущие вопросы,
поддерживать бизнес-процессы и распознавать возможности их совершенствования.
Наталья Пирогова,Открытые системы
Принципы реализации проектов создания хранилищ данных
Наша статья продолжает серию публикаций, посвященных проектам развертывания систем поддержки принятия решений на основе хранилищ данных . На этот раз речь пойдет о том, как подобные проблемы решает компания Siemens, какие проекты и архитектуры аналитических систем она реализует на рынке финансовых услуг, в частности, для страховых компаний и банков. Принципы реализации проектов создания хранилищ данных Для того чтобы сделать свой бизнес продуктивным и конкурентоспособным, добиться успеха в маркетинговой политике и работе с клиентами, банки, инвестиционные и страховые компании должны найти ответы на следующие основные вопросы.
Ответить на эти вопросы нетрудно, если в информационной среде компании имеется объемное хранилище данных и действующие на его основе системы многомерного и интеллектуального анализа данных, а также приложения для обработки результатов такого анализа. По сравнению с традиционными проектами создания информационных систем, разработка хранилищ данных имеет свою специфику:
Кроме всего этого, пользователи таких информационных систем не являются специалистами по компьютерным технологиям и им нужны удобные, интуитивно понятные, но одновременно мощные инструменты для работы с информационным хранилищем и анализа данных. Подразделение SBS компании Siemens выполняет роль интегратора в крупных проектах по созданию систем анализа на основе информационных складов в сфере финансового сервиса, в частности, для страховых компаний. Учитывая нетривиальность задачи, это подразделение предложило специальную методологию разработки хранилищ данных. Реализация методологии привела SBS к созданию формальной спиральной процедуры разработки, получившей название Continuous Improvement Cycle (CIC). На рис. 1 показана очередная стадия многоэтапного процесса разработки хранилища данных, которая, в свою очередь, разбивается на четыре фазы.
Проблемы финансового сервиса Весь спектр задач для информационных систем в области финансового сервиса можно разбить на две большие группы: общий финансовый контроль бизнес-процессов и поддержка маркетинга, предоставление услуг и взаимодействие с клиентами на индивидуальной основе. Информационные приложения в сфере финансового контроля решают, в частности, такую проблему, как анализ вкладов в общую прибыль компании. Это позволяет определить, насколько прибыльны те или иные услуги, направления бизнеса или отдельные группы клиентов компании, а также более эффективно управлять работой региональных отделений. В страховой компании в ходе такого анализа будут учитываться размеры страховых премий, выплаты страховки по поданной заявке, резервные фонды и суммы, возвращаемые клиентам, отказавшимся от страхового полиса, а также накладные расходы компании. Все эти показатели по мере возможности распределяются по индивидуальным контрактам. Одна из важнейших задач аналитической системы в финансовом сервисе -контроль за текущими контрактами и заключением новых, качественная оценка контрактов и их оперативный анализ, позволяющий быстро реагировать на изменение рыночной ситуации. Еще одно направление - финансовый контроль за деятельностью региональных отделений. Руководителю необходима оперативная информация о состоянии дел в своем регионе. Создание полной и четкой картины реализации услуг в регионе, оценка степени достижения поставленных целей и определение ключевых показателей на будущее - важнейшие слагаемые эффективного управления.
Для задач финансового контроля также может потребоваться специальная статистическая база данных, которая помимо информации о контрактах и заявках на выплату страховки будет содержать данные о страховочных рисках, доле компании на рынке и ее внутренних процессах. Благодаря согласованному анализу этих данных можно получить представление, с одной стороны, о спросе на ее услуги, а с другой, о том, насколько эффективны выбранные средства ведения бизнеса. Статистические данные о заявках на выплату страховки позволят оценить вероятность таких заявок в будущем и их объем для разных классов риска. С помощью этих данных, а также сведений о вкладах в общую прибыль можно будет более обоснованно определять тарифы. Второе направление для аналитических приложений в страховых компаниях - это поддержка маркетинга, сбыта и индивидуального взаимодействия с клиентами. Умение выделять по определенным признакам группы клиентов не менее важно для целевой реализации тех или иных услуг, чем грамотное составление рекламы. Качественная сегментация общей БД о клиентах и анализ индивидуальных данных о тех из них, кто отказался от услуг компании, позволит принять меры для предотвращения потери клиентов. В конечном итоге, качество анализа индивидуальных данных оказывает решающее влияние на эффективность маркетинговой политики компании и реализации ее услуг. Основой для такого анализа служит специальная маркетинговая база данных со всей необходимой информацией о клиентах. Однако успех маркетинга и продаж напрямую зависит еще и от наличия каналов непосредственной связи с клиентами, например, центров обслуживания (call center). Дополнительные преимущества может дать прикладная платформа взаимодействия с клиентами. Такая система, с одной стороны, использует маркетинговую базу данных и результаты анализа для управления маркетинговой кампанией, данными о клиентах и контрактах, а с другой - интегрирована с центром обслуживания и имеет непосредственный выход в телекоммуникационную систему. Такая автоматизация позволила, например, существенно повысить продуктивность работы сервисного Центра страхования автомобилей в Германии. За почти четверть века работы этот Центр принимал ежегодно порядка 500 тыс. запросов с номерами автомобильных лицензий. Задача Центра - определить, какая страховая компания отвечает за страхование транспортного средства, попавшего в аварию, и поставить ее в известность о случившемся. Однако в последние годы, чтобы получить необходимую информацию, приходится тратить слишком много времени и денег. В начале 1996 г. было принято решение о реструктуризации Центра. В результате была создана единая база данных, собравшая более 52 млн. номеров автомобильных лицензий (это свыше 90% официально лицензированных машин). Кроме того, страховые компании разместили в едином хранилище так называемые профили обслуживания, определяющие, какой офис и какой конкретно служащий компании будет заниматься несчастным случаем, о котором пришло сообщение в Центр. После того, как установлен номер лицензии автомобиля и дата аварии, программа определяет какая страховая компания отвечает за данную лицензию, и автоматически передает вызов соответствующему служащему. В результате проведенной реорганизации удалось почти вдвое увеличить производительность Центра и перевести его на круглосуточный режим работы. Только за первые два месяца 1997 г. число обработанных вызовов выросло с 500 до 800 тысяч. Специалисты SBS разработали две архитектуры аналитических систем, которые поддерживают основные направления деятельности страховых компаний и других организаций в области финансового сервиса. Это Controlling Support Systems и Marketing Support Systems. В основе обеих систем лежат хранилища данных, поставляющие информацию для приложений многомерного и интеллектуального анализа данных. Проект реализуется в соответствии с процедурой CIC, а в качестве основных программных компонентов могут привлекаться продукты партнеров, имеющих безупречную репутацию в сфере разработки баз данных и аналитических систем. Поддержка общего управления Проект Controlling Support Systems разрабатывался с целью обеспечения руководителей и ведущих менеджеров региональных отделений страховых компаний всей необходимой стратегической бизнес-информацией. Система помогает раскрыть потенциальные возможности для совершенствования, отвечает на основные вопросы и позволяет оптимизировать бизнес-процессы. B поиске ответов на возникающие вопросы используется объемное хранилище данных - “управляющее” складом (controlling warehouse), куда стекаются данные из различных оперативных приложений, с которыми работает компания (рис.2). Нужная информация берется из отдельных файлов данных и располагается в хронологическом порядке. Одна из основных задач склада - собрать всю необходимую информацию, относящуюся к различным предметным областям и отражающую разные направления бизнеса компании, и привести ее к стандартизированному виду. После чего ее можно подвергнуть всестороннему анализу с помощью программных средств. Склад данных пополняется новой информацией ежемесячно, а некоторые его разделы - ежедневно.
Аналитическая обработка данных из управляющего склада системы CSS обеспечивает решение таких задач, как контроль за действующими страховыми полисами, развитие новых направлений бизнеса, управление реализацией услуг и региональными отделениями, совершенствование методов выплаты страховых премий и страховок по поданным заявкам и определение составляющих прибыли компании по разным направлениям ее деятельности и разным группам клиентов. В качестве инструментальных средств анализа и оценки SBS предлагает использовать серию систем поддержки принятия решений (DSS) компании MicroStrategy, которая первой разработала концепцию многомерного анализа на основе реляционных баз данных. Современная архитектура реляционной оперативной аналитической обработки (Relational OnLine Analytical Proccessing, ROLAP) от MicroStrategy позволяет применять широкий спектр известных реляционных баз данных (рис. 3), а входящие в ее состав модули DSS Agent и DSS Server приняты в качестве стандартных составляющих во многих системах поддержки принятия решений.
Особый интерес представляет последняя разработка компании - DSS Web. Этот продукт поддерживает реляционную оперативную аналитическую обработку в сетях intranet и Internet. Многомерный анализ становится доступен любому пользователю, работающему с любым Web-браузером. DSS Web ликвидирует узкие места сети и ограничения клиентских платформ - фактически, произвольное число пользователей, разбросанных по всему миру, могут выполнять навигацию по складу данных. Все аналитические приложения размещаются на Web-сервере. Здесь же реализовано кэширование, что повышает производительность системы. DSS Web - простая в использовании система с гибкими аналитическими возможностями. Расширяемая среда разработки позволяет создавать собственные приложения на HTML и Java. При вовлечении в процесс анализа и поддержки принятия решений открытой сетевой инфраструктуры неизбежно возникают проблемы с защитой. В архитектуре CSS поддерживаются стандартные механизмы защиты на всех необходимых уровнях.
Поддержка маркетинга и сбыта Второй проект компании SBS - Marketing Support Systems (MSS) дает страховой компании инструмент для целенаправленного и эффективного маркетинга и предоставления услуг. Эта система позволяет взаимодействовать с клиентами, ориентируясь на точную информацию об их реальных потребностях, обеспечивает эффективное использование потенциала заказчиков и помогает руководителям региональных отделений поддерживать отношения со своими старыми клиентами и приобретать новых. В Marketing Support Systems (рис. 4) реализована модель “замкнутого управляющего цикла с обратной связью” (closed feedback control cycle). Множество разнообразных программных компонентов образуют единое интегрированное решение. А в центре этой модели, как и в архитектуре Controlling Support Systems, находится хранилище данных, которое аккумулирует информацию из различных источников и создает основу для функционирования аналитических систем.
Для поддержки маркетинговой кампании и реализации товаров или услуг необходим склад разнообразных данных о клиентах - так называемая маркетинговая база данных (marketing data base). Данные поступают в хранилище из различных оперативных систем компании, а также из внешних источников. Затем информация фильтруется и структурируется. Кроме того, создаются модели данных для определенных задач. Маркетинговая БД может содержать как детальные, так и агрегированные (обобщенные) данные, исторические данные и метаданные (данные о данных), которые будут использоваться и в простых запросах и для сложного анализа. Маркетинговая БД содержит сведения о приобретениях, сделанных клиентами, социально-демографические данные, информацию о стиле жизни клиентов, данные о реакции клиентов на предшествующие маркетинговые кампании и т.д. Эффективность маркетинга заключается в том, чтобы обратиться к потенциальным клиентам с нужным предложением в нужное время. Добиться этого можно, выделив соответствующие группы, или сегменты клиентов с определенными потребностями и покупательными способностями. Сегментация клиентов на основе точного предсказания вероятности приобретения той или иной услуги - гарантия эффективности дальнейших маркетинговых мероприятий. Средством для такой сегментации являются сложные системы интеллектуального анализа, или добычи данных. В рамках проекта MSS используется собственная разработка SNI - приложение добычи данных на базе нейронных сетей SENN Sales. Системы на основе нейронных технологий способны обучаться новым приемам. Используя отдельные примеры из базы данных о клиентах, SENN Sales учится распознавать сложные структуры и взаимозависимости между данными. Система также принимает во внимание, что индивидуальные особенности клиентов, такие как, например, возраст, доход или образование, могут влиять друг на друга. В конечном итоге, система дает предсказание вероятности приобретения или, наоборот, отказа от той или иной услуги. Причем, по данным SBS, точность этих предсказаний значительно выше, чем у обычных методов статистического анализа. SENN Sales имеет простой и удобный пользовательский интерфейс и работает под управлением ОС Windows. Таким образом, сложнейшие операции анализа и сегментации маркетинговой базы данных доступны любому пользователю, не обладающему специальными знаниями и опытом работы с технологией нейронных сетей. На следующем этапе замкнутого цикла MSS выполняется графическое редактирование и выбор результатов проведенного анализа. SBS предлагает использовать для этих целей продукты одного из поставщиков систем анализа и поддержки принятия решений, компании Cognos . Затем можно переходить к непосредственной реализации маркетинговых мероприятий и предоставлению услуг, ориентированных на выделенные группы клиентов. Дополнительные преимущества всей этой деятельности дает интеграция специальной программной системы взаимодействия с заказчиками (customer interaction software). Такая система автоматизирует управление опросами клиентов, фильтрацию и редактирование информации, генерацию сообщений и многие другие операции, обычные для взаимодействия компании со своей клиентурой. Один из основных поставщиков подобных решений - компания POINT. Технология TeamPOINT предоставляет единый, простой в использовании интерфейс для объединения разнообразных процессов, задействованных в маркетинге, продажах и сервисном обслуживании клиентов. Еще одна важная особенность MSS - это интеграция с инфраструктурой электронных коммуникаций компании. Центр обслуживания обращений заказчиков быстро обеспечит связь с клиентом по телефону или с помощью электронной почты. Результаты анализа маркетинговой базы данных могут использоваться для тщательной проработки способов взаимодействия с отдельными клиентами. А система TeamPOINT обеспечит центр обслуживания разнообразными функциями поддержки маркетинга, которые позволят находить потенциальных клиентов, устанавливать и укреплять связь с ними. Аппаратную и сервисную поддержку таких центров в рамках проекта MSS обеспечивает компания Siemens. Наконец, мы добрались до точки, где цикл управления маркетингом замыкается. Результаты обратной связи с клиентами в виде обращений по телефону, заключенных контрактов или информации, полученной в ходе непосредственного диалога с клиентом, поступают и в оперативные системы, и в маркетинговую базу данных. А это означает, что качество данных для дальнейшего анализа непрерывно совершенствуется. Кроме того, постоянно пересматриваются формы работы с клиентами, что способствует установлению долгосрочной, интерактивной и сугубо индивидуальной взаимосвязи с каждым из них. Можно было заметить, что при описании архитектуры MSS нигде не выделялось каких-либо специфических особенностей, присущих страховому бизнесу. Действительно, как утверждают разработчики, это решение может быть применено в различных секторах финансового сервиса, а также для определенных аспектов розничной торговли. Самая важная характеристика MSS - интегрированность. Различные программные продукты, входящие в ее состав, сами по себе не обеспечат той гибкости решения проблем долгосрочного взаимодействия с клиентами, которые дает проект в целом. В зависимости от потребностей своего заказчика, SBS выберет оптимальное сочетание отдельных компонентов и предоставит законченное решение, настроенное на задачи пользователя. Литература:М. Киселев, Е.Соломатин. Средства добычи знаний в бизнесе и финансах. //Открытые системы №4 1997 с. 41-44 М.Шапот. Интеллектуальный анализ данных в системах поддержки принятия решений. //Открытые системы №1 1998 с. 30-35 © 2001 Interface Ltd |