Использование технологий аналитической обработки Business Objects в банках

предоставлено компанией Терн

В последние годы пользователи баз данных оказались перед необходимостью освоения аналитических инструментов, спектр которых становится все шире. Причина повышенного внимания к "аналитике" проста – в корне меняется структура функционирования всего рынка. Так, с каждым днем набирает обороты бизнес в Сети. В итоге оказывается, что использование средств оперативного анализа улучшают показатели деятельности банка и являются источником различного рода информации для принятия правильных и своевременных решений.

Широкое распространение получили в последнее время информационные технологии (ИТ) для работы с хранилищами данных (добыча данных, data mining; оперативная аналитическая обработка данных, OLAP). В этих технологиях решающее значение приобретают отчетные формы представления данных – грамотно составленный отчет зачастую играет решающую роль в принятии важных решений. Для подготовки отчетов требуются эффективные методы анализа информации, выявления закономерностей в больших массивах данных. Комплексный подход к деятельности банка нашел отражение в быстром распространении специальных систем поддержки принятия решений (СППР).

История разработки таких систем в компании Business Objects насчитывает уже десять лет. Согласитесь, для рынка ИТ это срок солидный. Система BusinessObjects получила сегодня достаточно широкое распространение (ее используют многие крупные банки, а также компании иного профиля).

Об основных возможностях программных продуктов компании Business Objects "Банковские Технологии" уже рассказывали. В этой статье в большей степени уделено внимание практическому опыту использования этой системы в банках.

Управление в критических ситуациях

Во время прошлогоднего кризиса в Малайзии быстрое обесценивание национальной валюты привело к коллапсу на мировых финансовых рынках. В результате все финансовые организации оказались в ситуации, когда было необходимо было владеть информацией о сделанных инвестициях, дочерних компаниях и собственной деятельности. И все это происходило на фоне требований комиссии по Федеральному Резерву предоставить эту информацию в течении 24 часов.

И в наилучшей ситуации оказался Chase Manhattan Global Investment Bank, отделение Chase Manhattan Corp. Используя ПО Business Objects они были готовы предоставить детальные данные как в комиссию так и своим внутренним пользователям.

Неустойчивость финансовых рынков требует от банков и финансовых компаний способности быстро адаптироваться к изменениям для минимизации рисков. Достичь этого помогают системы business intelligence, и в случае с Chase Manhattan Global Investment Bank этим средством является ПО Business Objects.

BusinessObjects позволяет сотрудникам Chase значительно быстрее получать необходимую им информацию и анализировать ее, что ускоряет и поднимает на качественно другой уровень процесс принятия решений.

Используемое в продуктах Business Objects отображение физической модели данных в объектную дает возможность пользователям самостоятельно обращаться к различным источникам информации. По словам Мартина Вайнберга, вице-президента Chase по информационным технологиям, до использование системы business intelligence, для получения нового отчета пользователям каждый раз приходилось обращаться с запросов к специалистам ИТ. Это был обременительный и весьма продолжительный по времени процесс. Использование каких-либо компромиссных решений (напр. электронные таблицы) позволяло только ограниченному числу пользователей более-менее свободно строить запросы.

С другой стороны в банке имеется несколько категорий пользователям. Кому-то нужна возможность самостоятельно создавать отчеты, кому-то только читать и обновлять уже существующие документы, а кому-то необходимы продвинутые средства анализа.

Еще одна привлекательная возможность ПО Business Objects – разделение функций создания и дистрибуции документа. Пользователь может создать отчет, определить параметры его обновления и передать серверу документов. Это помогает избежать серьезных нагрузок на хранилища и базы данных в пиковое время. Кроме того крупные банки и в том числе Chase используют несколько ИС и соответственно несколько источников данных. Вполне естественно, что система business intelligence должна поддерживать различные форматы данных и обеспечивать их консолидацию в одном документе. BusinessObjects позволяет обращаться не только к реляционным, но и многомерным и персональным источникам данных. Помимо этого непосредственно в отчете пользователям доступны инструменты OLAP.

Весьма привлекательной возможностью BusinessObjects для Chase является наличие центрального репозитория. С его помощью администратор может легко управлять большим количеством рабочих мест. Учитывая то, что для Chase BusinessObjects является корпоративным стандартом и используется в различных отделах и разными категориями пользователей, наличие единой точки управления и возможность разграничения прав доступа на уровне системы business intelligence – один из ключевых критериев выбора такой системы.

Пока Chase не просчитал детально экономический эффект от внедрения ПО Business Objects, однако Вайнберг отмечает, что цикл разработки отчетов существенно сократился. То, на что ранее требовался месяц занимает несколько часов. "Когда трейдеру нужно принять решение, что делать: покупать или продавать, ему нужно быстро получить обновленную сводку. Используя BusinessObjects он моментально обращается к источникам данных и получает необходимую информацию".

Chase также внедрил WebIntelligence – аналог BusinessObjects, реализованный в архитектуре “тонкий клиент”. Для крупной организации это существенно упрощает переход к новым версиям продуктов по мере эксплуатации системы.

Вайнберг считает, что использование системы business intelligence не только помогает им лучше управлять и понимать собственный бизнес, но и дает банку очевидные преимущества перед конкурентами.

Маркетинг

Для развития банку, как впрочем и любой компании другого профиля, необходимо находить новых и стараться удержать уже существующих клиентов.

Банк Skandia Banken был основан в 1995 году. Для быстрого развития столь молодой компании необходимо было привлекать большое количество новых клиентов. Однако, как оказалось, сделать это весьма непросто.

С этой целью Йохан Хопстадиус, менеджер по маркетингу и специалист отдела ИТ Томас Рэнди разработали хранилище данных, накапливающее различного рода информацию о заказчиках, чтобы выявлять закономерности в действиях, уметь предсказывать их заранее и анализировать эффективность маркетинговых программ. В качестве средства front-end используется инструмент исследования данных (data mining) BusinessMiner компании Business Objects.

По словам Хопстадиуса, для Skandia Banken крайне важно уметь выявлять целевые группы клиентов и устанавливать с ними как можно более тесные взаимоотношения. Помимо этого, необходимо знать какие услуги интересуют ту или иную целевую группу потенциальных и существующих заказчиков.

До того, как начали применять BusinessMiner, маркетинговые действия были малоэффективны. Даже на прямую почтовую рассылку существующим клиентам количество откликов не превышало 1%, иногда их и вовсе не было.

Использование BusinessMiner позволило маркетерам Skandia Banken увидеть скрытые зависимости в информации о своих клиентах. А это, в свою очередь, позволило сделать маркетинговые кампании более сфокусированными на определенных целевых группах. Теперь процент откликов повысился с 1% до 5%, т.е. на 400%.

Еще одно преимущество использования BusinessMiner – возможность оценки эффективности действий банка. Специалисты Skandia Banken получили огромный опыт и теперь знают что делать для получения максимальной прибыли.

Кредитование

Часто менеджеру приходится анализировать представленную в отчете табличную информацию для того, чтобы выявить закономерности в данных и сделать соответствующие выводы. В России в настоящее время активно развивается такой вид услуг как кредитование. BusinessMiner может существенно помочь банку определить степень рисков и предложить оптимальные схемы кредитования различным категориям клиентов.

К примеру, у нас есть таблица, содержащая информацию о клиентах банка, в которой среди прочего в отдельном столбце есть данные о том, насколько своевременно клиент возвращает кредит. При этом каждая ячейка в этом столбце содержит одно из следующих значений: "вовремя", "с опозданием на 60 дней" и "с опозданием на 30 дней". Мы хотим выяснить, какие клиенты не задерживают возврат кредита.

Допустим, что в нашей таблице 4070 клиентов. При этом 2470 из них возвращают кредит вовремя, 870 - опаздывают на 60 дней, а остальные 730 - на 30 дней. Эта информация и будет корнем дерева решений, которое мы будем строить с помощью BusinessMiner. Затем мы делим наших клиентов на две категории в зависимости от размера кредита. Пусть в нашем примере 2270 клиентов взяли большой кредит, а остальные 1800 - очень маленький, маленький и средний кредиты.

Теперь на каждом шаге построения дерева решений для каждой группы клиентов BusinessMiner автоматически строит таблицу с данными о том, насколько клиент задерживает возврат кредита.

Так, после первого разделения на две категории мы видим, что из 2270 клиентов, взявших большой кредит, только 41,9% возвращают кредит вовремя, а из тех 1800 клиентов, что взяли маленький или средний кредиты, 84,4% клиентов возвращают кредит вовремя. Уже после первого шага можно сделать простой вывод: чем больше кредит, тем меньше процент клиентов, выплативших этот кредит вовремя. Соответствующее дерево решений представлено на рис. 1.

На следующих этапах построения дерева решений можно получить и более детальные выводы.

Вот еще пример: на нашем дереве решений можно легко увидеть, что клиенты, взявшие большой кредит, состоящие в браке и имеющие детей, гораздо добросовестнее относятся к своевременному возврату кредита, чем холостяки…

Дерево решений - один из наиболее эффективных инструментов поддержки принятия решений.

Управление взаимоотношений с заказчиками.

Одним из продуктов Business Objects, еще не рассматривавшихся ранее является Set Analyzer. Business Objects представила его первую бета-версию в конце 1999 года. Основная идея, заложенная в Set Analyzer – работа с множествами. Пользователь строит запросы манипулируя не терминами своего бизнеса или объектами, а множествами. Соответственно и применяемые операции – не операции реляционной алгебры, а операции булевой алгебры.

Как оказалось такой подход является очень понятным по своей природе для человека. Одной из наиболее перспективных сфер применения Set Analyzer – системы CRM (Customer Relationship Management), т.е. системы управления взаимоотношений с заказчиками, которые позволяют компаниям более эффективно проводить работу с заказчиками.

С помощью Set Analyzer пользователь может визуально определять условия выбора заказчиков из БД (например путем пересечения множеств "Клиенты из города N", "Клиенты с уровнем дохода более $1000 в месяц", "Клиенты, имеющие не более одного ребенка"), разделять их на различные категории (создание нового множества), использовать пошаговое выполнение запросов. Таким образом, Set Analyzer представляет собой удобнейший инструмент сотрудника отдела маркетинга и позволяет ему существенно упростить и ускорить выполнение различного рода операций по отбору заказчиков.

В Bank One, одном из крупнейших эмитентов кредитных карт огромное внимание уделяется работе с клиентами (всего их более 22 млн.) и Set Analyzer используется для сегментации клиентов, а также анализа доходности различных групп заказчиков и направлений деятельности самого банка. С его помощью аналитики могут быстро создавать новые категории пользователей, применяя операции булевой алгебры к существующим множествам и определять возможный эффект от выполнения тех или иных маркетинговых программ.

В Abbey National, банке работающем с частными лицами, Set Analyzer помог специалистам отдела маркетинга в сегментации групп клиентов. Визуализация и возможность предвидеть общую картину помогли им не только получить ответы на свои вопросы, но также решили проблему их формулирования.

Помимо функциональных возможностей Set Analyzer имеет еще одну особенность – архитектура, обеспечивающая работу с множествами данным, позволяет существенно увеличить скорость выполнения запросов. Именно благодаря ей банки могут обрабатывать огромные объемы информации о своих клиентах.

Самое главное – экономический эффект.

Понятно, что вложения в информационные технологии необходимо рассматривать как инвестиции в бизнес. Именно при таком подходе следует ожидать экономический эффект. Business Intelligence – одно из наиболее быстро развивающихся направлений ИТ и следовательно, должно окупаться. Однако подсчитать эффект от использование этих систем крайне проблематично, и особенно до того как ее стали использовать.

С одной стороны можно посчитать сколько времени уходит у программистов на подготовку отчета стандартными инструментами, можно к этому добавить стоимость издержек на согласование требований пользователя и т.д. Abbey National считает что их вложения должны окупиться в течении полугода

Однако подсчитать, какую прибыль принесло правильное управление и быстрое реагирование на события неустойчивого мира невозможно. В NatWest Bank "случайно" были выявлены хищения на сумму в 4.5 млн. долларов США.