Professional Documents
Culture Documents
Data Mining I Njegova Primena U Bankarstvu
Data Mining I Njegova Primena U Bankarstvu
Seminarski rad
iz Objedinjenih Komunikacija
Tema:
Sadraj
Uvod...3 Rudarenje I esto koriene metode rudarenja..........4 Metode rudarenja podataka....4 Programi koji se koriste za rudarenje podataka..5 Proces rudarenja podataka..6 Koraci u procesu DM-a6 Uesnici u procesu Data Mininga..7 Primena Data Mining-a u bankarstvu....8 Zakljuak..12 Literatura..13
UVOD
Rudarenje podataka (eng. data mining) je proces pronalaenja novog i potencijalno korisnog znanja iz podataka, odnosno kao otkrivanje ili rudarenje znanja iz velike koliine podataka. Bolji bi izraz metode bio rudarenje znanja iz podataka, gde se rudarenje odnosi na ono to se pronalazi kao rezultat tog procesa. Rudarenje podataka je prirodna evolucija tehnologije, a koja upotrebljava koncepte, metode i tehnike razliitih disciplina kao to su baze podataka, statistika i vetaka inteligencija. Tehnologija baza podataka se razvila iz primit ivnih u sofisticirane i mone sisteme baza podataka kakve danas poznajemo. Taj ra zvoj omoguio je beleenje I sakupljanje ogromnih koliina podataka to je neizbeno dovelo i do potrebe obrade i analize tih podataka, a sve u svrhu dobijanja korisnih informacija i znanja. Dananja informacijska tehnologija omoguila nam je beleenje svake aktivnosti u obliku digitalnih podataka, a koliina sakupljenih podataka u mnogim bazama meri se u gigabajtima ili terabajtima. Ogromne baze podataka bogate su podacima, ali i siromane informacijama koje su skrivene u pohranjenim podacima. Upravo je rudarenje podataka to koje pomae otkriti vane informacije i znanje utkano u podatke, uvelike pridonosei donoenju odluka, poslovanju I umetnosti.
1.2.
Programi za DM pojavljuju se u razliitim oblicima i to kao samostalni programi koji podupiru samo jednu metodu kao to su neuronske mree, zatim kao uklopljeni u programske sisteme za razvoj aplikacija, onda kao samostalni alati za rudarenje, kao deo tj. modul drugih programskih sistema kao to je sistem za upravljanje bazama ili statistikih programskih paketa, ili kao gotova reenja za pojedinana problemska podruja kao to je izrada profila kupca. Programski alati za rudarenje podataka koji se upotrebljavaju u poslovnim primenama dolaze iz podruja programskih sistema namenjenih upravljanju podacima, a to su: Alati iz podruja statistikih programskih sistema: Enterprise Miner (SAS), Clementine(SPSS) Specijalizirane alate za optu/poslovnu upotrebu: Data Mining, Intelligent Miner (IMB) Alate ukljuene u Warehousing: OLAP Alate ukljuene u sistem upravljanja podataka: Microsoft SQL Server Business Intelligence
4. KORAK:Uenje Ovdje metoda ui na podacima. Ovde postoji opasnost da se uz previe uenja dobiju rezultati koji super odgovaraju podacima na kojima je algoritam uio i izgradio model, a loe buduim podacima. A cilj modela je da se dobro ponaa na buduim podacima. 5. KORAK: Interpretacija rezultata U ovom koraku analitiar na kraju odluuje da li je pravilo zanimljivo, relevantno i upotrebljivo za organizaciju.
uspela je izbei negativan trend, te smanjiti broj tetnih transakcija za 55% uz mesenu utedu 220.000 USD. Ovi rezultati dvostruko su bolji od ostalih banaka. Prosean gubitak u kartinoj industriji nastao kao rezultat prevara je 0,27% ukupnog prihoda, a gubitak HFCBank je 0,10%. 2. Prodaja dodatnih proizvoda postojeim klijentima Modeli prodaje dodatnih proizvoda postojeim kupcima odreuju verojatnost da e klijent banke kupiti dodatni proizvod. Cilj ovakve analize nije samo poveati broj klijenata koji e odgovoriti na ponudu, ime se smanjuju trokovi. Ponudom odabranih proizvoda odabranim klijentima takoe se poveava kvalitet odnosa s klijentima. Na taj nain raste profitabilnost poslovanja, jer je troak prodaje drugih proizvoda postojeim klijentima mnogo nii od privlaenja novih kupaca uz jednako poveanje lojalnosti postojeih klijenata. Vodee srpske banke u svom poslovanju ve due vreme koriste ovakve modele. Praktian primer: First National Bank poveava efikasnost marketinga First National Bank jedna je od najjaih banaka u Africi s a 3.2 mil. klijenata. U poslednje vreme, s dolaskom stranih banaka, konkurencija se zaotrila. Menadment banke shvatio je da ne iskoriava dovoljno podatke koje ima o svoj im klijentima. To se posebno manifestovalo u loe koordiniranom marketingu zbog ega su jedni klijenti dobikali previe ponuda, a drugi premalo. Efikasnost marketinkih napora uopte se nije merila. Menadment banke odluio je da pone koristiti rudarenje podataka s ciljem poveanja postojeih prihoda prodaje dodatnih proizvoda , te dizajnirati nove proizvode prilagoene posebnih potrebama klijenata i tako stvoriti nove izvore prihoda. U prvom koraku dizajniran je sistem koji prikuplja i filtrira podatke o klijentima ime se spreava viestruko slanje ponuda na isto ime kroz vie razliitih kanala (pota, telefon, mail). Podaci iz sastava analizirani su i korieni za dizajn ponuda prilagoenih individualnim klijentima na temelju njihovih dosadanjih transakcija i usluga koje koriste. Klijenti su odlino reagovali na individualno prilagoene ponude koje su prihvatili u 9% sluajeva, to je odlian rezultat. Najznaajnije se pokazalo otkrie da najprofitabilniji klijenti (gornjih 5%) nemaju znaajan broj kljunih proizvoda banke. Deo najboljih klijenata do tada bio je dakle zapostavljen zbog loeg informacijskog sistema. Menadment banke raunao je da e se investicija u rudarenje podataka isplatiti tek za 10 meseci, ali su ve prve marketinke kampanje vratile ulaganje uz profit od 3000%. 3. Zadravanje postojeih klijenata Odlazak klijenata konkurenciji problem je mnogih delatnosti. Zbog zasienosti trita, jedine mogunosti rasta poduzea svode se na preotimanje klijenata od konkurencije ili prodaju drugih proizvoda postojeim klijentima. Klijenti esto prelaze konkurenciji zbog pogodnosti koje im se nude. Kartine kompanije u svetu ve
godinama vode rat kamatama kako bi privukle klijente. Niske kamate vrede u poetnom razdoblju (npr. godina dana), a kartine kompanije nadaju se da e klijenti nastaviti koristiti karticu i nakon isteka pogodnosti. Meutim, u svetu se pokazalo da deo klije nata veto koristi niske kamate kod nekoliko kartinih kompanija. Rudarenjem podataka izrauju se modeli kojima se predvia verojatnost da e klijent, nakon to se kamate podignu na normalnu visinu, prei konkurenciji ili e smanjiti potronju. Praktini primer: Dreyfus Corporation predvia odlazak klijenata konkurenciji Zbog zasienosti trita investicijski fondovi postali su vrlo agresivni u privlaenju klijenata konkurencije. Agresivno se takmie u pridobivanju novih klijenata, dok u isto vreme ulau velika sredstva kako bi zadrali postojee. Mnogi fondovi koriste agresivne mere prevencije, kao to je naplata visokih provizija klijentima koji povlae svoja sredstva pre utvrenog roka ili benefitarne mere poput naplate manjih provizija lojalnim klijentima. Dreyfus Corporation koristi rudarenje podataka za predvianje verovatnoe o prelasku pojedinih klijenata konkurenciji. Na temelju demografskih podataka, te podataka o postojeoj kreditnoj aktivnosti, potroakim navikama, te transakcijama, dizajniran je model za detekciju klijenata koji razmiljaju o odlasku. Model reaguje na znakove upozorenja, kao to su nagli porast ili pad broja kontakata s klijentom, te povean broj transakcija izmeu fondova. Sistem Dreyfus Corporation predvia potencijalni odlazak klijenta tri do est meseci pre nego to se to zaista dogodi s tanou od 80 do 85%. S potencijalno problematinim klijentom se telefonski razgovara, te mu se nude posebne pogodnosti prilagoene njegovom uzrastu, primanjima, portfelju, i nedavnim investicijskim aktivnostima. 4. Segmentacija Glavni resurs banke su njeni klijenti. Tek na temelju poznavanja njihovih karakteristika, preferencija i specifinih potreba banka im moe prilagoditi ponudu svojih usluga. Prema tome treba uzeti u obzir da se karakteristike klijenata menjaju svakih nekoliko godina. Mlada osoba koja tek studira verojatno koristi samo jedan ili tek nekoliko bankarskih proizvoda. Ista osoba koristie drugaije proizvode nakon to se vena, a drugaije nakonu odlaska u penziju. Velike koliine podataka o klijentima banke bi trebale koristiti za analizu karakteristika klijenata, te na temelju njih formirati segmente kojima se mogu posebno prilagoditi usluge. Banke ve mnogo godina koriste tradicionalne segmentacije sektora stanovnitva i poduzea. Meutim, takva tradicionalna segmentacija esto moe zamagliti stvarno stanje. Korienjem rudarenja podataka mogu se pronai segmenti koji su do sada bili zanemareni, te im se mogu ponuditi specijalno prilagoeni proizvodi ime se poveava profitabilnost poslovanja, a ne zagovara se nuno naputanje tradicionalne segmentacije
10
5. ivotna vrednost klijenta ivotna vrednost klijenta je oekivana vrednost zarade od pojedinog klijenta kroz odreeno razdoblje. Na primer, banci je interesantno privui to vie studentske populacije od koje e veliki deo postati profitabilni klijenti. Trenutna zarada od usluga studentima moe biti mala, ali ako se stvori dobar odnos s klijentom, u budunosti e se ostvariti velika korist. Tek diplomiranom studentu trebae kredit za auto, stan, tekui raun, kreditne kartice, penzijsko i ivotno osiguranje Zbog visokog obrazovanja oekuje se da e takva osoba imati i natprosena primanja te e moi priutiti sve te proizvode. Rudarenjem podataka izrauju se modeli kojima se predvia ivotna vrednost klijenta kako bi bankarski slubenici mogli posvetiti vie panje klijentima koji nisu trenutno profitabilni, ali bi to mogli postati u budunosti. 6. Aktivacija Modeli aktivacije predviaju verovatnou da e klijent kojeg su pridobili, postati profitabilan. Na primer, klijent esto sklopi ugovor za ivotno osiguranje nakon ega ne uplauje premiju. Isto se dogaa s kreditnim karticama u bankarskom sektoru. Klijenti koji dobiju kreditnu karticu, postaju profitabilni tek kada ponu plaati karticom. Deo klijenata to nikada ne uini, te se modelom aktivacije moe predvideti koji e to biti klijenti. Takvim se klijentima mogu ponuditi dodatne pogodnosti da bi ih se potaklo na aktivaciju ili se moe odustati od poslovanja s njima. 7. Racionalizacija poslovanja Rudarenjem podataka mogue je racionalizovati poslovanje na mnogo naina ime se ostvaruju znatne utede. Postoji nekoliko primera. Punjenje bankomata veliki je izazov za banke u organizacijskom i logistikom smislu. Tehniki maksimalna koliina novca koju bankomat moe drati vrlo je velika, ali iz ekonomske perspektive n ema smisla puniti sve bankomate maksimalnim iznosom jer je prosean dnevni promet na bankomatima mnogo manji. Takoe, novac na bankomatima ne donosi nikakvu kamatu. Rudarenje podataka moe se koristiti u svrhu izrade sistema za optimizaciju upravljanja gotovinom koji bi predviao kada i koliko novca treba isporuiti na koje mesto te bi pri tome uzimao u obzir nedeljne, mesene i godinje oscilacije. Rudarenje podataka moe se koristiti za izradu modela koji daje preporuku to treba napraviti kad klijent kasni sa plaanjem kredita ili premije osiguranja ekati, telefonirati, slati opomenu ili pokrenuti tubu. Nekoliko banaka koristilo je rudarenje podataka u organizaciji zatitnike slube banke. Modelom su analizirane karakteristike poslovnica koje su opljakane u posljednje vreme, stoga je u poslovnicama slinih karakteristika organizirano jae osiguranje.
11
ZAKLJUAK
Koristei dostignua vetake inteligencije, rudarenje podataka oblikovalo se u tehnoloki pokret i biznis. Rudarenje je mnogo vie od kopanja, nije cilj kopati, ve odvojiti korisno od nekorisnog. Kod rudarenja podataka iz mase podataka treba izdvojiti male delove koji predstavljaju znanje, a onda dodatnom obradom stvoriti novo znanje, pa doi ido novih tehnolokih otkria. U pojmovnom razlikovanju znanja od podataka, znanje se sastoji od injenica, pretpostavki i verovanja, ali posebno vano i od naina kako ih upotrebiti. Rudarenje podataka je znai automatizirano traenje informacija u mnotvu podataka. Cilj ove metode jeste pronalaenje pravila, odnosno uzoraka koji omoguuju pronalaenje veza izmeu uzroka i posledica. Jo uvek se razvijaju alati koji e omoguiti korienje DM menaderima i bez specijalizovanog strunog znanja, te se takoe radi na edukaciji korisnika ove metode.
12
Literatura http://www.scribd.com/
13