STRUNI RAD

004.78:025.4.036]:336.71

Doc. dr. Mirjana Peji Bach

RUDARENJE PODATAKA U BANKARSTVU
DATA MINING IN BANKING

SAETAK: Cilj rada je pokazati da se primjenom tehnika rudarenja ve postojei

podaci u bankama mogu koristiti za donoenje kvalitetnijih odluka, ime se poboljava
poslovni rezultat banaka. Analizom moguih primjena rudarenja podataka u bankarstvu
pokazalo se da se ovom metodom mogu pronai vrijedne informacije koje pomau poboljanju poslovnog rezultata banke. U anketi koja je provedena u hrvatskim bankama pokazalo
se da 48% banaka koristi rudarenje podacima, a 9% banaka planira koristiti tehnologiju u
iduoj godini. U najveem broju banaka metoda se koristi za analizu i procjenu rizinosti.
KLJUNE RIJEI: rudarenje podataka, bankarstvo, poslovna inteligencija.
ABSTRACT: Goal of the paper is to demonstrate that data mining techniques could
use existing data in banks for increasing quality of decision making, which in turn improves
business performance of banks. Analysis of possible applications of data mining in banking
has demonstrated that this method helps with finding useful information for improving
business performance of the bank. Survey research showed that 48% of Croatian banks use
data mining, and 9% of the banks plan to use technology in the next year. In most of the
banks data mining is used for risk analysis and estimation.
KEY WORDS: data mining, banking, business intelligence

182

Zbornik Ekonomskog fakulteta u Zagrebu, godina 3, 2005.

1. UVOD
Rudarenje podataka je nova metodologija kojom se otkrivaju vrijedni podaci u bazama podataka poduzea. Metoda se naziva rudarenje podataka, jer se u velikim koliinama
podataka trae informacije koje vrijede zlata. U ovom radu prikazat emo metodologiju i
najvanije primjene rudarenja podataka u bankarstvu.
Rudarenje podataka moe biti vrlo korisno u bankarstvu. Brojni su primjeri, a navest
emo tipine. Banka moe na temelju karakteristika klijenata predvidjeti koji klijenti bi
mogli koristiti odreene usluge, te usmjeriti marketinku kampanju samo na taj uski
segment ime se smanjuju trokovi i poveava lojalnost klijenata. S druge strane banka
moe na temelju podataka iz prolosti odrediti karakteristike klijenata za koje je vjerojatno
da nee moi vratiti kredit te na taj nain smanjiti rizik svog poslovanja. Sigurno je da
banka ima ve razvijene metode za odabir klijenata koji bi mogli koristiti dodatne proizvode kao i metode za detekciju potencijalnih loih dunika. Novost u rudarenju podataka je
u tome to na temelju podataka iz prolosti i sofisticiranih metoda radi to isto s veim
uspjehom.
Cilj rada je pokazati da se primjenom tehnika rudarenja ve postojei podaci u bankama mogu koristiti za donoenje kvalitetnijih odluka ime se poboljava poslovni rezultat
banaka. Hipoteza rada zasnovana je na primjeni tehnike rudarenja podataka ime se moe
poveati kvaliteta poslovnih odluka i poboljati poslovni rezultat banke.

2. TO JE RUDARENJE PODACIMA?
Banke dnevno biljee goleme koliine podataka. Za svakog klijenta vode se podaci o
raunima, transakcijama po svakom raunu, kreditnim obvezama te demografski podaci.
Ovi se podaci biljee u transakcijske baze podataka koje su nune za tekue poslovanje. Transakcijske baze podataka openito obavljaju tri ope funkcije: voenje evidencije o
obavljenim poslovnim dogaajima, generiranje dokumenata potrebnih u poslovanju i
izvjetavanje o stanju poslovnog procesa (Parker et.al., 2004.).
Najbolje se ui iz iskustva, stoga su prije petnaest godina isprva znanstvenici, a kasnije i menaderi shvatili da su transakcijske baze podataka bogat izvor znanja kojim se
moe poboljati poslovanje poduzea (Piatetski, 1991.). Postalo je jasno da poduzea imaju
mnogo podataka, a malo informacija i vrlo malo znanja o mnogim aspektima svoga poslovanja.
Meutim, transakcijske baze podataka su goleme1. Zamislimo da menadment banke
eli utvrditi karakteristike klijenata koji su u prolosti bili nelikvidni. Takvu informaciju
moe traiti od informatiara u poduzeu koji, osim svoga redovnog posla, trebaju potroiti
1

Veliina transakcijskih baza podataka mjeri se u terabajtovima (TB). Jedan terabajt sastoji se od
1,024 gigabajta (GB). Ako uzmemo u obzir da jedan gigabajt u prosjeku sadri 64,782 stranica
word dokumenta (LexisNexis, 2004), onda jedan terabajt ima 66.336,768 stranica. Teko je uope i
shvatiti koliko je to podataka, a kamoli koristiti ih u poslovanju bez pomoi informacijske tehnologije.

M Peji Bach: Rudarenje podataka u bankarstvu

183

dosta vremena da naprave traeni izvjetaj. Kad je izvjetaj na stolu menadera, moda je
ve prekasno za donoenje odluka.
Metoda kojom se moe poveati uspjenost koritenja transakcijskih baza podataka za
poboljanje poslovanja poduzea naziva se rudarenje podacima. Mnogo je definicija
rudarenja podataka, a istaknut emo sljedee:
Rudarenje podacima je traenje vrijednih informacija u velikim koliinama podataka.
Rudarenje podacima je istraivanje i analiza velikih koliina podataka pomou automatskih ili poluautomatskih metoda s ciljem otkrivanja smislenih pravilnosti.
Do prije nekoliko godina metoda se razvijala prvenstveno u znanstvenim krugovima.
Tek je nedavno zaivjela u poduzeima, kada je postalo jasno da je koritenje rudarenja
podataka neizbjeno za stjecanje komparativne prednosti poduzea. U hrvatskim velikim
poduzeima koritenje rudarenja podataka doivjelo je pravi bum. Na konferencijama
posveenim poslovnoj inteligenciji i upravljanju znanjem predstavljaju se projekti hrvatskih
vodeih poduzea koji kao sastavni dio imaju rudarenje podataka.
Hrvatske banke slijede ovaj trend. U anketi o koritenju naprednih informacijskih tehnologija u bankarstvu, provedenoj u rujnu 2004. godine, pokazalo se da 48% banaka koristi
rudarenje podacima, a 9% banaka planira koristiti tehnologiju u iduoj godini. U najveem
broju banaka metoda se koristi za analizu i procjenu rizinosti klijenata (Peji Bach et.al.,
2004.).

3. PROCES RUDARENJA PODACIMA

Vano je istaknuti da je rudarenje podataka vie umjetnost nego znanost. Ne postoji
recept za uspjeno rudarenje podataka koje e sigurno rezultirati pronalaenjem vrijednih
informacija. Meutim, vjerojatnost uspjeha e se poveati ako se slijede koraci procesa
rudarenja podacima (Baragoin et.al., 2001.), koji su prikazani na slici 1.
U prvom koraku se definira poslovni problem. Drugi korak je priprema podataka koja
ukljuuje odreivanje potrebnih podataka, transformaciju i uzorkovanje, te vrednovanje
podataka. Modeliranje je trei korak, a obuhvaa odabir metode rudarenja te izradu i
vrednovanje modela. etvrti korak odnosi se na implementaciju koja obuhvaa interpretaciju i koritenje rezultata.
Proces rudarenja podataka je iterativan, to znai da se je u svakom trenutku mogue
vratiti na neki od prethodnih koraka. Na primjer, u procesu odabira tehnike rudarenja
moemo shvatiti da nismo dobro odabrali potrebne podatke, stoga se moemo vratiti na
drugi korak i poeti sve ispoetka. Ovakav skok unatrag vie e biti pravilo nego izuzetak, jer je u rudarenju podataka najvanije dobro definirati problem te dobro odabrati i
pripremiti podatke, to je teko od prve napraviti kako treba. S druge strane, tijekom
procesa rudarenja podataka poveava se nae znanje o poslovnom problemu i podacima, te
je takva revidirana definicija poslovnog problema esto bolja od originalne. U nastavku
emo detaljno opisati korake rudarenja podataka.

184

Zbornik Ekonomskog fakulteta u Zagrebu, godina 3, 2005.

Definicija
poslovnog
problema

Korak 1: Definicija poslovnog problema

Odreivanje
potrebnih
podataka

Transformacija i
uzorkovanje
podataka

Korak 2: Priprema podatka

Vrednovanje
podataka

Odabir tehnike
rudarenja

Korak 3: Modeliranje

Izrada i
vrednovanje
modela

Interpretacija i
koritenje
rezultata

Korak 4: Implementacija

Slika 1. Proces rudarenja podataka

M Peji Bach: Rudarenje podataka u bankarstvu

185

3.1. Definicija poslovnog problema

Rudarenje podataka je nova metodologija i esto je u poduzeima prisutan stav da u
bazama podataka postoje vrijedni podaci koje treba otkriti, pri emu se ne definira koji bi to
podaci bili niti za koju svrhu.
Ako se vratimo analogiji kopanja zlata koja je spomenuta na poetku rada, ovaj pokuaj moemo usporediti s traenjem zlata na bilo kojem mjestu. Vjerojatnost pronalaenja
zlata je znatno vea ako koristimo suvremeni alat. Meutim, moramo znati na kojem mjestu
treba kopati.
Prvi korak u procesu rudarenja podataka je definicija poslovnog problema te izraavanje tog problema u obliku pitanja na koja se na zavretku procesa moe odgovoriti. Najbolji
pristup definiranju poslovnog problema je analiziranje podruja gdje je rudarenje podataka
ve uspjeno koriteno. Nakon to se dobro upoznamo sa uspjenim primjenama rudarenja
podataka, moemo odabrati podruje koje je najkritinije za nae poduzee.
Na primjer, cilj poslovanja moe biti poveanje prodaje ivotnog osiguranja. Mogue
je napraviti model kojim se predvia koji e klijenti banke kupiti ivotno osiguranje. Banka
svoje marketinke napore moe usmjeriti samo na te klijente, ime se smanjuju trokovi, ali
se i poveava uinkovitost marketinke kampanje. U sljedeem poglavlju opisat emo
detaljno tipine primjene rudarenja podataka u bankarstvu.
U ovom koraku odreuje se koje e osobe sudjelovati u projektu rudarenja podacima.
To e tipino biti specijalist za rudarenje podacima, informatiar koji dobro poznaje baze i
skladita podataka banke, te bankarski strunjak koji je dobro upoznat s potencijalnom
primjenom. Vano je da se na elu tima nalazi kljuna osoba iz menadmenta koja ne mora
direktno raditi na projektu, ali ga treba podrati te pomoi u rjeavanju eventualnih tekoa.
Jo uvijek u hrvatskim bankama postoji otpor prema primjeni novih tehnologija, premda se
stanje u posljednje vrijeme popravlja, to je pokazalo i ovo istraivanje. Uloga osobe iz
menadmenta je upravo u tome da pomogne u prevladavanju ovih otpora.

3.2. Priprema podataka

Priprema podataka obuhvaa odreivanje potrebnih podataka, transformaciju i uzorkovanje te vrednovanje podataka. Ova faza je vremenski najzahtjevnija, a obuhvaa 6090% vremena potrebnog za rudarenje podataka (Pyle, 1999.). Podaci za rudarenje mogu biti
pohranjeni u razliitim oblicima, od kojih su najei relacijske baze podataka ili skladita
podataka. Moe se raditi o operacionalnim sustavima, kao to su POS, bankomati, telefonski razgovori, web serveri i slino. Takoer se mogu koristiti podaci prikupljeni istraivanjem trita ili eksterni izvori podataka npr. Hrvatski registar obveza po kreditima
(HROK), koji sadri podatke o kreditnom optereenju graana. Specijalist za rudarenje
podacima, informatiar, te bankarski strunjak zajedno odreuju koji podaci e biti potrebni
za izradu modela.
ODREIVANJE POTREBNIH PODATAKA
Drugi korak u rudarenju podataka je odreivanje podataka koji e se koristiti za izradu
modela. Podaci koji se tipino koriste za rudarenje podataka pohranjeni su u obliku transakcijske baze podataka te baze klijenata. Transakcijska baza biljei podatke za svaku

186

Zbornik Ekonomskog fakulteta u Zagrebu, godina 3, 2005.

transakciju, pri emu je njezin tipian sadraj sljedei: ifra klijenta, broj rauna, vrsta,
iznos i datum transakcije. Baza podataka o klijentima tipino sadri ifru klijenta, ifru
kuanstva, broj rauna, ime i prezime kupca, adresu, telefon, demografske podatke, proizvode i usluge, dosadanje ponude i segmentaciju.
U ovom se koraku takoer odreuje koje varijable e se izbaciti iz analize te koja e
varijabla biti ciljna ili zavisna. Na primjer, ako se radi o analizi kreditnog rizika, ciljna
varijabla e biti ona koja opisuje je li klijent vratio kredit ili ne. Konaan rezultat odreivanja potrebnih podataka je popis varijabli koje e se koristiti u izradi modela.
TRANSFORMACIJA PODATAKA
U ovom se koraku varijable iz dostupnih baza podataka transformiraju u oblik pogodan za rudarenje podataka. Podaci moraju biti u tabelarnom obliku pri emu se u stupcima
trebaju nalaziti varijable (obiljeja), a u recima opaanja. Svaki redak mora opisivati
podatak znaajan za poduzee (npr. kupca, proizvod).
esto se podaci iz transakcijske baze podataka moraju sumirati da bi bili korisni, pri
emu se dosta koristi ukupan i prosjean mjeseni iznos transakcija po svim raunima
klijenta.
Na temelju dostupnih varijabli iz baza podataka raunaju se varijable koje odreuje
bankovni strunjak. Primjeri takvih varijabli su razlike izmeu trenutnog stanja tekueg
rauna i odobrenog minusa te vrijeme koje je proteklo izmeu dana otvaranja rauna i dana
prve transakcije.
UZORKOVANJE PODATAKA
U transakcijskim bazama podataka i bazama klijenata nalaze se velike koliine podataka. Za izradu modela nije potrebno toliko podataka, stoga se koristi uzorkovanje podataka
kako bi se odabrala manja koliina podataka potrebnih za model.
Ovdje se esto postavlja pitanje: Koliko je podataka dovoljno? Nema jednoznanog
odgovora jer broj potrebnih podataka ovisi o algoritmu. Za izradu stabla odluivanja
dovoljno je imati dvije do tri tisue podataka, ali za treniranje neuronskih mrea potrebno je
mnogo vie.
Podaci za uzorak izabiru se najee sluajnim izborom. esto se dogodi da je udio
dogaaja koji se analizira u uzorku vrlo mali. Na primjer, ako elimo napraviti model koji
e prognozirati vjerojatnost da e klijent kupiti neki proizvod, potrebna nam je baza
podataka sa slinim podacima iz prolosti. U takvoj bazi od, na primjer 100.000 klijenata,
moe biti samo 4.000 klijenata koji su kupili proizvod. Na temelju njihovih karakteristika
napravit e se model. Za izradu modela nije nam potrebno 100.000 podataka ve mnogo
manje na primjer 10.000. Meutim, ako se podaci izabiru sluajnim izborom, broj od
4.000 klijenata koji su kupili proizvod u uzorku e biti mnogo manji oko 40. Preporuuje
se stoga da se u takvim sluajevima u uzorak od 10.000 uzme svih 4.000 klijenata koji su
kupili proizvod, a ostalih 6.000 klijenata odabire se sluajnim izborom. Pokazalo se da
takav pristup daje pouzdanije rezultate (Scott et. al., 1986.).
Poto je izabran uzorak za izradu modela, potrebno ga je dodatno podijeliti na dva dijela dio podataka za izradu modela i dio podataka za testiranje modela. Takav pristup
tipian je za rudarenje podataka jer se na taj nain provjerava efikasnost modela na podacima koji nisu koriteni za njegovu izradu.

M Peji Bach: Rudarenje podataka u bankarstvu

187

VREDNOVANJE PODATAKA
Kod vrednovanja podataka potrebno je analizirati postojanje netipinih vrijednosti i
prljavih podataka.
Netipine vrijednosti javljaju se u svakoj bazi podataka, a radi se na primjer o klijentima s izrazito visokim ili izrazito niskim primanjima. Potrebno je odluiti to napraviti s
netipinim vrijednostima. Mogue je napraviti analizu i s tim podacima, izbaciti podatke o
klijentima koji imaju netipine vrijednosti, izbaciti iz analize varijablu koja ima mnogo
netipine vrijednosti ili netipine vrijednosti zamijeniti s nekom vrijednosti npr. minimumom, maksimumom ili prosjekom. Vrijednosti varijable mogu se takoer podijeliti u
razrede (npr. niska, srednja, visoka primanja).
Prljavi podaci odnose se na nepostojee vrijednosti, nejasne definicije podataka i netone vrijednosti. Vrijedi pravilo da su svi podaci prljavi podaci, odnosno u svakoj bazi
mogue je nai neku od ovih pojava. Nepostojee vrijednosti este su, a obino se radi o
stanju da za klijenta nemamo neke demografske podatke npr. dob. Potrebno je vidjeti
moe li se dob izraunati na temelju nekih drugih varijabli- npr. jedinstvenog matinog
broja graana. Ako to nije mogue, postupak s nepostojeim vrijednostima isti je kao i
postupak za netipine vrijednosti. Nejasne definicije podataka este su kod prelaska
podataka iz jedne baze podataka u drugu. U tom sluaju varijabla Cijena 1 u jednoj bazi
moe oznaivati cijenu kave, a u drugoj cijenu kapuina. Netone vrijednosti najee su
posljedica pogrenog unosa podataka u raunalo.

3.3. Modeliranje
Na poetku procesa modeliranja esto se izrauje analiza profila klijenata, pri emu se
analiziraju odabrane karakteristike klijenata npr. spol, dob, zanimanje, primanja i slino.
U procesu rudarenja podacima koriste se sljedee metode: statistika, baze i skladita
podataka, umjetna inteligencija i vizualizacija. Postoji dosta dvojbe o tome to je zapravo
rudarenje podataka, ali vano je znati da se metode rudarenja podataka mogu podijeliti u tri
kategorije: otkrivanje, klasifikacija i predvianje (Berry et. al., 2000.).
Metode otkrivanja odnose se na mnoge postupke koje trae pravilnost u podacima bez
prethodnog znanja o njihovu obliku. Brojne su metode kojima se otkrivaju pravilnosti u
podacima, a neke od njih su metode segmentiranja (engl. cluster analysis) i asocijativna
pravila.
Metode za klasifikaciju varijabli koriste se za predvianje kategorije npr. hoe li
klijent vratiti kredit ili ne. Za klasifikaciju se esto koriste stablo odluivanja, logit regresija
te neuralne mree.
Metode za predvianje vrijednosti varijabli koriste se za predvianje numerikih vrijednosti npr. iznosa koliko e novca klijent godinje kupiti na temelju njegove dobi,
zanimanja i dosadanje potronje. Za predvianje se takoer koriste neuronske mree, ali i
linearna regresija te metode vremenskih serija.
Odabir metode ovisi o cilju analize. Na primjer, ako je cilj analize otkrivanje novih
segmenata na tritu, koristit e se neka od metoda otkrivanja. Najee koritene metode
rudarenja podataka su metode klasifikacije, a najrjee se koriste metode predvianja
vrijednosti.

188

Zbornik Ekonomskog fakulteta u Zagrebu, godina 3, 2005.

U ovoj se fazi rijetko odluuje samo za jednu metodu ve se obino provjerava vie
metoda. Tek nakon njihove usporedbe na konkretnom uzorku podataka odabire se metoda
rudarenja podataka.
Primjena ovih metoda bila bi teko mogua bez softvera za rudarenje podataka. Na tritu postoje brojni besplatni i komercijalni softveri. Obje skupine softvera mogu sadravati
vie metoda ili biti specijalizirane samo za jednu. Iscrpan popis softvera dostupan je na web
mjestu www.kdnuggets.com
Nakon primjene metoda njihovi rezultati se vrednuju. Podsjetimo se da su podaci koji
su izabrani u uzorak, podijeljeni na dva dijela - dio podataka za izradu modela i dio podataka za testiranje modela. Podaci za testiranje modela koriste se za vrednovanje metode, jer
se na taj nain provjerava efikasnost modela na podacima koji nisu koriteni za njegovu
izradu.

3.4. Implementacija
Implementacija rezultata odnosi se na interpretaciju rezultata i njihovo koritenje. U
ovoj fazi kljuna je uloga bankarskog strunjaka koji na temelju specifinih bankarskih
znanja moe interpretirati rezultate. Budui da bankarski strunjaci obino nisu i strunjaci
za rudarenje podataka, vano je da rezultati modela budu u jednostavnom obliku za interpretaciju npr. u obliku grafikona ili pravila.
Koritenje rezultata ovisi o njihovom predstavljanju i integraciji u svakodnevno poslovanje. to su rezultati bolje predstavljeni, to e se vie koristiti. Dobro je takoer ako se
modeli rudarenja podataka implementiraju u informacijski sustav poduzea. Na primjer,
model za predvianje odlaska klijenata konkurenciji trebao bi se integrirati u bazu podataka
klijenata u obliku varijable koja sadri vjerojatnost odlaska klijenta. Isto tako, model za
prodaju dodatnih proizvoda trebao bi se integrirati u bazu klijenata u obliku niza varijabli
koje prikazuju proizvode koje bi kupac mogao vjerojatno kupiti.

4. PRIMJENE RUDARENJA
PODACIMA U BANKARSTVU
4.1. Rizik
Model rizika tipian je upravo za banke i osiguravajua drutva. Za banke je jako vano da ne daju kredit osobi za koju je vjerojatno da ga nee moi vratiti. Tada se koriste
modeli rizika za predvianje vjerojatnosti hoe li ili nee dunik moi vratiti kredit. Ovakvi
modeli mogu se koristiti za klasine kredite koji imaju neki oblik osiguranja (jamac,
hipoteka, zalono pravo), ali i za neosigurane kredite (revolving kreditne kartice, minusi po
tekuem raunu). Osiguravajua drutva imaju rizik da e klijent iskoristiti osiguranje, na
primjer, zbog ozljede. Poznato nam je da vodee hrvatske banke i osiguravajua drutva
koriste u svom poslovanju modele predvianja rizika.
Rizik od prijevare takoer je vaan za banke i osiguravajua drutva. Kod krae kreditnih kartica, banke preuzimaju na sebe dio tete. Modeli koji na temelju ponaanja kupaca

M Peji Bach: Rudarenje podataka u bankarstvu

189

brzo detektiraju krae kreditnih kartica smanjuju gubitak banke. Na primjer, rudarenjem
podataka pokazalo se da broj velikih transakcija u vrlo kratkom vremenu raste nakon krae
kreditne kartice. Mogue je kod svake transakcije u sustavu autorizacije usporediti prosjean broj i vrijednost transakcija po danu te na taj nain bre reagirati ako postoji sumnja u
krau.
Osiguravajua drutva imaju rizik da e, na primjer, klijent pokuati iskoristiti svotu
osiguranja od imovine nakon podmetnutog poara. Mogue je izraditi model koji olakava
detekciju potencijalnih pokuaja prijevare te model koji predvia koji klijenti e tek u
budunosti pokuati prevariti osiguravajue drutvo.

Case study: HFC Bank otkriva zlouporabe kreditnih kartica

HFC Bank izdaje kreditne kartice koje koristi preko 3 milijuna britanskih graana. U
prosjeku mjeseno obrauju 9 milijuna transakcija, od kojih je 2.500 zlouporaba kreditnih
kartica. Otkrivanje takvih transakcija je izrazito teko, prevaranti kopiraju informacije s
magnetskih vrpci kartica i zatim pomou njih pokuavaju kupiti proizvode. Obino se radi
o nizu brzih kupovina proizvoda visoke vrijednosti poput nakita ili elektronike.
Rudarenje podataka zainteresiralo je menadment banke koji je angairao tim od 5
analitiara. Koriteno je 60 varijabli za identificiranje zlouporaba. Pokazalo se da su neka
prodajna mjesta izrazito pogodna za zlouporabe (npr. kupnja nakita u inozemstvu), stoga je
banka svim transakcijama na takvim prodajnim mjestima dala veu pozornost.
U samo prvih devet mjeseci rezultati operacije bili su spektakularni. Iako je u 2003.
godini predvien rast prijevara u industriji kreditnih kartica za 20%, HFC Bank uspjela je
izbjei negativan trend te smanjiti broj tetnih transakcija za 55% uz mjesenu utedu
220.000 USD. Ovi rezultati dvostruko su bolji od ostalih banaka. Prosjean gubitak u
kartinoj industriji nastao kao rezultat prijevara je 0,27% ukupnog prihoda, a gubitak HFC
Bank je 0,10%.
Izvor: www.sas.com/success/index.html

4.2. Prodaja dodatnih proizvoda postojeim klijentima

Modeli prodaje dodatnih proizvoda postojeim kupcima odreuju vjerojatnost 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 takoer se poveava kvaliteta odnosa s klijentima. Na taj nain raste
profitabilnost poslovanja, jer je troak prodaje drugih proizvoda postojeim klijentima
mnogo nii od privlaenja novih kupaca uz istodobno poveanje lojalnosti postojeih
klijenata. Vodee hrvatske banke u svom poslovanju ve due vrijeme koriste ovakve
modele (Vrani, 2001.).

190

Zbornik Ekonomskog fakulteta u Zagrebu, godina 3, 2005.

Case Study: First National Bank poveava efikasnost marketinga

First National Bank jedna je od najjaih banaka u Africi s 3.2 milijuna klijenata. U posljednje vrijeme, s dolaskom stranih banaka, konkurencija se zaotrila. Menadment banke
shvatio je da ne iskoritava dovoljno podatke koje ima o svojim klijentima. To se posebno
oitovalo u loe koordiniranom marketingu zbog ega su jedni klijenti dobivali previe
ponuda, a drugi premalo. Efikasnost marketinkih napora uope se nije mjerila.
Menadment banke odluio je 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 sustav koji prikuplja i proiava podatke o klijentima
ime se sprjeava viestruko slanje ponuda na isto ime kroz vie razliitih kanala (pota,
telefon, mail). Podaci iz sustava analizirani su i koriteni za dizajn ponuda prilagoenih
individualnim klijentima na temelju njihovih dosadanjih transakcija i usluga koje koriste.
Klijenti su odlino reagirali 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. Dio najboljih klijenata do tada bio je dakle zapostavljen zbog loeg informacijskog sustava. Menadment banke raunao je da e se investicija u rudarenje podataka isplatiti tek za 10 mjeseci, ali su ve prve marketinke kampanje
vratile ulaganje uz profit od 3000%.
Izvor: http://www.sas.com/success/fnb.html

4.3. Zadravanje postojeih klijenata

Odlazak klijenata konkurenciji problem je mnogih djelatnosti. 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 svijetu ve godinama vode rat kamatama
kako bi privukle klijente. Niske kamate vrijede u poetnom razdoblju (npr. godina dana), a
kartine kompanije nadaju se da e klijenti nastaviti koristiti karticu i nakon isteka pogodnosti. Meutim, u svijetu se pokazalo da dio klijenata vjeto koristi niske kamate kod
nekoliko kartinih kompanija. Rudarenjem podataka izrauju se modeli kojima se predvia
vjerojatnost da e klijent, nakon to se kamate podignu na normalnu razinu, prijei konkurenciji ili e smanjiti potronju.

M Peji Bach: Rudarenje podataka u bankarstvu

191

Case study: Dreyfus Corporation predvia odlazak klijenata konkurenciji

Zbog zasienosti trita investicijski fondovi postali su vrlo agresivni u privlaenju
klijenata konkurencije. Agresivno se natjeu u pridobivanju novih klijenata, dok u isto
vrijeme ulau velika sredstva kako bi zadrali postojee. Mnogi fondovi koriste agresivne
mjere prevencije, kao to je naplata visokih provizija klijentima koji povlae svoja sredstva
prije utvrenog roka ili poticajnim mjerama poput naplate manjih provizija lojalnim
klijentima.
Dreyfus Corporation koristi rudarenje podataka za predvianje vjerojatnosti 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 reagira na znakove upozorenja, kao to su nagli porast ili pad broja kontakata s
klijentom te povean broj transakcija izmeu fondova. Sustav Dreyfus Corporation predvia potencijalni odlazak klijenta tri do est mjeseci prije nego to se to doista dogodi s
tonou od 80 do 85%. S potencijalno problematinim klijentom se telefonski razgovara,
te mu se nude posebne pogodnosti prilagoene njegovoj dobi, primanjima, portfelju i
nedavnim investicijskim aktivnostima.
Izvor: http://www.sas.com/success/dreyfus.html

4.4. Segmentacija
Glavni resurs banke su njezini klijenti. Tek na temelju poznavanja njihovih karakteristika, preferencija i specifinih potreba banka im moe prilagoditi ponudu svojih usluga. Pri
tome treba uzeti u obzir da se karakteristike klijenata mijenjaju svakih nekoliko godina.
Mlada osoba koja tek studira vjerojatno koristi samo jedan ili tek nekoliko bankarskih
proizvoda. Ista osoba koristit e drugaije proizvode nakon to se vjena, a drugaije nakon
umirovljenja.
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. Koritenjem 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.

4.5. ivotna vrijednost klijenta

ivotna vrijednost klijenta je oekivana vrijednost zarade od pojedinog klijenta kroz
odreeno razdoblje. Na primjer, banci je interesantno privui to vie studentske populacije
od koje e velik dio postati profitabilni klijenti. Trenutna zarada od usluga studentima moe

192

Zbornik Ekonomskog fakulteta u Zagrebu, godina 3, 2005.

biti mala, ali ako se stvori dobar odnos s klijentom, u budunosti e se ostvariti velika
korist. Tek diplomiranom studentu trebat e kredit za auto, stan, tekui raun, kreditne
kartice, mirovinsko i ivotno osiguranje Zbog visokog obrazovanja oekuje se da e
takva osoba imati i natprosjena primanja te e si moi priutiti sve te proizvode. Rudarenjem podataka izrauju se modeli kojima se predvia ivotna vrijednost klijenta kako bi
bankarski slubenici mogli posvetiti vie panje klijentima koji nisu trenutno profitabilni,
ali bi to mogli postati u budunosti.

4.6. Odaziv
Model odaziva ima za cilj predvidjeti koji e kupci pozitivno odgovoriti na ponudu za
kupovinu proizvoda ili usluge, pri emu se obino radi o direktnom marketingu. Ponuda
moe biti odaslana razliitim kanalima potom, telefonom, Internetom. Cilj ovog modela
moe biti privlaenje novih kupaca, ali i starih kupaca s kojima due vrijeme ne poslujemo.
Takve e kupce esto biti lake pridobiti na kupovinu proizvoda od novih kupaca.

4.7. Aktivacija
Modeli aktivacije predviaju vjerojatnost da e klijent kojega smo pridobili, postati
profitabilan. Na primjer, 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. Dio klijenata
to nikada ne uini te se modelom aktivacije moe predvidjeti 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.

4.8. Racionalizacija poslovanja

Rudarenjem podataka mogue je racionalizirati poslovanje na mnogo naina ime se
ostvaruju znatne utede. Opisat emo nekoliko primjera. 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 nema smisla
puniti sve bankomate maksimalnim iznosom jer je prosjean dnevni promet na bankomatima mnogo manji. Takoer, novac na bankomatima ne donosi nikakvu kamatu. Rudarenje
podataka moe se koristiti u svrhu izrade sustava za optimizaciju upravljanja gotovinom
koji bi predviao kada i koliko novca treba isporuiti na koje mjesto te bi pri tome uzimao u
obzir tjedne, mjesene i godinje oscilacije. Rudarenje podataka moe se koristiti za izradu
modela koji daje preporuku to treba napraviti kad klijent kasni obronim plaanjem kredita
ili premije osiguranja ekati, telefonirati, slati opomenu ili pokrenuti ovrhu. Nekoliko
banaka koristilo je rudarenje podataka u organizaciji zatitarske slube banke. Modelom su
analizirane karakteristike poslovnica koje su opljakane u posljednje vrijeme, stoga je u
poslovnicama slinih karakteristika organizirano jae osiguranje.

M Peji Bach: Rudarenje podataka u bankarstvu

193

5. ZAKLJUAK
Cilj rada je pokazati da se primjenom rudarenja podataka moe poveati kvaliteta poslovnih odluka, ime se poboljava poslovni rezultat banke. Prikazan je proces rudarenja
podataka u bankarstvu, koji se sastoji od nekoliko faza: definicije poslovnog problema,
pripreme podataka, modeliranja i primjene modela. Deks top istraivanjem identificirane su
najee primjene rudarenja podataka u bankarstvu, te je prikazana jedna primjena rudarenja podataka na cross sellingu bankarskih usluga sektoru poduzea. Anketno istraivanje
primjene naprednih informatikih tehnologija u bankarstvu pokazalo je da hrvatske banke
slijede ovaj trend te da se 48% banaka koristi rudarenjem podataka, a 9% banaka planira
koristiti tehnologiju u tijeku idue godine.

LITERATURA
1. Baragoin, C., Andersen, C.M., Bayerl, S., Bent, G., Lee, J., Schommer, C. (2001).
Mining Your Own Business in Banking Using DB2 Intelligent Miner for Data. Dostupno na: http://www.redbooks.ibm.com/
2. Berry, M.J.A., Linoff, G.S. (2000). Mastering Data Mining. Wiley, Chichester.
3. LexisNexis (2004). How many pages in a gigabyte? Dostupno na:
http://www.lexisnexis.com/applieddiscovery/lawlibrary/whitePapers/ADI_FS_PagesIn
AGigabyte.pdf
4. Parker, C., Case, T. (1998). Management Information Systems: Strategy and Action.
McGraw Hill, New York.
5. Peji Bach, M., Bosilj Vuki, V., urko, K., Pogaj, ., Vlahovi, N. (2004). Informatiki aspekti primjene upravljanja znanjem i poslovnim procesima u bankarstvu. Interni
projekt Ekonomskog fakulteta u Zagrebu.
6. Piatetski-Shapiro, G., Frawley, W. (1991). Knowledge Discovery in Databases. MIT
Press.
7. Privredni Vjesnik (2004). Leasing u Hrvatskoj. Privredni Vjesnik, prosinac, 2004.
8. Pyle, D. (1999). Dana Preparation for Data Mining. Morgan Kaufmann, San Franciso.
9. Scott, A.J., C. J. Wild. (1986). Fitting Logistic Models under Case-control or Choice
Based Sampling. Journal of the Royal Statistical Society Series B 48(2),170-82.
10. Vrani, I. (2001). Metode raspoznavanja uzoraka za analizu poslovno-financijskih
podataka. Magistarski rad. Sveuilite u Zagrebu, Fakultet elektrotehnike i raunarstva.