Пробные занятия. Бесплатно!
Приглашаем всех желающих посетить бесплатные пробные занятия по курсам МВА и профессиональной подготовки. Занятия проходят в реальных группах, никаких постановочных занятий. Ознакомиться с расписанием пробных занятий, выбрать заинтересовавшее и зарегистрироваться на него можно здесь


Профилирование наилучших достижений структурных подразделений коммерческого банка средствами Data Mining

Крысин А.С.
Выпускник группы ITM-19
Школа IT-менеджмента
РАНХиГС при Президенте РФ

Из-за большой конкуренции на рынке финансовых услуг банки сталкиваются с сокращением числа потенциальных и удержанием существующих клиентов, а также все больше ощущают на себе необходимость в оперативном сборе и обработке данных. Одними из основных задач банков являются: снижение затрат, рост прибыли, увеличение доходов акционеров и показателей прибыли.

Перечень проблем, с которыми сталкиваются банки в настоящее время, растет, что заставляет их пересматривать свои стратегии и создавать новые модели ведения бизнеса, которые позволили бы им оставаться конкурентоспособными в высокотехнологичном, многообразном мире, каким является современная банковская отрасль. От того, насколько оперативно банки принимают правильные стратегические решения, зависит само существование банка. Но как это осуществить?

Большая часть того, что необходимо уже хранится в банках в виде огромных объемов данных, собираемых  ежедневно для решения основных задач  во всех направлениях банковского бизнеса. Проблема в том, что эта информация о клиентах, поставщиках, операциях компании и многом другом рассредоточена между десятками операционных систем и систем обработки транзакций, расположенных в разных бизнес-подразделениях. Возникает  необходимость объединить это всё вместе для того, чтобы из разрозненной информации получить настоящие знания. В этом поможет Data Mining, являющийся частью профилирования.

Профилирование -  сбор характеристик работы чего-либо.

Целью данной аттестационной работы является выявление взаимосвязей между различными факторами, влияющими на сумму и количество выданных кредитов банком.

Для достижения сформулированной цели используется технология data mining.

Date mining- это интеллектуальный анализ данных, выявление скрытых закономерностей или взаимосвязей между переменными в больших массивах необработанных данных. Термин «Data Mining» был впервые введен Григорием Пятецким-Шапиро в 1989 году.

Data Mining - мультидисциплинарная область, возникшая и развивающаяся на базе таких наук как прикладная статистика, распознавание образов, искусственный интеллект, теория баз данных и др.

Data Mining как мультидисциплинарная область

Целью Data Mining является нахождение скрытых правил и закономерностей в наборах данных. Дело в том, что человеческий разум сам по себе не приспособлен для восприятия больших массивов разнородной информации. Человек к тому же не способен находить  более двух-трех взаимосвязей даже в незначительных выборках, а ведь современная работа в банковской сфере, как раз, и подразумевает анализ огромного количества данных и массивов информации.

Современные технологии Data Mining «перерабатывают» информацию с целью автоматического поиска шаблонов, характеризующих какие-либо фрагменты неоднородных многомерных данных.

Область применения Data Mining не имеет границ — она присутствует везде, где имеются какие-либо данные. В первую очередь методами Data Mining сегодня заинтересовались коммерческие предприятия, банки, кредитные бюро, развертывающие проекты на основе информационных хранилищ данных (Data Warehousing).

Далее, рассмотрим применение технологии Data Mining именно в банковской сфере. Применение указанной технологии помогает решить следующие задачи;

  • Выработка грамотных управленческих решений;
  • Оценка рисков, возникающих вследствии невозврата кредитов;
  • Увеличение прибыли от инвестиций и снижение затрат на продвижение товаров и услуг;
  • Мониторинг эффективности бизнеса;
  • Построение скоринга для оценки кредитоспособности клиента для получения им кредита или ссуды;
  • выявление мошенничества с кредитными карточками. Анализируя свершившиеся транзакции, которые в итоге  были признаны мошенническими, банк способен определить некоторые стереотипы такого мошенничества. Например, можно установить, что одним из предупреждающих сигналов служат многочисленные транзакции в магазинах бытовой электроники в течение короткого промежутка времени. Полученные таким образом знания банк может использовать в своих действующих системах, разрешая транзакции, совпадающие со стереотипом мошенничества, только после предварительной беседы с клиентом.
  • сегментация клиентов. Разбивая клиентов на определенные категории, банки могут улучшить свою маркетинговую политику и сделать ее более целенаправленной и эффективной, предлагая определенные виды услуг определенным группам клиентов. Например, банк может распространять одну карточку между клиентами, которые довольно часто путешествуют, а другую — между клиентами, которые оплачивают вовремя свои счета по кредитным карточкам. Сегментацию также полезна для определения, отделений банка, которые с наибольшей долей вероятности получат прибыль от проведения отдельных маркейтинговых акций.
  • прогнозирование изменений клиентов. Data Mining помогает банкам выстраивать прогнозные модели ценности своих клиентов, и соответствующим образом обслуживать каждую категорию в отдельности. Для этого банк выявляет  характер потребностей своих сегодняшних потенциально выгодных клиентов и с помощью методов Data Mining определяет характерные черты, которыми они обладали несколько лет назад. Затем он находит клиентов, имеющих эти черты в настоящий момент, принимая их вероятными прибыльными клиентами в ближайшем будущем. Банк может включить соответствующих клиентов в целевые программы удерживания клиентов.
  • Удержание клиентов банка и повышение лояльности
  • Другие.

Технология  Data Mining популярна еще и за счет того, что сочетает в себе 5 стандартных типов закономерностей, которые позволяют выделять методы технологии:

  1. ассоциация
  2. последовательность
  3. классификация
  4. кластеризация
  5. прогнозирование

Аccoциaция имeeт местo в том случae, если некоторое количество событий связаны между собой. Например, исследование, проведенное в коммерческом банке, может выявить, что 65% клиентов, взявших автокредит , оформляют также и страховку, а при наличии скидки за такой комплект приобретают её в 85% случаев. Располагая информацией о подобной ассоциации, сотрудникам банка легко оценить, насколько действенна предоставляемая скидка.

Последовательность — цепочка взаимосвязанных во времени событий. Так, например, после покупки жилья в 45% случаев в течение месяца приобретается новая кухонная плита, а в пределах двух недель 60% новоселов обзаводятся холодильником.

С помощью классификации определяются признаки, характеризующие группу, к которой принадлежит определенный объект. Это возможно с помощью анализа уже классифицированных объектов и формирования определенного набора правил.

Кластеризация отличается от классификации тем, что сами группы заранее не известны. При кластеризации средства Data Mining автоматически выделяют различные однородные группы данных.

Базой для всякого рода систем прогнозирования является историческая информация, имеющаяся в БД в виде временных рядов. В том случае, если удается создать математическую модель и выявить шаблоны, объективно отражающие данную динамику, то есть вероятность, что с их помощью можно предугадать  и поведение системы в будущем.

Внастоящее время одной из главных задач  конкурентоспособного банка является борьба за «качественного» клиента, т.е. привлечение максимально выгодных и потенциальных клиентов. Грамотное управление кредитными рисками становится основным конкурентным преимуществом кредитных учреждений, развивающих кредитование физических лиц. Следовательно, одним из главных и приоритетных направлений банка является разработка скоринг-технологии, удовлетворяющей целям и принципам банка, а также привлечению новых клиентов.

В связи с ростом количества выдачи кредитов, появилась задача в классификации торговых точек (ТТ) по доходности и выявление показателей, наиболее сильно влияющих на доходность торговой точки в каждом из сегментов и выявление взаимосвязи между ними. Таким образом, мы получили проблемы бизнеса, решаемые в работе:

В работе показаны пути решения данных «проблем» путем анализа исходных данных. В качестве исходных данных мы имеем таблицу с информацией о выданных продуктах, а так же основные характеристики торговой организации и лица, взявшего кредит. После наложения алгоритмов Data Mining, получена разбивка ТТ на кластеры и сформулированы правила влияния показателей доходности друг на друга Такого рода правила позволяют банкам увеличить доходность, минимизировать риски, связанных с невозвратом кредитов, быть более ориентированными на потенциально выгодных клиентов и снижение затрат.

Рубрика: 
Другое
Ваша оценка: Пусто Средняя: 10 (1 голос)
Школа IT-менеджмента Экономического факультета АНХ, 119571, Россия, г. Москва, проспект Вернадского, д. 82 корп. 2, офис 207, тел.: +7 (495) 933-96-00, Copyright @ 2008-2009