Data Mining u Bankarstvu

SEMINARSKI RAD

OTVORENI UNIVERZITET APEIRON TRAVNIK MAGISTARSKI STUDIJ POSLOVNA INFORMATIKA

MUNIR ZAHIROVI

DATA MINING U BANKARSTVUSEMINARSKI RAD

Travnik, 2010.

DATA MINING U BANKARSTVU

Magistrand: Munir Zahirovi

OTVORENI UNIVERZITET APEIRON TRAVNIK MAGISTARSKI STUDIJ POSLOVNA INFORMATIKA

DATA MINING U BANKARSTVUSEMINARSKI RAD

Predmet: Data Mining Mentor: doc. dr Gordana Radi Magistrand: Munir Zahirovi Br. indexa: 003-09/MPI Smjer: Poslovna informatika

TRAVNIK, jun 2010.Otvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi

II



PredgovorBanke u svome poslovanju dolaze u dodir sa najraznovrsnijim vidovima poslovanja, dolaze u kontakt sa velikim brojem klijenata, razliitim vrstama transakcija (...). Da bi poslovanje banke bilo uspjeno, mora se oslanjati na velik broj informacija kako bi odluke menadmenta bile pravovremeno donese, te kako bi poluile najbolje poslovne rezultate. Zbog toga je jako vana primjena Rudarenja podataka (Data Mining), jer samo primjenom metoda Data Mininga moe se obraditi najvei broj informacija i izvui maksimum iz njih. Svako preduzee, firma, korporacija, banka, razne vrste organizacija i institucija prikupljaju velike koliine podataka potrebnih za svoj rad, odnosno svoje poslovanje. Meutim, ono to je interesantno za ovaj seminarski rad jeste to da li postoje jo neke dodatne informacije u ve prikupljenim i poznatim podacima koje mogu biti korisne za poslovanje nekog poduzea, firme, banke (). Postavlja se pitanje moe li se iz iskopanih podatka iskopati jo korisnih informacija za rad i bolje poslovanje, u konkretnom sluaju banke? U ovome radu pokuat e se dati odgovor na to, kao i odgovoriti na pitanje ta je to Data Mining i ukazati na njegovu ulogu u bankarskom sektoru. U konstelaciji s tim i tema ovog rada se zove Data Mining u bankarstvu.

Otvoreni univerzitet APEIRON Travnik

doc. dr Gordana Radi

III



SAETAKCilj 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 najveem broju banaka metoda se koristi za analizu i procjenu rizinosti, ali i za druge vidove poslovanja. KLJUNE RIJEI: rudarenje podataka, bankarstvo, poslovna inteligencija.



IV



SadrajStranaPREDGOVOR..............................................................................................................................................III SAETAK.....................................................................................................................................................IV SADRAJ.......................................................................................................................................................V 1. UVOD........................................................................................................................................................VI 1.1. KORITENJE DATA MININGA...................................................................................................................VII 1.2. TA JE DATA MINING?..................................................................................................................IX 2. PROCES RUDARENJA PODACIMA.................................................................................................XII 2.1. DEFINICIJA POSLOVNOG PROBLEMA..........................................................................................................XIV 2.2. PRIPREMA PODATAKA.............................................................................................................................XV 2.2.1. Odreivanje potrebnih podataka...............................................................................................XV 2.2.2. Transformacija podataka.........................................................................................................XVI 2.2.3. Uzorkovanje podataka..............................................................................................................XVI 2.2.4. Vrjednovanje podataka...........................................................................................................XVII 2.3. MODELIRANJE...................................................................................................................................XVIII 2.4. IMPLEMENTACIJA..................................................................................................................................XIX 3. PRIMJENE RUDARENJA PODACIMA U BANKARSTVU...........................................................XX 3.1. RUDARENJE PODATAKA (DATA MINING) U ELEKTRONSKOM BANKARSTVU.....................................................XXI 3.1.2. Upravljanje odnosima sa korisnicima...................................................................................XXIII 3.1.3. Aplikacija ..............................................................................................................................XXIV 3.2. RIZIK................................................................................................................................................XXV 3.3. PRODAJA DODATNIH PROIZVODA POSTOJEIM KLIJENTIMA........................................................................XXVII 3.4. ZADRAVANJE POSTOJEIH KLIJENATA................................................................................................XXVIII 3.5. SEGMENTACIJA..................................................................................................................................XXIX 3.6. IVOTNA VRIJEDNOST KLIJENTA.............................................................................................................XXX 3.7. ODAZIV.............................................................................................................................................XXX 3.8. AKTIVACIJA......................................................................................................................................XXXI 3.9. RACIONALIZACIJA POSLOVANJA............................................................................................................XXXI 4. ZAKLJUAK...................................................................................................................................XXXII LITERATURA.....................................................................................................................................XXXIV 1. KNJIGE............................................................................................................................................XXXIV 2. LANCI, STUDIJE, RASPRAVE.................................................................................................................XXXV 3. OSTALI IZVORI....................................................................................................................................XXXV



V



1. UvodData Minig (rudarenje podataka) koristi metode koje su poznate u statistici, vjetakoj inteligenciji, radi matematici i raunovodstvu automatiziranog

otkrivanja skrivenih modela i uzoraka podataka u velikim koliinama podataka. Svrha ovog u procesa jest predvidjeti poslovnim ponaanje buduim

dogaajima na osnovu znanja otkrivenog u Shema 1.: Infrastruktura BI podacima.1 Data Mining (rudarenje podataka) predstavlja BI (Business Intelligence) metodologiju koja prua uvid u skrivene podatke o poslovanju ime se poboljava proces donoenja stratekih poslovnih odluka temeljen na jasnoj i razumljivoj interpretaciji postojeih rezultata. Rudarenjem podataka dolazi se do loginosti u podacima, odnosno otkrivanja odnosa, pravilnosti, zakonitosti i ostalih struktura meu podacima. Rudarenje podataka podrazumijeva multidisciplinarni pristup vrjednovanju i

organiziranju baza s posebnim naglaskom na ienje i pretprocesuiranje podataka kako bi se pristupilo znanju u bazama podataka. Cilj metodologije rudarenja je stjecanje znanja na temelju postojeih podataka u bazama prilikom ega je, upravo zbog podatkovne orijentiranosti, primjena neograniena obzirom na industriju ili podruje poslovnog

1

Cf. ai V.- Varga, M.: Informacijska tehnologija u poslovanju, Element, Zagreb, 2004, p. 7. doc. dr Gordana Radi


VI



djelovanja.2 U ovom radu prikazat emo metodologiju i najvanije primjene rudarenja podataka u bankarstvu. Sam termin mogli bismo objasniti kao proces pronalaenja korisnog znanja ili informacija, odnosno otkrivanje znanja iz velike koliine podataka. Rudarenjem se poboljava proces donoenja odluka na strateko-poslovnoj razini pruajui uvid u skrivene podatke business intelligence (BI) metodologijom. Rudarenjem se takoer otkrivaju odnosi, loginost, pravilnost te openito bilo kakve strukture meu podacima. Rudarenje podrazumijeva organiziranje baza ienjem podataka kako bi se pristupilo znanju i stjecanju istog na temelju postojeih podataka u bazama. Razvoj tehnologije, raunala, interneta bitno doprinosi lakem organiziranju podataka, no da bi oni postali korisni, potrebno je njihovo pretvaranje u informacije i znanje.3 Termin rudarenja esto se poistovjeuje sa dva razliita procesa: otkrivanje i predvianje znanja. Proces otkrivanja znanja implicira korisnikovo razumijevanje eksplicitnih informacija za koje je bitno da su u itljivom obliku. Predvianje se odnosi na budue dogaaje i u nekim pristupima moe biti itljivo i prozirno dok u drugim neprovidno.4

1.1. Koritenje Data MiningaNacionalna sigurnost: Data Mining je metoda kojom se koriste CIA i Canadian Security Intelligence Service. Igre: Primjenjuje se ve od 60-tih godina u nekim kombinatornim igrama poput aha. Poslovanje: Znatno pomae u brem donoenju poslovnih odluka zbog kontaktiranja samo onih prospekata ili klijenata za koje postoji visoka vjerojatnost da e odgovoriti,

2 3

Cf. Panian, ., Klepac, G.: Poslovna inteligencija, MASMEDIA, Zagreb, 2003., str. 34. Cf. http://en.wikipedia.org/wiki/Data_mining (01. 06. 2010.), cf. Radi, G.: Data Mining, Power Point prezentacija, cf. http://en.wikipedia.org/wiki/Business_intelligence (01. 06. 2010.). 4 Cf. http://en.wikipedia.org/wiki/Data_mining (01. 06. 2010.). Otvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi

VII



odnosno vjerovatnost uspjeha. Jo jedan primjer primjene rudarenja podataka jest analiza koarice kupaca odnosno otkrivanje proizvoda ija je potranja vea.5 Kako bi bolje shvatili pojam rudarenja moemo ukratko rei da je rudarenje prirodna evolucija tehnologije, a koja upotrebljava koncepte, metode i tehnike razliitih disciplina kao to su baze podataka, statistika i umjetna inteligencija. Potreba da se podaci obrade i analiziraju kako bi se dolo do korisnih informacija i znanja rezultat je razvoja sistema baza podataka. Informacijska tehnologija kakvu poznajemo danas, omoguuje nam biljeenje svake aktivnosti u digitalnom obliku, a koliina tih podataka mjeri se u gigabajtima i terabajtima.6 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, uveliko pridonosei donoenju odluka, poslovanju i znanosti. Proces rudarenja ne moe izvriti samo jedna osoba, jer se on sastoji od vie faza, tonije od tri: Prva: tzv. problemska faza, odnosno odabir i definisanje problema, procjena zadnjeg, te primjena znanja. Te zadatke obavlja korisnik. Druga: podatkovna faza - sve vezano uz pripremu podataka za rudarenje; obavlja je informatiar. Trea: metodoloka faza - sve od analize, selekcije, prezentacije do interpretacije rezultata. Strunjak za rudarenje podataka (eng.data miner) je osoba zaduena za zadatke koji obuhvaaju treu i zadnju fazu procesa rudarenja.7

5 6

Ibid. Cf. Parker, C., Case, T.: Management Information Systems: Strategy and Action, McGraw Hill, New York, 1998, p. 25-30. 7 http://www.bitart.hr/DataMining.aspx (28. 05. 2010.). Otvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi

VIII



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.8 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.9

1.2. TA JE DATA MINING?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.

8 9

Cf. Peji Bach, M.: Rudarenje podataka u bankarstvu, struni rad (PDF), p. 182. Ibid, p. 182-185, cf. Panian, ., Klepac, G.: Poslovna inteligencija, MASMEDIA, Zagreb, 2003., str. 2550. Otvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi

IX



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 preduzea. Postalo je jasno da preduzea imaju mnogo podataka, a malo informacija i vrlo malo znanja o mnogim aspektima svoga poslovanja. Meutim, transakcijske baze podataka su goleme. Zamislimo da menadment banke eli utvrditi karakteristike klijenata koji su u prolosti bili nelikvidni. Takvu informaciju moe traiti od informatiara u preduzeu koji, osim svoga redovnog posla, trebaju potroiti dosta vremena da naprave traeni izvjetaj. Kad je izvjetaj na stolu menadera, moda je ve prekasno za donoenje odluka. Veliina transakcijskih baza podataka mjeri se u terabajtima (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, 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.10 Metoda kojom se moe poveati uspjenost koritenja transakcijskih baza podataka za poboljanje poslovanja preduzea naziva se rudarenje podacima (Data Mining). 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.11

10 11

http://www.bitart.hr/DataMining.aspx (28. 05. 2010.). Cf. Peji Bach, M.: op. cit., p. 183. doc. dr Gordana Radi


X



Do prije nekoliko godina metoda se razvijala prvenstveno u znanstvenim krugovima. Tek je nedavno zaivjela u preduzeima, kada je postalo jasno da je koritenje rudarenja podataka neizbjeno za stjecanje komparativne prednosti preduzea. U anketi o koritenju naprednih informacijskih tehnologija u bankarstvu u Hrvatskoj, provedenoj u septembru 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.12

12

Ibid. doc. dr Gordana Radi


XI



2. PROCES RUDARENJA PODACIMAVano 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 koji su prikazani na Slici 1.



XII



U prvom koraku se definira poslovni problem. Drugi korak je priprema podataka koja ukljuuje odreivanje potrebnih podataka, transformaciju i uzorkovanje, te vrjednovanje podataka. Modeliranje je trei korak, a obuhvaa odabir metode rudarenja te izradu i vrjednovanje 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,Otvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi

XIII



tokom 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.13

2.1. Definicija poslovnog problemaRudarenje podataka je nova metodologija i esto je u preduzeima 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.Ovaj pokuaj moemo usporediti s traenjem zlata na bilo kojem mjestu. Vjerovatnost pronalaenja zlata je znatno vea ako koristimo savremeni 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 preduzee. 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.14 U sljedeem poglavlju opisat emo detaljno tipine primjene rudarenja podataka u bankarstvu. Na samom poetku odreuje se koje e osobe sudjelovati u projektu rudarenja podacima. To e obino biti specijalist za rudarenje podacima (eng. data miner), 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

13

Cf. http://www.bitart.hr/DataMining.aspx (28. 05. 2010.), http://en.wikipedia.org/wiki/Data_mining (01. 06. 2010.), http://en.wikipedia.org/wiki/Business_intelligence (01. 06. 2010.). 14 Peji Bach, M.: op. cit., p. 186. Otvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi XIV



menadmenta koja ne mora direktno raditi na projektu, ali ga treba podrati te pomoi u rjeavanju eventualnih tekoa. Drugim rjeima, u procesu rudarenja poeljno je da sudjeluju: 1) informatiar on brine o pripremi podataka; 2) analitiar podataka to je npr. statistiar. On brine o izboru metode i metodolokoj interpretaciji rezultata rudarenja; 3) strunjak on mora biti poznavatelj poslovnog podruja, koji definira poslovni problem, odabire relevantne podatke, interpretira rezultate i predlae aktivnosti na temelju rezultata rudarenja. 4) voditelj projekta - on planira i organizacijski vodi projekt rudarenja podataka.

2.2. Priprema podatakaPriprema podataka obuhvaa odreivanje potrebnih podataka, transformaciju i uzorkovanje te vrjednovanje podataka. Ova faza je vremenski najzahtjevnija, a obuhvaa 60-90% vremena potrebnog za rudarenje podataka. Podaci za rudarenje mogu biti pohranjeni u razliitim oblicima, od kojih su najei relacijske baze podataka ili skladita podataka. Moe se raditi o operacionalnim sistemima, kao to su POS, bankomati (ATM), telefonski razgovori, web serveri i slino. Takoer se mogu koristiti podaci prikupljeni istraivanjem trita ili eksterni izvori podataka npr. registar obaveza po kreditima, 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.15

2.2.1. Odreivanje potrebnih podatakaDrugi 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

15

Ibid., p. 185. doc. dr Gordana Radi


XV



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 domainstva, 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.16

2.2.2. Transformacija podatakaU 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 preduzee (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.17

2.2.3. Uzorkovanje podatakaU 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.

16 17

Cf. Parker, C., Case, T.: op. cit., p. 120-124. Ibid. doc. dr Gordana Radi XVI




Ovdje se esto postavlja pitanje: Koliko je podataka dovoljno? Nema jedinstvenog odgovora jer broj potrebnih podataka ovisi o algoritmu. Za izradu stabla odluivanja dovoljno je imati 2000-3000 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 4000 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. Poto je izabran uzorak za izradu modela, potrebno ga je dodatno podijeliti na dva: 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.18

2.2.4. Vrjednovanje podatakaKod vrjednovanja 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).18

Peji Bach, M.: op. cit., p. 186. doc. dr Gordana RadiXVII




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 oznaavati cijenu kafe, a u drugoj cijenu kapuina. Netane vrijednosti najee su posljedica pogrenog unosa podataka u raunar.

2.3. ModeliranjeNa 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. Metode otkrivanja odnose se na mnoge postupke koje trae pravilnost u podacima bez prethodnog znanja o njihovom 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.


doc. dr Gordana Radi VIII X



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. 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. Nakon primjene metoda njihovi rezultati se vrjednuju. 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 vrjednovanje metode, jer se na taj nain provjerava efikasnost modela na podacima koji nisu koriteni za njegovu izradu.19

2.4. ImplementacijaImplementacija 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

19

Berry, M.J.A., Linoff, G.S.: Mastering Data Mining, Wiley, Chichester, 2000, p. 78. doc. dr Gordana Radi XIX




rudarenje podataka, vano je da rezultati modela budu u jednostavnom obliku za interpretaciju npr. u obliku grafikona. 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 sistem preduzea. 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.20

3. PRIMJENE RUDARENJA PODACIMA U BANKARSTVU

20

Ibid., 78-79. doc. dr Gordana Radi


XX



3.1. Rudarenje podataka (Data Mining) u elektronskom bankarstvuOkolina nije vie statina. Ponuda proizvoda i usluga je ogromna, konkurencija je velika. Istraivanja pokazuju da danas ponuda roba i usluga barem 30% nadmauje potranju. Trita su zasiena. Nove okolnosti trae nova rjeenja, novi izazovi nove napore. Prola su vremena kada je bilo dovoljno proizvesti robu ili uslugu. Globalizacijom trita, razvojem distribucijskih kanala, uplitanjem Interneta u svaku poru ekonomije, stvari su se promijenile. Sada su kupac i prodava na udaljenosti jednog klika miem. Danas su preduzea pretrpana podacima, dok s druge strane, postoji nedostatak korisnih informacija. Da bi se smanjio raskorak izmeu koliine raspoloivih podataka i informacija, potrebno je definirati procese prikupljanja podataka i njihovu preradu u informacije. Vrijeme reakcije na podraaje iz okoline treba skratiti! Resursi su uvijek ogranieni. Vrijeme kao najvaniji faktor gotovo uvijek je presudno. Stoga treba znati gdje postaviti polugu da bi se pomaknuo veliki kamen. Kako treba djelovati da bismo s najmanje napora rijeili najvee probleme? Nastavljajui trku za pridobijanjem novih korisnika, banke sve vie shvataju da je podjednako vano zadrati postojee, pa svoje poslovanje u znaajnoj meri orijentiu ka njima. U tome im pomau i Data Mining rjeenja. Rudarenje podataka oznaava mogunost prikupljanja i analize velike koliine podataka koji se odnose na korisnike banke, trite, interne procese i poslovno okruenje. Ostvarena interakcija i sofisticirane tehnike analize pruaju mogunost pristupa u um korisnika... Uoeni nain ponaanja korisnika slui za razvoj relacije "jedan-najedan", promotivne oblikovanje trita, kampanje,Grafikon 1: Djelatnost poduzea koja zapoljavaju strunjake za rudarenje podataka

optimizaciju poslovnih procesa iOtvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi XXI



upravljanje elektronskim bankarstvom. Praenjem korisnikovih transakcija dobija se ogromno znanje o obrascima njegovog ponaanja. To znanje e svakako znaajno pomoi banci u nastojanju da pobolja korisnikovu lojalnosti. I dok je ranije kao logistika za praenje korisnikovih elja i zahteva morala postojati razvijena mrea ekspozitura, danas su internet i elektronsko bankarstvo jedan od najvanijih faktora za uspeno poslovanje banke.21

3.1.1. Skladitenje podatakaPojam data mininga objedinjava metodologije, tehnologije i platforme za skladitenje podataka (Data Warehousing), OLAP procesiranje podataka (On-line Analytical Processing) i rudarenje podataka (Data Mining) koje omoguavaju tvrtkama, bankama (...) kreiranje korisnih upravljakih informacija iz podataka o poslovanju koji se nalaze disperzirani na razliitim transakcijskim sustavima te dolaze iz razliitih internih i eksternih izvora. Mnoge banke aktivno pristupaju pojmu data mininga, razvijaju i implementiraju takve sisteme i koriste ih u svojem elektronikom poslovanju. Banke uspijevaju pretvarati informacije rudarenje podataka, rudarenje podataka u organizacijsko znanje, a kolektivno organizacijsko znanje u poveani profit. Model sistema vezan poslovne je uz

inteligencije

transakcijsku bazu podataka i vanjske podatke prikupljene iz razliitih izvora. Posrednik izmeu trita i transakcijske baze podataka, te metoda koje generiraju pravila jest segment koji je zaduen zaShema 2: Metodologija otkrivanja znanja primjenom metoda rudarenja podataka ivanovi, B.: Poslovna inteligencija u elektronskom bankarstvu, ttp://www.ogledalo.rs/mobile/business/e-business/353.html (01. 06. 2010.).21


doc. dr Gordana RadiXXII



ienje i skladitenje podataka. Podaci potom ulaze u dio modela koji je zaduen za generiranje pravila, a u sebi ima integrirane spomenute metode koje mu to omoguuju (lista postupaka). Sljedei segment modela jest modul koji pravila prilagouje formatu kojeg iziskuje konkretni ekspertni sistem. Tako su ona nakon upisa u bazu znanja spremna za koritenje.22 Mnoge IT organizacije nemaju mnogo iskustva u pravljenju skladita podataka i pokuavaju da naprave kocke koje e sadrati svaki deli podataka do kojih organizacija moe da doe. Ovakav pristup esto dovodi do problema za krajnje korisnike, jer su ovakve kocke veoma teke za navigaciju. Zato je potrebno ukljuiti samo one podatke koji su korisniku potrebni, a ne sve koji su raspoloivi. Iako ne postoji strogo pravilo za izradu kocki, preporuka je da dimenzije kocke budu prilagoene korisnicima koji nisu iz tehnike struke. Iskustvo pokazuje da broj dimenzija vei od osam zbunjuje korisnike i smanjuje upotrebljivost skladita podataka. Ukoliko je neophodno da kocka ima vie dimenzija, moemo je virtuelno rastaviti na vie manjih. Iako data warehouse nudi mnoge mogunosti, korisnici esto nemaju vremena za istraivanje i "rudarenje" po podacima. Zato im se mora pruiti interfejs koji e omoguiti brzo vizuelno predstavljanje najznaajnijih rezultata.23

3.1.2. Upravljanje odnosima sa korisnicimaU poslovanju rudarenje podataka se najvie koristi na podruju marketinga, koji je usmjeren sve vie pojedinanom kupcu upravljanje odnosima s kupcima (eng. Customer Relationship Management CRM) koje je usmjereno stvaranju, odravanju ili poboljavanju odnosa s kupcima. Cilj ove pojedinane usmjerenosti na kupca jeste pridobivanje novih kupaca i zadravanje starih kupaca. CRM pokuava uvidjeti elje i potrebe kupaca, razumjeti njihovo ponaanje, te predvidjeti budue ponaanje. Na ovom podruju rudarenje podataka je posebno efektivno, naravno uz dovoljnu koliinu kvalitetnih podataka o kupcu. U marketingu, rudarenje podataka banke najvie upotrebljava za:22 23

Panian, ., Klepac, G.: op. cit., p. 249. Cf. ivanovi, B.: op.cit, http://www.ogledalo.rs/mobile/business/e-business/353.html (01. 06. 2010.). doc. dr Gordana Radi XIII X




direktni marketing npr., katalozi i ponude razliitih usluga se alju klijentima za koje postoji najvea vjerojatnost odaziva; izradu profila klijenta utvruje se uzorak ponaanja klijenta da bi mu se kasnije poslala prilagoena ponuda; segmentaciju utvrivanje grupa klijenta s jednakim karakteristika (uzorkom ponaanja); stimulacija uzimanja drugih usluga iste banke, odnosno vee koliine razliitih manjih dodatnih usluga, to moe nadoknaditi pridobivanje novih klijenata; zadravanje klijenata ovo je puno jeftinije od pridobivanja novih klijenata.24

Tipina banka ima veliku bazu korisnika i njihove potrebe su esto veoma razliite. Bez analize ogromnog broja podataka o korisnicima, strategija upravljanja odnosima sa njima je osuena na propast. Na alost, veliki broj banaka pravi ogromnu greku i CRM ograniava na uspostavljanje kvalitetnog help-deska. Ovakvo reenje donosi samo kratkoroan uspeh. Za uspeno poslovanje banke neophodno je razviti strateki CRM koji e doprineti i dugoronom uspehu operativnog CRM-a. Funkcija marketinga takoe ima direktne koristi od stratekog CRM-a, jer pomou obraenih podataka moe da razvije svoju kampanju.25

3.1.3. AplikacijaAplikacija nije zamiljena kao jednostavna evidencija korisnika elektronskog bankarstva i operacija koje oni obavljaju. Ona ima zadatak da omogui administratoru uspeno upravljanje odnosima sa korisnicima (CRM). Zahvaljujui jednostavnosti korienja i dobroj funkcionalnosti korisnike aplikacije administrator je skoro osloboen obavljanja poslova operativnog CRM-a. Help desk se uglavnom sastoji od povremenog uvoenja u rad novih korisnika. Zahvaljujui ovako koncipiranom reenju administrator moe da se posveti stratekom CRM-u. On ima uvid u podatke o korienju aplikacije i pomou raznih opcija administrativne aplikacije moe da otkrije razliite modele ponaanja korisnika. Na osnovu ovih podataka dobija se pravi uvid u korienje servisa i podrka

24 25

Cf. ai V.- Varga, M.: op.cit. Cf. ivanovi, B.: op.cit, http://www.ogledalo.rs/mobile/business/e-business/353.html (01. 06. 2010.). doc. dr Gordana Radi XXIV




pri donoenju odluka koje e doprineti ekspanziji servisa. Da ne bi dolo do neiskorienosti funkcija usled njihovog velikog broja, opcije izvetavanja i analize su postepeno ukljuivane u program. Poelo se sa jednostavnim izvetavanjem o korisnicima elektronskog servisa i nalozima koje korisnici sprovode ovim putem. Ovaj podatak, iako veoma znaajan, ne prua potpunu sliku o korienju elektronskih servisa. Iako mnoge banke najee manipuliu upravo ovim podacima, moramo rei da se korienje servisa ne smije izjednaiti sa brojem izdatih smart kartica i slino.

Grafiki prikaz podataka (promet rauna u odnosu na vrste plaanja i vremenski interval) Na primer, primenom data mining tehnika administrator SITO aplikacije moe dobiti potpuni uvid u promet svakog korisnika i u udio tog prometa u ukupnom prometu elektronskih servisa, promet svakog korisnika za odreeni vremenski period, ukupan promet po razliitim geografskim regionima, kao i promet razliitih lokacija, promet svakog korisnika po razliitim kanalima usluivanja u odnosu na servise elektronskog bankarstva, korienje razliitih servisa.26

3.2. RizikModel 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

26

Ibid. doc. dr Gordana RadiXXV




osiguranje, na primjer, zbog ozljede. Poznato nam je da vodee banke i osiguravajua drutva koriste u svom poslovanju modele predvianja rizika. Rizik od prevare takoer je vaan za banke i osiguravajua drutva. Kod krae kreditnih kartica, banke preuzimaju na sebe dio tete. Modeli koji na temelju ponaanja kupaca 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 sistemu 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 prevare te model koji predvia koji klijenti e tek u budunosti pokuati prevariti osiguravajue drutvo.27 HFC Bank otkriva zlouporabe kreditnih kartica HFC Bank izdaje kreditne kartice koje koristi preko 3 000 000 britanskih graana. U prosjeku mjeseno obrauju 9 000 000 transakcija, od kojih je 2.500 zloupotreba 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 zloupotrebe (npr. kupnja nakita u inozemstvu), stoga je banka svim transakcijama na takvim prodajnim mjestima dala veu pozornost.

27

Cf. Peji Bach, M.: op.cit., p. 188. doc. dr Gordana Radi XXVI




U samo prvih devet mjeseci rezultati operacije bili su spektakularni. Iako je u 2003. godini predvien rast prevara 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 prevara je 0,27% ukupnog prihoda, a gubitak HFC Bank je 0,10%.28

3.3. Prodaja dodatnih proizvoda postojeim klijentimaModeli prodaje dodatnih proizvoda postojeim kupcima odreuju vjerovatnost 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. First National Bank poveava efikasnost marketinga First National Bank jedna je od najjaih banaka u Africi s 3 200 000 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.

28

Izvor: www.sas.com/success/index.html. doc. dr Gordana Radi XXVII




U prvom koraku dizajniran je sistem 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 sistema 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 sistema. 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%.29

3.4. Zadravanje postojeih klijenataOdlazak klijenata konkurenciji problem je mnogih djelatnosti. Zbog zasienosti trita jedine mogunosti rasta preduzea 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. Dreyfus Corporation predvia odlazak klijenata konkurenciji

29

Izvor: http://www.sas.com/success/fnb.html. doc. dr Gordana Radi XXVIII




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. Sistem 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.30

3.5. SegmentacijaGlavni 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.

30

Izvor: http://www.sas.com/success/dreyfus.html. doc. dr Gordana Radi XXIX




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 preduzea. 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 segmentacije.31 poslovanja, a ne zagovara se nuno naputanje tradicionalne

3.6. ivotna vrijednost klijentaivotna 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 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 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.32

3.7. OdazivModel 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

31 32

Cf. Peji Bach, M.: op.cit., p. 191. Ibid., 192. doc. dr Gordana RadiXXX




modela moe biti privlaenje novih kupaca, ali i starih kupaca s kojima se due vrijeme ne posluje. Takve e kupce esto biti lake pridobiti na kupovinu proizvoda od novih kupaca.

3.8. AktivacijaModeli 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.33

3.9. Racionalizacija poslovanjaRudarenjem 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 sistema 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... Nekoliko banaka koristilo je rudarenje podataka u organizaciji zatitarske slube banke.33

Ibid. doc. dr Gordana Radi XXXI




Modelom su analizirane karakteristike poslovnica koje su opljakane u posljednje vrijeme, stoga je u poslovnicama slinih karakteristika organizirano jae osiguranje.34

4. ZAKLJUAK Primjenom rudarenja podataka moe se poveati kvaliteta poslovnih odluka, ime se poboljava poslovni rezultat banke.

34

Ibid. doc. dr Gordana Radi XXXII




Rudarenjem podataka mogue je racionalizirati poslovanje na mnogo naina ime se ostvaruju znatne utede. U septembru 2004. godine, u Hrvatskoj, pokazalo se da 48% banaka koristi rudarenje podacima, a 9% banaka planira koristiti tehnologiju u iduoj godini. Proces rudarenja ne moe izvriti samo jedna osoba jer se on sastoji od vie faza. Priprema podataka obuhvaa odreivanje potrebnih podataka, transformaciju i uzorkovanje, te vrjednovanje podataka. Ova faza je vremenski najzahtjevnija, a obuhvaa 60-90% vremena potrebnog za rudarenje podataka. Podaci za uzorak izabiru se najee sluajnim izborom. esto se dogodi da je udio dogaaja koji se analizira u uzorku vrlo mali. Izrada alata Rudarenja podataka se mora odvijati uz uvaavanje sugestija korisnika. Samo na taj nain moe se biti sigurno da e aplikacija zadovoljiti njihove potrebe. Rudarenje podataka operie podacima dobijenim putem korienja elektronskog bankarstva, ali i iz drugih izvora. Poto podaci mogu da dolaze iz razliitih informacionih ostrva", administracija mora da obezbedi njihovo grupisanje, ienje i zatitu privatnosti. Kamen temeljac svakog reenja poslovne inteligencije predstavlja skladite podataka (datawarehouse). Razliiti alati za analizu i rudarenje" podataka (OLAP & data mining) pretvaraju podatke iz skladita podataka u upotrebljive informacije.


doc. dr Gordana Radi XXXIII



LITERATURA1. Knjige1. Berry, M.J.A., Linoff, G.S.: Mastering Data Mining, Wiley, Chichester, 2000Otvoreni univerzitet APEIRON Travnik doc. dr Gordana Radi XXXIV



2. ai V.- Varga, M.: Informacijska tehnologija u poslovanju, Element, Zagreb, 2004 3. Parker, C., Case, T.: Management Information Systems: Strategy and Action, McGraw Hill, New York, 1998. 4. Panian, ., Klepac, G.: Poslovna inteligencija, MASMEDIA, Zagreb, 2003. 5. Peji Bach, M.: Rudarenje podataka u bankarstvu, struni rad (PDF)

2. lanci, studije, rasprave6. ivanovi, B.: Poslovna inteligencija u elektronskom bankarstvu, http://www.ogledalo.rs/mobile/business/e-business/353.html (01. 06. 2010.)

3. Ostali izvori7. Radi, G.: Data Mining, Power Point prezentacija 8. http://www.bitart.hr/DataMining.aspx (28. 05. 2010.) 9. http://en.wikipedia.org/wiki/Data_mining (01. 06. 2010.) 10. http://en.wikipedia.org/wiki/Business_intelligence (01. 06. 2010.)


doc. dr Gordana Radi XXXV

Documents

Data Mining u Bankarstvu