Наталья Пирогова, osmag@osp.ru




Принципы реализации проектов создания хранилищ данных

Проблемы финансового сервиса

Поддержка общего управления

Поддержка маркетинга и сбыта


В сфере финансовых услуг мы наблюдаем сегодня те же тенденции, что и в других секторах рынка, связанных с непосредственной работой с клиентами: телекоммуникации или розничная торговля. Речь идет о фрагментации рынка - при общем достаточно высоком качестве услуг, предоставляемых множеством конкурирующих между собой компаний, клиенты имеют возможность выбрать наилучшие. Следовательно, поставщики вынуждены переходить с массовых маркетинговых мероприятий к индивидуальным, направленным на конкретного потенциального заказчика - маркетинг в режиме диалога. В связи с этим очень важную роль начинают играть информационные ресурсы и особенно системы их анализа и обработки. Без эффективного управления накопленной стратегической и оперативной информацией никакая компания не сможет сегодня выдержать новых условий рынка. Необходимы аналитические решения на базе информационных складов, которые позволят оперативно отвечать на текущие вопросы, поддерживать бизнес-процессы и распознавать возможности их совершенствования.

Наша статья продолжает серию публикаций, посвященных проектам развертывания систем поддержки принятия решений на основе хранилищ данных . На этот раз речь пойдет о том, как подобные проблемы решает компания Siemens, какие проекты и архитектуры аналитических систем она реализует на рынке финансовых услуг, в частности, для страховых компаний и банков.

 Принципы реализации проектов создания хранилищ данных

Для того чтобы сделать свой бизнес продуктивным и конкурентоспособным, добиться успеха в маркетинговой политике и работе с клиентами, банки, инвестиционные и страховые компании должны найти ответы на следующие основные вопросы.

Какие продукты или услуги, направления бизнеса или группы клиентов обеспечивают наибольший вклад в общую прибыль компании и какие средства чаще всего используют клиенты для обратной cвязи с компанией?

Где чаще всего заключаются новые контракты?

Какие группы клиентов имеют самый высокий процент поданных заявок на выплату страховки?

Насколько успешными были предыдущие маркетинговые кампании?

Каких клиентов можно выделить в качестве целевой группы для определенного продукта или услуги?

В каких группах наиболее вероятна потеря клиентов?

Какие каналы сбыта наиболее прибыльны?

Ответить на эти вопросы нетрудно, если в информационной среде компании имеется объемное хранилище данных и действующие на его основе системы многомерного и интеллектуального анализа данных, а также приложения для обработки результатов такого анализа. По сравнению с традиционными проектами создания информационных систем, разработка хранилищ данных имеет свою специфику:
  • частое изменение требований к проекту;
  • смешение в одном проекте различных прикладных задач;
  • существование различных точек зрения, определений и интерпретаций ключевых понятий специалистами в различных областях;
  • большая вероятность столкновения с различными аномалиями и специальными случаями при рассмотрении отдельных экземпляров данных;
  • проблемы с качеством исходных данных.
Методология создания хранилищ данных
Весь традиционный процесс системной разработки - от анализа ситуации и формулирования основных концепций до введения системы в действие - разбивается на этапы. При этом каждый этап должен быть самостоятельной реализацией некоторого проекта в миниатюре и иметь определенный результат.



Вся функциональность, запланированная в проекте, разбивается на группы функций по принципу их связи с различными прикладными ситуациями. В результате возникает несколько независимых друг от друга решений, которые затем интегрируются в единую систему. Такой подход позволяет свести к минимуму сложности, неизбежные при наличии различных точек зрения и определений.



В начале очередной стадии разработки анализируются результаты предыдущего этапа.



Для реализации всех необходимых функций задаются разумные временные рамки.



Концентрация внимания на отдельных прикладных ситуациях позволяет сократить число необходимых интерфейсов и количество операций по координации.



Одна из главных задач в процессе разработки - обеспечить качество данных.



Пользователи из подразделений, которые будут работать с данной системой, должны участвовать в определении требований к проекту и построения структуры пользовательских интерфейсов.



Функциональность системы наращивается постепенно.

Кроме всего этого, пользователи таких информационных систем не являются специалистами по компьютерным технологиям и им нужны удобные, интуитивно понятные, но одновременно мощные инструменты для работы с информационным хранилищем и анализа данных.

Подразделение SBS компании Siemens выполняет роль интегратора в крупных проектах по созданию систем анализа на основе информационных складов в сфере финансового сервиса, в частности, для страховых компаний. Учитывая нетривиальность задачи, это подразделение предложило специальную методологию разработки хранилищ данных.

Реализация методологии привела SBS к созданию формальной спиральной процедуры разработки, получившей название Continuous Improvement Cycle (CIC).

На рис. 1 показана очередная стадия многоэтапного процесса разработки хранилища данных, которая, в свою очередь, разбивается на четыре фазы.



Рис. 1. Этап разработки хранилища данных



  1. Инициализация/пересмотр проекта (project initiation/review). В самом начале работы над проектом определяются общие требования, которым должна удовлетворять система, и планируется первая стадия проекта. На последующих стадиях результаты предшествующего этапа показывают, какие новые функции необходимо ввести в проект. Таким образом, реализуется пошаговое наращивание системы, которая постоянно совершенствуется. На каждой стадии учитываются все преимущества, достигнутые на предыдущем этапе.
  2. Проектирование (design). В ходе совместных рабочих семинаров с привлечением пользователей из различных отделов компании определяется техническая концепция системы. На данном этапе задаются логическая модель данных, логика обработки исходных данных и способы их трансформации. Кроме того, проводится оценка и выбор инструментальных средств для разработки (системы выделения и трансформации данных, интерфейсные системы и т.д.), если это не было сделано в самом начале работы над проектом.
  3. Реализация (build). На этой фазе происходит фактическая реализация текущей стадии проекта. Выполняется трансформация данных, создается начальная база, вместе с потенциальными пользователями системы проектируется интерфейс. Как только данные становятся доступны, начинается процесс подтверждения их качества.
  4. Ввод в действие (operate). После реализации данной стадии проекта происходит автоматическая интеграция в рабочую среду пользователей. Они проходят обучение, а приложения инсталлируются на пользовательских рабочих станциях. Затем планируются дальнейшие этапы разработки проекта.

 Проблемы финансового сервиса

Весь спектр задач для информационных систем в области финансового сервиса можно разбить на две большие группы: общий финансовый контроль бизнес-процессов и поддержка маркетинга, предоставление услуг и взаимодействие с клиентами на индивидуальной основе.

Информационные приложения в сфере финансового контроля решают, в частности, такую проблему, как анализ вкладов в общую прибыль компании. Это позволяет определить, насколько прибыльны те или иные услуги, направления бизнеса или отдельные группы клиентов компании, а также более эффективно управлять работой региональных отделений. В страховой компании в ходе такого анализа будут учитываться размеры страховых премий, выплаты страховки по поданной заявке, резервные фонды и суммы, возвращаемые клиентам, отказавшимся от страхового полиса, а также накладные расходы компании. Все эти показатели по мере возможности распределяются по индивидуальным контрактам.

Одна из важнейших задач аналитической системы в финансовом сервисе -контроль за текущими контрактами и заключением новых, качественная оценка контрактов и их оперативный анализ, позволяющий быстро реагировать на изменение рыночной ситуации. Еще одно направление - финансовый контроль за деятельностью региональных отделений. Руководителю необходима оперативная информация о состоянии дел в своем регионе. Создание полной и четкой картины реализации услуг в регионе, оценка степени достижения поставленных целей и определение ключевых показателей на будущее - важнейшие слагаемые эффективного управления.

Примеры
Эффективность процедуры CIC доказали успешные реализации ряда крупных проектов в сфере финансового сервиса. В 1996 г. SNI заключила контракт с крупной финансовой компанией на создание хранилища данных. Первый этап был посвящен разработке прототипной управляющей информационной системы поддержки маркетинга и продаж. Информационное наполнение склада ограничивалось такими направлениями деятельности компании, как вклады и финансирование капитального строительства. После успешного завершения прототипного проекта, на который ушло около трех месяцев, совместно со специалистами компании было продумано дальнейшее расширение склада данных и его интеграция в действующую информационную среду. Знания, приобретенные в процессе реализации прототипной системы, позволили заново сформулировать технические требования к проекту. Расширенное хранилище охватывало и другие направления бизнеса компании, в том числе банковское дело и страхование. Сегодня с системой многомерного анализа на базе построенного склада работает около 2000 пользователей: директора компании, руководители различных уровней, отдел центрального контроля и служащие региональных отделений. Проект реализован в следующей среде: СУБД Informix, сервер RM 600, клиент Wintel, интерфейсные системы - Impromtu, Transformer, PowerPlay и Portfolio компании Cognos, анализ данных - ACL компании ACL Software, программирование - Siron, Cobol, Visual Basic и Си В ходе реализации проекта для одной из крупнейших австрийских страховых компаний, имеющей 2 млн. клиентов и 4,5 млн. контрактов, были созданы два склада данных для поддержки функций контроля и реализации услуг. Источником исходной информации послужила база данных DB/2 под ОС MVS. Все процессы с данными, от выделения до трансформации, организации хранения и формирования запросов, на начальном этапе реализовывались с помощью системы SAS. В качестве UNIX-сервера использовался двухпроцессорный RM 400 с 1 Гбайт оперативной памяти и 100 Гбайт на диске. Запросы выполнялись клиентами Windows 95 или NT. Начальный объем данных в складе составлял около 60 Гбайт. На последующих этапах объем данных вырос почти в два раза и система хранения SAS была заменена на реляционную БД. Для передачи файлов между действующими системами и сервером хранилища данных используется дисковая станция компании ЕМC. Обычно на начальном этапе выполнения любого проекта создается специализированная для определенной узкой области, но масштабируемая база данных, которая затем может быть расширена в соответствии с требованиями заказчика. В 1997 г. SNI реализовала проект создания маркетинговой базы данных для одного из поставщиков финансового сервиса. Проект включал в себя интеграцию с центром обслуживания обращений клиентов. Система на основе этой базы данных должна была отображать все звенья процесса маркетинга - анализ, выбор, связь с клиентами и мониторинг успеха. Полная пилотная реализация была выполнена за семь месяцев и сегодня интенсивно расширяется. Структуру этого решения в его окончательном виде иллюстрирует рис. в1. В качестве СУБД используется Informix, серверная платформа - SNI RM 600, клиентские системы - NT, система выбора - Impromtu от Cognos, программная платформа взаимодействия с клиентами - TeamPoint, телефонное оборудование центра обслуживания - Siemens.

Рис. 2.Рис в1. Архитектура решения на основе маркетинговой базы данных

Для задач финансового контроля также может потребоваться специальная статистическая база данных, которая помимо информации о контрактах и заявках на выплату страховки будет содержать данные о страховочных рисках, доле компании на рынке и ее внутренних процессах. Благодаря согласованному анализу этих данных можно получить представление, с одной стороны, о спросе на ее услуги, а с другой, о том, насколько эффективны выбранные средства ведения бизнеса. Статистические данные о заявках на выплату страховки позволят оценить вероятность таких заявок в будущем и их объем для разных классов риска. С помощью этих данных, а также сведений о вкладах в общую прибыль можно будет более обоснованно определять тарифы.

Второе направление для аналитических приложений в страховых компаниях - это поддержка маркетинга, сбыта и индивидуального взаимодействия с клиентами. Умение выделять по определенным признакам группы клиентов не менее важно для целевой реализации тех или иных услуг, чем грамотное составление рекламы. Качественная сегментация общей БД о клиентах и анализ индивидуальных данных о тех из них, кто отказался от услуг компании, позволит принять меры для предотвращения потери клиентов. В конечном итоге, качество анализа индивидуальных данных оказывает решающее влияние на эффективность маркетинговой политики компании и реализации ее услуг.

Основой для такого анализа служит специальная маркетинговая база данных со всей необходимой информацией о клиентах. Однако успех маркетинга и продаж напрямую зависит еще и от наличия каналов непосредственной связи с клиентами, например, центров обслуживания (call center). Дополнительные преимущества может дать прикладная платформа взаимодействия с клиентами. Такая система, с одной стороны, использует маркетинговую базу данных и результаты анализа для управления маркетинговой кампанией, данными о клиентах и контрактах, а с другой - интегрирована с центром обслуживания и имеет непосредственный выход в телекоммуникационную систему.

Такая автоматизация позволила, например, существенно повысить продуктивность работы сервисного Центра страхования автомобилей в Германии. За почти четверть века работы этот Центр принимал ежегодно порядка 500 тыс. запросов с номерами автомобильных лицензий. Задача Центра - определить, какая страховая компания отвечает за страхование транспортного средства, попавшего в аварию, и поставить ее в известность о случившемся. Однако в последние годы, чтобы получить необходимую информацию, приходится тратить слишком много времени и денег. В начале 1996 г. было принято решение о реструктуризации Центра. В результате была создана единая база данных, собравшая более 52 млн. номеров автомобильных лицензий (это свыше 90% официально лицензированных машин). Кроме того, страховые компании разместили в едином хранилище так называемые профили обслуживания, определяющие, какой офис и какой конкретно служащий компании будет заниматься несчастным случаем, о котором пришло сообщение в Центр. После того, как установлен номер лицензии автомобиля и дата аварии, программа определяет какая страховая компания отвечает за данную лицензию, и автоматически передает вызов соответствующему служащему. В результате проведенной реорганизации удалось почти вдвое увеличить производительность Центра и перевести его на круглосуточный режим работы. Только за первые два месяца 1997 г. число обработанных вызовов выросло с 500 до 800 тысяч.

Специалисты SBS разработали две архитектуры аналитических систем, которые поддерживают основные направления деятельности страховых компаний и других организаций в области финансового сервиса. Это Controlling Support Systems и Marketing Support Systems. В основе обеих систем лежат хранилища данных, поставляющие информацию для приложений многомерного и интеллектуального анализа данных. Проект реализуется в соответствии с процедурой CIC, а в качестве основных программных компонентов могут привлекаться продукты партнеров, имеющих безупречную репутацию в сфере разработки баз данных и аналитических систем.

 Поддержка общего управления

Проект Controlling Support Systems разрабатывался с целью обеспечения руководителей и ведущих менеджеров региональных отделений страховых компаний всей необходимой стратегической бизнес-информацией. Система помогает раскрыть потенциальные возможности для совершенствования, отвечает на основные вопросы и позволяет оптимизировать бизнес-процессы.

B поиске ответов на возникающие вопросы используется объемное хранилище данных - «управляющее» складом (controlling warehouse), куда стекаются данные из различных оперативных приложений, с которыми работает компания (рис.2). Нужная информация берется из отдельных файлов данных и располагается в хронологическом порядке. Одна из основных задач склада - собрать всю необходимую информацию, относящуюся к различным предметным областям и отражающую разные направления бизнеса компании, и привести ее к стандартизированному виду. После чего ее можно подвергнуть всестороннему анализу с помощью программных средств. Склад данных пополняется новой информацией ежемесячно, а некоторые его разделы - ежедневно.



Рис. 2. Архитектура Controlling Support Systems

Аналитическая обработка данных из управляющего склада системы CSS обеспечивает решение таких задач, как контроль за действующими страховыми полисами, развитие новых направлений бизнеса, управление реализацией услуг и региональными отделениями, совершенствование методов выплаты страховых премий и страховок по поданным заявкам и определение составляющих прибыли компании по разным направлениям ее деятельности и разным группам клиентов. В качестве инструментальных средств анализа и оценки SBS предлагает использовать серию систем поддержки принятия решений (DSS) компании MicroStrategy, которая первой разработала концепцию многомерного анализа на основе реляционных баз данных. Современная архитектура реляционной оперативной аналитической обработки (Relational OnLine Analytical Proccessing, ROLAP) от MicroStrategy позволяет применять широкий спектр известных реляционных баз данных (рис. 3), а входящие в ее состав модули DSS Agent и DSS Server приняты в качестве стандартных составляющих во многих системах поддержки принятия решений.



Рис. 3. Архитектура ROLAP компании MicroStrategy

Особый интерес представляет последняя разработка компании - DSS Web. Этот продукт поддерживает реляционную оперативную аналитическую обработку в сетях intranet и Internet. Многомерный анализ становится доступен любому пользователю, работающему с любым Web-браузером. DSS Web ликвидирует узкие места сети и ограничения клиентских платформ - фактически, произвольное число пользователей, разбросанных по всему миру, могут выполнять навигацию по складу данных. Все аналитические приложения размещаются на Web-сервере. Здесь же реализовано кэширование, что повышает производительность системы.

DSS Web - простая в использовании система с гибкими аналитическими возможностями. Расширяемая среда разработки позволяет создавать собственные приложения на HTML и Java.

При вовлечении в процесс анализа и поддержки принятия решений открытой сетевой инфраструктуры неизбежно возникают проблемы с защитой. В архитектуре CSS поддерживаются стандартные механизмы защиты на всех необходимых уровнях.

  1. Уровень приложений. Прежде чем предоставить доступ к сообщениям, система автоматически запрашивает пользовательский идентификатор и пароль. После ввода верного пароля может быть предоставлен доступ к любому сообщению, или же пароль может запрашиваться только по истечении некоторого заранее определенного периода неактивности пользователя.
  2. При работе с Web-сервером поддерживается два метода защиты: авторизация пользователя администратором и ограничение прав доступа по IP-адресу или по имени домена.
  3. Протокол передачи - поддерживается любая технология шифрования, установленная на Web-сервере, в том числе Secure Socket Layer (SSL), Secure Electronic Transactions (SET) и Secure HTTP.
  4. Уровень базы данных - поддерживаются все известные механизмы защиты для реляционных БД.

 Поддержка маркетинга и сбыта

Второй проект компании SBS - Marketing Support Systems (MSS) дает страховой компании инструмент для целенаправленного и эффективного маркетинга и предоставления услуг. Эта система позволяет взаимодействовать с клиентами, ориентируясь на точную информацию об их реальных потребностях, обеспечивает эффективное использование потенциала заказчиков и помогает руководителям региональных отделений поддерживать отношения со своими старыми клиентами и приобретать новых.

В Marketing Support Systems (рис. 4) реализована модель «замкнутого управляющего цикла с обратной связью» (closed feedback control cycle). Множество разнообразных программных компонентов образуют единое интегрированное решение. А в центре этой модели, как и в архитектуре Controlling Support Systems, находится хранилище данных, которое аккумулирует информацию из различных источников и создает основу для функционирования аналитических систем.



Рис. 4. Архитектура Marketing Support Systems

Для поддержки маркетинговой кампании и реализации товаров или услуг необходим склад разнообразных данных о клиентах - так называемая маркетинговая база данных (marketing data base). Данные поступают в хранилище из различных оперативных систем компании, а также из внешних источников. Затем информация фильтруется и структурируется. Кроме того, создаются модели данных для определенных задач. Маркетинговая БД может содержать как детальные, так и агрегированные (обобщенные) данные, исторические данные и метаданные (данные о данных), которые будут использоваться и в простых запросах и для сложного анализа.

Маркетинговая БД содержит сведения о приобретениях, сделанных клиентами, социально-демографические данные, информацию о стиле жизни клиентов, данные о реакции клиентов на предшествующие маркетинговые кампании и т.д. Эффективность маркетинга заключается в том, чтобы обратиться к потенциальным клиентам с нужным предложением в нужное время. Добиться этого можно, выделив соответствующие группы, или сегменты клиентов с определенными потребностями и покупательными способностями. Сегментация клиентов на основе точного предсказания вероятности приобретения той или иной услуги - гарантия эффективности дальнейших маркетинговых мероприятий. Средством для такой сегментации являются сложные системы интеллектуального анализа, или добычи данных.

В рамках проекта MSS используется собственная разработка SNI - приложение добычи данных на базе нейронных сетей SENN Sales. Системы на основе нейронных технологий способны обучаться новым приемам. Используя отдельные примеры из базы данных о клиентах, SENN Sales учится распознавать сложные структуры и взаимозависимости между данными. Система также принимает во внимание, что индивидуальные особенности клиентов, такие как, например, возраст, доход или образование, могут влиять друг на друга. В конечном итоге, система дает предсказание вероятности приобретения или, наоборот, отказа от той или иной услуги. Причем, по данным SBS, точность этих предсказаний значительно выше, чем у обычных методов статистического анализа.

SENN Sales имеет простой и удобный пользовательский интерфейс и работает под управлением ОС Windows. Таким образом, сложнейшие операции анализа и сегментации маркетинговой базы данных доступны любому пользователю, не обладающему специальными знаниями и опытом работы с технологией нейронных сетей.

На следующем этапе замкнутого цикла MSS выполняется графическое редактирование и выбор результатов проведенного анализа. SBS предлагает использовать для этих целей продукты одного из поставщиков систем анализа и поддержки принятия решений, компании Cognos .

Затем можно переходить к непосредственной реализации маркетинговых мероприятий и предоставлению услуг, ориентированных на выделенные группы клиентов. Дополнительные преимущества всей этой деятельности дает интеграция специальной программной системы взаимодействия с заказчиками (customer interaction software). Такая система автоматизирует управление опросами клиентов, фильтрацию и редактирование информации, генерацию сообщений и многие другие операции, обычные для взаимодействия компании со своей клиентурой. Один из основных поставщиков подобных решений - компания POINT. Технология TeamPOINT предоставляет единый, простой в использовании интерфейс для объединения разнообразных процессов, задействованных в маркетинге, продажах и сервисном обслуживании клиентов.

Еще одна важная особенность MSS - это интеграция с инфраструктурой электронных коммуникаций компании. Центр обслуживания обращений заказчиков быстро обеспечит связь с клиентом по телефону или с помощью электронной почты. Результаты анализа маркетинговой базы данных могут использоваться для тщательной проработки способов взаимодействия с отдельными клиентами. А система TeamPOINT обеспечит центр обслуживания разнообразными функциями поддержки маркетинга, которые позволят находить потенциальных клиентов, устанавливать и укреплять связь с ними. Аппаратную и сервисную поддержку таких центров в рамках проекта MSS обеспечивает компания Siemens.

Наконец, мы добрались до точки, где цикл управления маркетингом замыкается. Результаты обратной связи с клиентами в виде обращений по телефону, заключенных контрактов или информации, полученной в ходе непосредственного диалога с клиентом, поступают и в оперативные системы, и в маркетинговую базу данных. А это означает, что качество данных для дальнейшего анализа непрерывно совершенствуется. Кроме того, постоянно пересматриваются формы работы с клиентами, что способствует установлению долгосрочной, интерактивной и сугубо индивидуальной взаимосвязи с каждым из них.

Можно было заметить, что при описании архитектуры MSS нигде не выделялось каких-либо специфических особенностей, присущих страховому бизнесу. Действительно, как утверждают разработчики, это решение может быть применено в различных секторах финансового сервиса, а также для определенных аспектов розничной торговли. Самая важная характеристика MSS - интегрированность. Различные программные продукты, входящие в ее состав, сами по себе не обеспечат той гибкости решения проблем долгосрочного взаимодействия с клиентами, которые дает проект в целом. В зависимости от потребностей своего заказчика, SBS выберет оптимальное сочетание отдельных компонентов и предоставит законченное решение, настроенное на задачи пользователя.

Литература:

М. Киселев, Е.Соломатин. Средства добычи знаний в бизнесе и финансах. //Открытые системы №4 1997 с. 41-44

М.Шапот. Интеллектуальный анализ данных в системах поддержки принятия решений. //Открытые системы №1 1998 с. 30-35

Поделитесь материалом с коллегами и друзьями