Бизнес-анализ: от отчетов к Data Mining



Поделиться:


Публикации

Борьба с обналичиванием — инструменты контроля и анализа
Осенью 2018 года Центральный Банк РФ распространил среди банков рекомендательное письмо, в котором обозначил новые подходы к борьбе с обналичиванием...


ПрограмБанк.Взыскание: Как перестать внедрять и начать взыскивать
Отличное решение в синергии консалтинга и технического решения, когда можно не только рекомендовать ту или иную стратегию поведения, но и оперативно подкреплять ее своевременной автоматизацией...


Евгений Хохлов: «Новая Афина» — новый директор и новый продукт»
С января 2019 года Дмитрий Гарбар является Управляющим директором компании «Новая Афина». Валерий Иванович Овсий занял должность Советника Генерального директора...


 

Сергей Рязанцев — Бизнес-анализ: от отчетов к Data Mining

19 Ноября 2014



На страницах «Клуба экспертов» уже поднимались вопросы: что такое и зачем бизнес-аналитика, бизнес-анализ, бизнес-аналитические системы, бизнес-приложения и т.д. Решил порассуждать на эту тему и я.
Тем более что многое из этой проблематики еще вчера пребывало на уровне академического интереса, а сейчас все больше получает практическую направленность
...



Сергей Рязанцев
Руководитель направления бизнес-аналитических систем компании «ПрограмБанк»


Под понятие бизнес-аналитика, бизнес-анализ подводят очень широкий спектр подходов и технологий. К бизнес-анализу в том числе относятся и простая группировка данных в отчеты (таблицы) с элементарной агрегацией, и расчет групп экономических показателей и коэффициентов. В конечном счете все, что помогает искать, извлекать и анализировать данные для принятия управленческих решений относится к категории бизнес-аналитики.


Но есть ли какие-то принципиальные отличия между BI-подходами, BI-системами?
Бизнесом управляют люди, и, хотя Создатель пока что является непревзойденным разработчиком нейронных систем, Человек изобрел математику, которая помогает ему принимать решения. И именно глубина использования математических методов должна, с общепринятой точки зрения, являться основным критерием при классификации подходов и инструментов, применяемых при анализе данных.

Говоря иначе, в современных условиях подходы к анализу данных, бизнес-анализу и, соответственно, автоматизированные системы, обеспечивающие возможность такого анализа, отличаются степенью поддержки принятия решений.

Например, некое бизнес-приложение позволяет вам сформировать некий отчет о доходах от потребительского кредитования в разрезе клиентов — неплохо. В другом бизнес-приложении вы можете построить диаграмму и посмотреть, как доходы от кредитования физических лиц распределены по возрастным категориям — еще лучше. Но что дальше? Как интерпретировать имеющиеся данные и как их использовать для управления бизнесом?

Совсем другое дело, когда бизнес-приложение, например, выдаст вам некую группу (кластер) клиентов, заметьте, совершенно необязательно относящуюся к одной возрастной категории и полу, и сформирует рекомендации по предложению кредитных продуктов из существующей линейки, наиболее подходящих этой группе, исходя из анализа набора поведенческих и социально-демографических факторов.

Набор методов и подходов для создания информационных (статистических) моделей, обеспечивающих не просто расчет неких показателей и формирование отчетности, а выявляющих нетривиальные закономерности и предлагающих варианты решений, на сегодняшний день принято связывать с понятием Data Mining. Если буквально переводить этот термин, то речь идет о «добыче» данных, но, на самом деле, этот термин подразумевает извлечение знаний из данных в процессе (еще один англоязычный термин) Knowledge Discovery in Data (Database) (KDD).
Data Mining является элементом, этапом KDD-процесса, который, кроме этого, предполагает наличие этапов извлечения, очистки и трансформации данных.

Но всегда ли и везде ли мы можем использовать Data Mining? Увы — нет. И здесь на сцену выходит другое, не только модное, но и действительно актуальное на сегодняшний день понятие — Big Date. При этом, если разработчики и пользователи отчетно-аналитических систем ломают голову над тем, что делать с экспоненциально нарастающими объемами данных, апологеты продвинутого бизнес-анализа потирают руки и готовятся к взрывному росту спроса на системы, основанные на методах Data Mining. Ведь чем больше данных, чем больше статистики, тем лучше работает закон больших чисел, а значит, выявляемые закономерности и предлагаемые варианты решений являются более объективными и практически полезными.

Но с учетом того, что далеко не везде и не всегда имеется достаточный объем однородных данных, относящихся к одному объекту или группе идентичных объектов, для реализации информационного (статистического) подхода и методов Data Mining, методы «простого» анализа, основанного на формировании отчетности и формульных показателей, никуда, конечно, не денутся. Например, когда мы говорим о финансовом анализе средних и крупных предприятий, то вряд ли можно будет придумать что-то лучше формирования балансовых показателей и отчета о прибылях и убытках, сопоставления активов и пассивов, анализа различных показателей, рассчитанных на основе этого сопоставления.

Таким образом, если вернуться к вопросу понятий и классификации автоматизированных систем, я хотел бы заметить следующее.

Если бизнес-приложение позволяет собирать данные о предприятии, банке, каким-либо образом группировать их в отчеты и диаграммы, то оно уже, конечно, относится к классу бизнес-аналитических систем. Причем развитость ETL-механизмов, продвинутые подходы к хранению данных, развитость инструментов OLAP-анализа и средств визуализации основной сути не меняют и принципиального отличия системам (платформам) не дают. В целом категорию такого рода систем я бы классифицировал как отчетно-аналитические системы. К ней относятся любые системы и приложения, обеспечивающие формирование управленческой отчетности различного рода и уровня, начиная от формирования базовых балансовых отчетов и P&L и заканчивая расчетом KPI для системы сбалансированных показателей.

Отдельной категорией аналитических систем являются платформы, ориентированные на информационный подход к моделированию бизнес-процессов, основанные на применении методов Data Mining и обеспечивающих процесс Knowledge Discovery in Data (Database). Отчетные функции и возможности по визуализации для такого рода систем являются вторичными. В целом задачи, решаемые такого рода системами, можно разделить на следующие классы:
— классификация;
— регрессия;
— кластеризация;
— ассоциация;
— анализ отклонений;
— анализ связей;
— факторный анализ.

Если говорить о практическом аспекте применения такого рода систем для банков, то они могут успешно использоваться для решения задач классификации при массовом кредитовании, а также для задач сегментации (кластеризации) клиентской базы, с целью повышения эффективности маркетинга банковских продуктов и услуг.

Использование подобного рода систем это уже не нечто экзотическое, а реалии сегодняшнего дня. В качестве примера стремительного развития и вхождения в нашу жизнь интеллектуальных подходов к анализу данных можно привести поисковые интернет-системы и то, как быстро мы привыкли к тому, что поисковик выдает не просто набор какой-то информации, а предлагает нам варианты решений.

Источник: Интернет-портал Bankir.ru

Мы всегда готовы предоставить интересный материал для публикаций
и интересных людей для интервью!

Контактная информация:
+7(495) 651-84-91, 651-84-84
marketing@prbank.ru
1989-2019 © ПрограмБанк
тел.: +7(495) 651-84-84
info@programbank.ru
Мы в соцсетях: Карта сайта
Политика конфиденциальности