E-Banking konferencia Deliága Ákos Szűcs István Zsemlye Tamás 2016. március 3.

Az előadások a következő témára: "E-Banking konferencia Deliága Ákos Szűcs István Zsemlye Tamás 2016. március 3."— Előadás másolata:

1 E-Banking konferencia Deliága Ákos Szűcs István Zsemlye Tamás 2016. március 3.

2 Hewlett Packard Enterprise IT Szolgáltatások IT Transzformáció SzerverTároló Hálózat Konvergált Infrastruktúra Biztonság Analitika IT Menedzsment HPE Szoftver Biztonság Big Data Felhő Mobilitás Üzleti Alkalmazások HPE nagyvállalati megoldások ITO / BPO Alkalmazás fejlesztés

3 Kihívások és megoldások Omni Channel Bankolás Mobil fizetés Tanácsadás & Önkiszolgálás CRM & hűség Digitalizálás & folyamatok Analitikai megoldások Architektúra & Integráció Felhasználói élmény Biztonság Mobil munkaerő Gyors Reakció Képesség Forrás: FSI Predictions 2016, IDC

4 Social Banking Banki ügyfél viselkedés analitikai megoldásai Omni-channel üzleti modelben. Szűcs István (Vezető konzultáns) Füredi Gábor (Vezető konzultáns)

5 Kockázat kezelés Akvizíció Értékesítés Megtartás Advokáció Csalás Workout Kit keressek? Mit adjak el neki? Segítsen akvirálni Hogyan hozzam vissza? Mire kell figyelnem? Hogyan tartom meg? Mi a közös ezekben a kérdésekben? Hogy a megválaszolásukhoz modern analitikai megoldások szükségesek!

6 Keresztértékesítés, upsell, szolgáltatáscsomagok optimalizálása Ügyfél: Állami tulajdonú bank Termék keresztértékesítés és up-sell lehetőségek azonosítása, ügyfélélmény javítása Üzleti igény –A cél: termékkosarak kialakítása az ügyfelek termékvásárlási mintái alapján –Termékjavaslatok a célzott marketing kampányokban Megoldás –Robosztus termékjavaslatok a keretsztértékesítésre és upsellre –Kulcs ügyfélszegmensek azonosítása demográfiai és üzleti szabályok alapján –Kulcs lehetőségek kiaknázása. Az ügyfelek azon 20%- ának azonosítása, akikre a leghatékonyabban lehet célzott kampányt indítani EredményA megoldás elemei Ügyféladatok különböző forrásokból pl. Tranzakciók Demográfiai adatok CRM rendszer. Adatgyűjtés Adatminőség biztosítása Hiányzó adatok pótlása Szélsőértékek kezelése Adat feldolgozás Asszociációs szabályok azonosítják a termékeket. Modellezés SAS, R alkalmazásával Statisztikai modellezés Fejlesztett termék és szolgáltatáskosár megoldás priorizált listával kit célzunk milyen szolgáltatással) Analitikai megoldás “A” termék “B”,“C” termék “D”,“E” ajánlat “X” ajánlat “Y” ajánlat “Z” ajánlat KampányAsszociációs szabályok Ügyfél azonosító KorNem Termék birtoklás Next Best Offer Célzott kampány XXXX2167N“A” termék“Y” termékKampány 1 XXXX2447F“C”,”B” termék“Y” termékKampány 2 XXXX3461F“A” termék“X” termékKampány 1 XXXX3662F“D”,”E” termék“Z” termékKampány 3 XXXX4362F“C”,”B” termék“Y” termékKampány 2 XXXX4553F“D”,”E” termék“Z” termékKampány 3

7 Ügyfél elvándorlás előrejelzése Nagy ausztrál bank Egy ausztrál bank kiszámította, hogy 2011 és 2014 között a lakáskölcsönnel rendelkező ügyfeleinek 5%-át elvesztette Üzleti igény –Elvándorlás definíciója –Elvándorlás más bankokhoz –Kevésbé jövedelmező termékekre váltás –Előtörlesztés –Előrejelző modell készítése az elvándorlók azonosítására –Akciók az elvándorlás megelőzésére Megoldás –Az elvándorlás kulcstényezőinek meghatározása –Szabályok definiálása a legnagyobb kockázatú ügyfelek kiszűrésére –Elvándorlási valószínűség scoring modell előállítása –Stratégiák kialakítása az elvándorlás megelőzésére –SAS Visual Analytics alkalmazása az interaktív jelentéskészítésre EredményMegoldás elemei Havi gyakorisággal generált ügyféladatok elemzése, HP Vertica alkalmazásával Adatgyűjtés Adatminőség ellenőrzés Hiányzó adatok pótlása Szélsőértékek kezelése Adat feldolgozás Többosztályos klasszifikáció (Logisztikus Regresszió/ Random Forest) modellezés R- udfs segítségével Statisztikai modellezés A legjobb modell kiválasztása mintán túli validációval A legjobb modell alkalmazása az elvándorlást megelőző akciók azonosítására Analitikai megoldás

8 Behajtási stratégia Piacvezető indiai bank Behajtás hatékonyságának maximalizálása a rendelkezésre álló erőforrások optimális kihasználására Üzleti igény Korai beavatkozás a nemfizetési kockázat korai felismerésével A legjobb lehetséges eljárás kiválasztása az ügyfél kockázati és viselkedési profilja figyelembevételével MegoldásEredményMegoldás elemei Fizetési és nemteljesítési adatok, nemteljesítés oka, ügyfél profitabilitás, hitelinformációk. Adatgyűjtés Aggregált és kompozit mutatók számítása Szélsőértékek és kezelése Hiányzó adatok pótlása Adat feldolgozás Magas, közepes és alacsony kockázatú számlák azonosítása Aktivitási modellek létrehozása Statisztikai modellezés A modell alapján döntés a : telefonos megkeresésről, levélben történő felszólításról, követelés értékesítéséről, közvetlen jog érvényesítésről Analitikai megoldás A korai beavatkozás alacsonyabb veszteséget okoz A saját behajtási erőforrások hatékony alkalmazása Maximális eredmény a rendelkezésre álló opciók közötti hatékony választásnak köszönhetően

9 360 fokos ügyfélnézet Szöveges és akár beszéd alapú kommunikáció teljeskörű felhasználása Közösségi média források felhasználása Minden csatorna egységes kezelése: Call center, chat, email és akár postai levelezés kiaknázása a teljes ügyfélkép érdekében Ügyfélelégedettség pontosabb felmérése Szegmens szintű véleményprofilok alkotása potenciális ügyfelekről Kampányok visszamérése, visszaellenőrzése valós időben Ügyfél panaszok, igények, követése csatornától függetlenül Jelentős hatása van az Net Promoter Score-ra, Net Loyalty Score-ra

10 Ügyfélélmény közösségi média szövegelemzés alapján Piacvezető ír bank Megoldás elemei Piacvezető bank szerette volna mérni a saját és a versenytársai szentimentjét és a főbb említett témákat a közösségi hálón és véleményvezéreknél Üzleti igény Teljeskörű közösségi média megoldás brand analitikai fókusszal –Mélyelemzés közösségi adatokon a brand értékének felmérésére –Véleményvezérek azonosítása és pénzintézeti versenytársak szentiment mérése –Üzleti következtetések levonása és proaktív döntés előkészítés Megoldás –Közel valósidejű piac, vélemény és trendértékelés –Időszerű visszejelzés az üzleti tevékenységre (marketing kampányok, ügyfélszolgálat stb.) –Brand erejének mérése és véleményvezérek közvetlen kezelése –Ügyfél problémák azonosítása és kezelése Eredmény Tibco Spotfire DataSiftVállalati adatok FTP Analitika HPE Vertica (1TB) Massive Parallel Processing Adatbázis Hadoop (5TB) Személyreszabott adatok Közösségi adatfolyam Social (Streaming) Data Feed Vizualizáció UDF’s in R, C++ HPE Pulse Vertica SLQ függvények HPE IDOL Elemzés Verticával

11 Túl a 360 fokos ügyfélnézeten Tudjunk meg ügyfeleink kapcsolatairól: Cégkapcsolatok feltérképezése Tranzakciós kapcsolatok feltérképezése Termékek közös használata (társkártya birtokos, számlabirtokos, meghatalmazott kezes stb.) Értékesítés, akvizíció: Ügyfél mint szószóló Véleményvezérek aktiválása Kockázati modellezés, csalásdetekció: Kit is hitelezek ténylegesen?

12 Számla és hitelkockázati értékelés hálózatelemzés alapján Hitel és számlatermékek esetén a szerződő félen túl más szereplők is befolyásolják a nemfizetési kockázatot Üzleti igény Olyan rendszerre van szükség, amely képes: A gráf topográfiájának és a csúcspontok, (természetes személyek, vállalatok) értékelésére Ezek alapján a hitelkockázatot befolyásoló faktorok kockázati értékelésére A csalási kockázatot befolyásoló faktorok értékelésére MegoldásEredményMegoldás elemei Kapcsolati hálók adatainak begyűjtése (természetes és jogi személyek értékelése, kapcsolatok (termékhasználat, jogcím, céges kapcsolat, tranzakciós kapcsolat) Adatgyűjtés A szereplők összegyűjtése, értékelése A kapcsolatok értékelése Különösen kockázatos topográfiák azonosítása Adat feldolgozás Hitelezési és csalási modellek és hálózati, topográfiai modellek alkalmazása Statisztikai modellezés Kockázati és csalási modellek előállítása, hálózati vizualizáció a szakértő elemzők számára Analitikai megoldás A szerződéshez, ügylethez kötődő kockázatok teljesebb körű azonosítása A kapcsolatok marginális hatásának meghatározása A csalásra jellemző topográfiák felfedezése A teljes hitelkockázati és csalási kockázat meghatározása

13 Reagáljunk valós időben! Ügyfél életciklus alapú ajánlatok Családi események felismerése és kiaknázása Helyhez kötött ajánlatok Közös promóciók, kedvezmények Hitelezési lehetőségek mind teljesebb kiaknázása Termék cross és upsell amikor releváns Csalásra utaló jelek valósidejű felismerése Szokásostól eltérő tranzakciók felismerése adaptív módon Új csalási formák automatikus felismerése

14 Kártyacsalás valós idejű felderítés öntanuló módon A rabló mindig egy lépéssel a pandúr előtt jár. Öntanuló rendszer alkalmazása esetén ez a lépés lerövidíthető. Üzleti igény Olyan rendszerre van szükség, amely képes: Valós időben azonosítani a csalásgyanús tranzakciókat Felhasználói beavatkozás nélkül is megtanulni az új csalási szokásokat A hagyományos szabályalapú rendszerek mellett, azzal összhangban működni MegoldásEredményMegoldás elemei Kártyatranzakciók folyamatos injektálása Megerősített csaló és legitim tranzakciók visszacsatolása Szabály alapú értékelés visszacsatolása Adatgyűjtés Csalárd profilhoz, legitim profilhoz hasonlósági érték számítása 19 paraméter alapján Öntanuló módon Adat feldolgozás Bayes inferencia alapján történőt profilépítés Score-ok különbsége alapján sorbarendezés Statisztikai modellezés A rendszer a beállított határértékeket meghaladó eseteket jelzi Egy magasabb érték esetén tiltja a tranzakció automatikus végrehajtását Analitikai megoldás Már egy hónapnyi tanulás után, a tranzakciók 0,1%- nak kézi feldolgozásával: –Felismeri a csaló tranzakciók több mint 70%-át –21%-kal több tranzakciót mint a hagyományos rendszer –A hagyományos rendszernél 33%-kal magasabb összértékben –A működés hangolható az operátori kapacitás kihasználására

15 – Alkalmazott technológia: –Valós idejű analitikai megoldások –Szöveges információk automatizált elemzése –Hálózatelemzés –Változások „azonnali” lekövetése, adaptivitás Üzleti funkcionalitás

16 Agile Banking Agile, DevOps módszertan alkalmazása Banki szolgáltatások fejlesztésénél Deliaga Ákos (Vezető konzultáns) Szekrényes Zoltán (Vezető konzultáns)

17 Agile megközelítés, elég? –Agile: adaptív tervezés, evolúciós fejlesztés, korai verziók, folyamatos javítás, de gyors reakció a változásokra. –Bankban hol a helye? –Mindenhol alkalmazható? –Átmenet definiálható? –Nem kevés ez? –Üzemeltetési kérdések Nagy sebességű IT – közös megközelítés 2 különböző megoldás az Alap és a Rugamas IT-ra 1. sebesség 2. sebesség Alap ITRugalmas IT Következetesség & megbízhatóság = Alacsony kockázat Költség- csökkentés Konzervatív gyorsítás Nagy sebességű, Agilis IT Folyamatos innováció A két világ összekötése egy szervezetben

18 Mi indokolja a DevOps használatát Waterfall Agile DevOps DEV QA Staging & production DEVELOPMENT QA TESTOPSDEV +TEST 0 1 2 3 4 Iterations Staging & production OPSDEV +TEST +OPS One product team! -Shared customer-oriented goals -Shared objectives -Shared responsibility -Shared accountability

19 Planning App Development App Testing App release Release decision HPE DevOps megközelítés Rapidly increasing WIP Lack of effective customer insight and high latency drives “kitchen sink” requirements Waiting time for build and test environments drives “desk-side” builds Poor confidence in test data fosters “release aversion” driving more WIP Isolated build and integration processes Deployed App Manual Testing increases latency or drives limited test coverage Manual and error prone app deployments Error prone manual hand-offs and processes High # defects Locally optimized teams, measures and tools drives escalating WIP, lack of end-to-end visibility and trust One way flow Poor user experience “patch in production” leads to snowflake systems InfoSec & compliance engaged late driving vulnerabilities & re-work Business demands Continuous assessment Continuous Operations Continuous Delivery & Deployment Continuous Integration & Testing Innováció, gyors átállás az új irányvonalra

20 HPE DevOps megközelítés Folyamatos, ciklikus értékelés Measuring user experience Shift-left monitoring Portfolio investment planning Application release prioritization Threat and risk monitoring Business demands Continuous assessment Business demands Continuous assessment Continuous Operations Continuous Delivery & Deployment Continuous Integration & Testing

21 Planning App Development App Testing App release Release decision Rapidly increasing WIP Lack of effective customer insight and high latency drives “kitchen sink” requirements Waiting time for build and test environments drives “desk-side” builds Poor confidence in test data fosters “release aversion” driving more WIP Isolated build and integration processes Deployed App Manual Testing increases latency or drives limited test coverage Manual and error prone app deployments Error prone manual hand-offs and processes High # defects Locally optimized teams, measures and tools drives escalating WIP, lack of end-to-end visibility and trust One way flow Poor user experience “patch in production” leads to snowflake systems InfoSec & compliance engaged late driving vulnerabilities & re-work HPE DevOps megközelítés Folyamatos integráció és tesztelés Business demands Continuous assessment Automate test infrastructure deployment Automated vulnerability and static analysis Automate test execution from CI systems Network and service virtualization Intelligent testing Business demands Continuous assessment Continuous Operations Continuous Delivery & Deployment Continuous Integration & Testing

22 Planning App Development App Testing App release Release decision Rapidly increasing WIP Lack of effective customer insight and high latency drives “kitchen sink” requirements Waiting time for build and test environments drives “desk-side” builds Poor confidence in test data fosters “release aversion” driving more WIP Isolated build and integration processes Deployed App Manual Testing increases latency or drives limited test coverage Manual and error prone app deployments Error prone manual hand-offs and processes High # defects Locally optimized teams, measures and tools drives escalating WIP, lack of end-to-end visibility and trust One way flow Poor user experience “patch in production” leads to snowflake systems InfoSec & compliance engaged late driving vulnerabilities & re-work HPE DevOps megközelítés Folyamatos bevezetés és üzembehelyezés Infrastructure as code Declarative based topology models Pipeline management Business demands Continuous assessment Business demands Continuous assessment Continuous Operations Continuous Delivery & Deployment Continuous Integration & Testing Fail forward vulnerability protection

23 Planning App Development App Testing App release Release decision Rapidly increasing WIP Lack of effective customer insight and high latency drives “kitchen sink” requirements Waiting time for build and test environments drives “desk-side” builds Poor confidence in test data fosters “release aversion” driving more WIP Isolated build and integration processes Deployed App Manual Testing increases latency or drives limited test coverage Manual and error prone app deployments Error prone manual hand-offs and processes High # defects Locally optimized teams, measures and tools drives escalating WIP, lack of end-to-end visibility and trust One way flow Poor user experience “patch in production” leads to snowflake systems InfoSec & compliance engaged late driving vulnerabilities & re-work HPE DevOps megközelítés Folyamatos üzemeltetés Security, compliance and patching Monitoring and logging as a service Dynamic, hybrid infrastructure Business demands Continuous assessment Business demands Continuous assessment Continuous Operations Continuous Delivery & Deployment Continuous Integration & Testing

24 24 Alkalmazás hordozhatóság a teljes életciklusban Hordozhatóság Hordozható, mivel: Üzemeltetői szemmel (is) fejlesztik Minden környezet azonos modellre épül Funkcionálisan azonos minden ciklusban, automatikus skálázás Automatizált az infrastruktúra hozzárendelése Automatizált és hibamentes a bevezetés Automatizált a változás- és konfiguráció menedzsment Automatizált az átadás éles üzemre Problémamentes az átmenet a fázisok/környezetek között Lehet saját rendszer, felhő megoldás, vagy hibrid Fejlesztés Teszt Bevezetés Üzemeltetés

25 25 HPE DevOps megközelítés: minden folyamatos HPE implementációs módszertana

26 Agile megközelítés, elég? –Agile: adaptív tervezés, evolúciós fejlesztés, korai verziók, folyamatos javítás, de gyors reakció a változásokra. –Bankban hol a helye? –Mindenhol alkalmazható? –Átmenet definiálható? –Nem kevés ez? –Üzemeltetési kérdések Nagy sebességű IT – közös megközelítés 2 különböző megoldás az Alap és a Rugamas IT-ra 1. sebesség 2. sebesség Alap ITRugalmas IT Következetesség & megbízhatóság = Alacsony kockázat Költség- csökkentés Konzervatív gyorsítás Nagy sebességű, Agilis IT Folyamatos innováció A két világ összekötése egy szervezetben

27 Összegzés Zsemlye Tamás (Vezető konzultáns)

28 Összegzés –Üzleti funkcionalitás: –Ügyfélinformációk elemzése korszerű analitikai eszközökkel: –Ügyfélakvizíció –Keresztértékesítés és upsell lehetőségek kiaknázása –Profitábilis ügyfelek megtartása –Hitelkockázat csökkentése –Nem teljesítő hitelek kezelése – workout, behajtás –Csalásfelismerés –Kampányhatékonyság növelése –Banki brand, szolgáltatások és termékekről alkotott kép monitorozása –Advokáció – a leghitelesebb kereskedő az elégedett ügyfél –Szolgáltatás fejlesztés: –Szolgáltatás fejlesztési projekt (program) menedzsment –Szolgáltatás fejlesztés transzformáció –Hibrid szolgáltatás fejlesztés menedzsment (hagyományos, …, agilis, DevOps) –Multivendor menedzsment, fejlesztés -> üzemeltetés –Fejlesztési – Tesztelési – Üzemeltetési módszertan –Fejlesztési – Tesztelési – Üzemeltetési keretrendszer, eszközkészlet –Alkalmazás fejlesztés –Alkalmazás integráció –Alkalmazás portfófió menedzsment –Technológia –Valós idejű analitikai megoldások –Szöveges információk automatizált elemzése –Hálózatelemzés –Változások „azonnali” lekövetése, adaptivitás

29 Fejlesztés konszolidáció (referencia) Business value of Fast response Fejlesztés menedzsment, konszolidáció Xx goes life Xy goes live Xy partly goes live Special tax announced Launch of new tax 10 M eur loss for Xy All X companies announced to charge it to Customer

30 Köszönjük a figyelmet! akos.deliaga@hpe.com Istvan.szucs@hpe.com tamas.zsemlye@hpe.com

31 Industry Overview & Operating Environment Banks are primary providers of financial products, with direct contact with customers Tomorrow’s Landscape Banks are among many providers, sharing airtime with customers, with less contact with end- customer New landscape for financial service providers External Drivers (Disruption) Litigation/ Regulation Banking Acts, Basel III, Dodd-Frank Risk Data Aggregation & Reporting EconomicEconomic Deleveraging customers Global Systemic Risk/Contagion Low economic growth Societal Banking reputation post financial crisis Move to other payment providers Technological & FinTech Cloud, Big Data, Security, Mobility Ubiquitous Multichannel Delivery Customer Centricity & Customer Experience Unlocking Value, Managing Risk via Advanced Data & Insights Digital Enablement of Sales & Operating Processes Enterprise Grade Security, Cybersecurity & Financial Information Theft Reducing Time to Market Regulatory & Compliance FinTech Internal Drivers (Strategic Priorities) Today’s Reality