INFOTEH-JAHORINA Vol. 10, Ref. F-4, p. 917-921, March 2011. PRIMENA SISTEMA POSLOVNE INTELIGENCIJE U BANCI APPLYING BUSINESS INTELLIGENCE SYSTEM IN BANK Bogdan Ubiparipovic 1, Nova Banka AD Banja Luka Lazar Raković 2, Ekonomski Fakultet Subotica Sadržaj - Veoma dinamično tržište, promenjljivi zahtevi klijenata, velika konkurencija, neophodnost stroge kontrole i upravljanja rizicima su samo neke karakteristike ambijenta u kome posluju savremene banke. Bolje upravljanje i kvalitetniji proces odlučivanja prave razliku između uspešnih i neuspešnih na ovakvom tržištu. Rešenja sistema poslovne inteligencije za potrebe banaka treba da obezbede donosiocima odluka iz svih poslovnih segmenata banke mogućnost upravljanja I eksploatisanja informacionog potencijala, a sve u cilju rešavanja poslovih problema I donošenja pravovremenih I kvalitetnih odluka. Poslovna inteligencija pokriva mnoge oblasti poslovanje banke, a među najvažnijim su: Upravljanje odnosima sa klijentima (CRM), Upravljanje performansom (PM), Upravljanje rizicima (RM), Upravljanje aktivom i pasivom (ALM), Usklađivanje sa regulativom i standardima (Compliance). Data warehouse baza podata I analitički procesi (OLAP) čine informacionu osnovu za primenu poslovne inteligencije. Data mining I otkrivanje znanja je takođe važan segment poslovne inteligencije I bavi se kompleksnim statističkim analizama, otkrivanjem skrivenih veza među podacima I predviđanjem trendova ponašanja poslovnog sistema. Abstract - Dynamic market, the changing customer demands, great competition, the necessity of strict control and risk management are just some of the characteristics of business environment for the modern bank. Better management and better decision-making process make the difference between successful and unsuccessful on the market with these characteristics. Solutions of business intelligence for banks should provide the ability to manage and exploitation of information resources for all business segments of the bank to decision-makers, in order to solve the problems and making timely and quality decisions. Business intelligence covers many areas of the bank, and among the most important are: Customer Relationship Management (CRM), Performance Management (PM), Risk Management (RM), Asset and Liability Management (ALM), and Compliance. Data warehouse and online analytical processesing (OLAP) are the informational basis for the application of business intelligence. Data mining and knowledge discovery is also an important segment of business intelligence and deal with complex statistical analysis, discovering ''hidden'' relationship between data and forecasting the behavior trends of business systems. 1. UVOD Savremene banke moraju da odgovore izazovima kao što su automatizacija procesa, povećana očekivanja korisnika, agresivna konkurencija, udruživanje i pripajanje, razvoj novih proizvoda i segmenata tržišta. U isto vreme banke moraju i da upravljaju rizicima, kao i da usklade svoje poslovanje sa rastućom domaćom i međunarodnom regulativom (IAS, AML, BASEL II). Upravljanje je odlučivanje, a odluke moraju da se donose na vreme, da budu efikasne i da budu bazirane na tačnim i pouzdanih informacijama proisteklim iz podataka. Banke dnevno beleže velike količine podataka, za svakog klijenta se vode podaci o njegovim ličnim, psihosocijalnim, imovinskim i finansijskim karakteristikama, takođe i o svim njegovim računima, transakcijama po svakom računu, kreditnim obavezama itd. Ovi podaci se generišu u osnovnom bankarskom informacionom sistemu i smeštaju u transakcione baze podataka. Iskustvo je pokazalo da su transakcione baze podataka bogat izvor informacija kojim se može poboljšati poslovanje svake kompanije, a banke izuzetno zbog pomenutih činjenica o dostupnosti velike količine podataka. Još odavno je postalo jasno da banke imaju mnogo podataka, a malo informacija i vrlo malo znanja o mnogim aspektima svoga poslovanja. Međutim, transakcijske baze podataka su ogromne, zamislimo da menadžment banke želi utvrditi karakteristike klijenata koji su u prošlosti bili nelikvidni. Takvu informaciju obično može tražiti od informatičara u banci, koji u tom slučaju osim svog redovnog posla trebaju potrošiti dosta vremena da naprave traženi izveštaj. Kad je izveštaj na stolu menadžera, možda je već prekasno za donošenje odluka. 1 Student postdiplonskog doktorskog studija na Univerzitetu u Novom Sadu, Ekonomski fakultet 2 Student postdiplonskog doktorskog studija na Univerzitetu u Novom Sadu, Ekonomski fakultet 917
Razvoj informacione I komunikacione tehnologije omogućava uspešno rešavanje navedenih problema. Veliki podskup upravljanja poslovnim informacijam i znanjem i prvi korak prema organizaciji koja uči jest skup metoda, alata i aplikacija koje se zajedničkim imenom nazivaju "poslovna inteligencija" (BI, Business Intelligence). Poslovna inteligencija se danas smatra posebnom disciplinom koja u sebi obuhvata elemente informacione tehnologije, strategije, upravljačkog računovodstva, poslovne analize, marketinga. Ona omogućava prikupljanje, analizu, distribuciju i delovanje na osnovu poslovnih informacija, a u cilju lakšeg rešavanja upravljačkih problema i donošenja najboljih poslovnih odluka [1]. Sistem poslovne inteligencije ne postoji kao gotov proizvod, već njegovi proizvođači nude tehnološke platforme i znanja za implementaciju. Poznato je da su savremene banke među liderima po pitanju uvođenja novih tehnologija i znanja, pa su upravo one plodno tlo za implementacija jedne ovakve infrastructure. 2. OBLASTI KOJE OBUHVATA POSLOVNA INTELIGENCIJA U BANCI Rešenja sistema poslovne inteligencije za potrebe banaka su obično veoma složena jer treba da obezbede donosiocima odluka iz svih poslovnih segmenata banke mogućnost upravljanja i eksploatisanja informacionog potencijala mnoštva internih i eksternih izvora podataka. Poslovna inteligencija pokriva mnoge oblasti poslovanje banke, a među najvažnijim su (Sl.1.): Upravljanje odnosima sa klijentima (Analitycal CRM) Upravljanje performansom banke (PM, Performance Management) Upravljanje rizicima (Enterprise Risk Management) Upravljanje aktivom i pasivom (ALM, Asset & Liability Management) Usklađivanje sa regulativom i standardima (Compliance) [2] Sl.1. Oblasti koje obuhvata poslovna inteligencija u banci Sagledavanje i analiza ukupnih odnosa sa klijentima od izuzetnog je značaja za uspešno poslovanje bake u uslovima rastuće konkurencije. Većinsa softverskih rešenja u domenu poslovne inteligencije fokusirani su na segmentiranje tržišta, definisanje jasne slike o klijentima i njihovom odnosu prema banci, definisanje jasne slike o tržišnom potencijalu i mogućnostima banke da taj potencijal iskoristi: Segmentacija - segement klijenata predstavlja grupu klijenata sastavljenu na bazi specifičnih zajedničkih karakteristika. Profitabilnost klijenata - analize profitabilnosti predstavljaju analizu klijenata u skladu sa očekivanim efektom na profit banke a time i na ukupan ROE (return on equity) Cross selling i up selling - ove vrste analiza omogućavaju procenu klijenta u skladu sa mogućnostima korištenje više proizvoda i usluga istovremeno (krediti, depoziti, kartice, elektronskobankarstvo itd.) Efektivnost kanala - omogućava identifikaciju i analizu različitih kanala za komunikaciju sa klijentima i isporuku prozvoda kroz te kanale. Upravljanja kampanjama - Osnovni cilje da se analiziraju i upoređuju efekti marketinških kampanja na povećanja broja klijenata, povećanje broja i nivoa prodatih proizvoda, prihoda itd[3]. Upravljanje aktivom i pasivom banke (ALM, asset and liability management) predstavlja proces upravljanja obavezama i potraživanjima banke koji ima za cilj uspostavljanje ravnoteže između profita i rizika, uspostavljanje veze između obaveza i potraživanja, kontrolisanje efekata rizika na poslovanje i finansijski rezultat banke. BI rešenja za ALM treba da omoguće generisanje kompletnog seta internih izveštaja počev od 918
bilansih izveštaja, analize likvidnosti, tokova gotovine, pa sve do analize adekvatnosti kapitala prema ročnoj i kamatnoj strukturi. Pored navedenog, obuhvataju i analize strukture prihoda i analize složenih dugoročnih kreditnih aranžmana iz više izvora. U sklopu upravljanja performansom menadžeri prate ključne indikatore performansi poslovanja preko scorecard izveštaja na bazi kojih se u svakom trenutku kontroliše usklađenost tekućeg stanja sa definisanim ciljevima. Rešenja za podršku scorecardingu treba da omoguće korisnicima (prvenstveno menadžerima) brz i efikasan pristp scorecard karticama koje pokazuju vrednosti performansi ključnih indikatora, znakove uzbuna kada oni pređu dozvoljene granice i lako ulaženje u detalje podataka (drill-down). Da bi se ispunili zahtevi metodologije upravljanja performansom pored pomenutog sistema izveštavanja neophodno je obezbediti infrastrukturu koja će podržavati proces planiranja i budžetiranja. To znači da sistem treba da podržava mogućnost definisanja ciljnih veličina po svim dimenzijama poslovanja (klijenti, proizvodi, organizacione jedinice) uvažavajući vremensku dimenziju. 3. ARHITEKTURA SISTEMA POSLOVNE INTELIGENCIJE U BANCI Arhitektura sistema poslovne inteligencije u banci je veoma heterogena i sastoji iz nekoliko nivoa (Sl.2.): Operativna baza podata i eksterni podaci, Nivo integracije i transformacije podataka, Data Warehouse nivo, Nivo za pristup podacima (aplikacije, OLAP, Data Mining itd.), Nivo za pristup informacijama. Operativne (transakcione) baze podataka se kreiraju da bi zadovoljile potrebe tekućeg poslovanja. Sistem transakcione obrade podataka u banci (OLTP, OnLine Tranaction Processing), predstavlja temeljni informacioni sistem banke. Njegova uloga je da podržava svakodnevne poslovne transakcije i aktivnosti (unos i obrada platnih naloga, unos i obrada depozitnih i kreditnih ugovora, transakcije knjiženja, transakcije obrade provizija i kamata itd.). Obzirom na činjenicu da su OLTP sistemi u banci obično heterogeni (različite aplikacije i tehnološke platforme) kao i na činjenicu da se radi o izuzetno velikom broju i dinamici promena, podaci prikupljeni tokom dužeg perioda smanjuju performase (npr. brzinu odziva) samog sistema. U skladu sa navedenim nije praksa da se podaci u transakcionim bazama koriste za složenije analitičke obrade kao što su prikaz određenih trendova u nekom vremenskom periodu. OLTP infrastrukturu u banci sačinjavaju: - Core bankarski softver (depoziti, plasmani, platni promet, kartičarstvo, elektronsko i mobilno bankarstvo, brokerski poslovi itd.) - ERP aplikacije (računovodstvo i finasije, HRM, osnovna sredstva itd.) - Eksterne aplikacije (centralna banka, berza itd.) Nivo integracije i transformacije podataka uključuje procese koji podatke iz operativnih i spoljašnjih izvora transformšu u oblik pogodan za smeštanje u data warehouse bazu podataka. Zajednički im je naziv ETL (ETL, Extract Transform and Load) procesi. Proces ekstrakcije podataka potrebno je provoditi na način da pri tom redovni operativni (OLTP) procesi što manje trpe, a što je za banku od velikog značaja obzirom na dinamiku rada OLTP sistema. Savremena programska rešenja i alati oblikovani su tako da ETL procese mogu obavljati što efikasnije uz nastojanje da potrebne podatke iz operativnih procesa zahvataju što je moguće brže. Dizajnirani su tako da su veoma intuitivni i laki za korištenje jer imaju bogat grafički interfejs. Sl.2. Arhitektura sistema poslovne inteligencije u banci[2] 919
Skladište podataka (DW, Data Warehouse) je analitička baza podataka koja se koristi kao osnova za sisteme poslovne inteligencije i projektovana je za velike količine podataka i na način koji omogućava jednostavano i efikasano upravljanje njima u službi kreiranja informacija potrebnih u procesu odlučivanja. Postupak skladištenja podataka predstavlja kontinuirani proces planiranja, građenja, i prikupljanja podataka iz različitih izvora te njegovog korištenja, održavanja, upravljanja i stalnog unapređenja. DW sadrži kopije podataka iz operativnih baza čime je iz operativnih baza uklonjena ogromna masa najčešće istorijskih podataka što ih rasterećuje složenih upita a time dolazi do unapređenja njihovih operativnih performansi. Obzirom na svu složenost i količinu zahtjeva koju pred DW postavlja banka kao poslovni model većina njih se projektuju kao relacione, a njihova nadgradnja u formi data-martova su obično dimenzionalni modeli. Model namenjen za banke komercijalnog tipa, se sastoji od entiteta I atributa vezanih za ključne predmetne oblasti poslovanja banke (marketing, upravljanje profitom i rizicima, unapredjenje prodajne aktivnosti i odnosa sa klijentima, praćenje uspješnosti izvršenja poslovnih planova kao i analize i izveštavanja vezana za zahteve regulatora). Za razliku od Data Warehouse čija je osnovna funkcija da odražava procese i pravila poslovanja na nivou banke, mart podataka odražava pravila poslovanja unutar jedne funkcije, jednog poslovnog procesa ili jedne poslovne jedinice, pri čemu ta pravila treba da budu usaglašena sa pravilima poslovanja na nivou banke. Martovi podataka mogu da budu upotrebljeni za eksploraciju, data mining, upravljane upite ili analitičku obradu podataka i najčešće predstavljaju direktni izvor podataka kojima krajnji korisnici pristupaju. Mart podataka koji se koristi za analitičku obradu podataka zahteva lak i brz intuitivni pristup krajnjim korisnicima, a dimenzionalni model je najpodesniji za zadovoljavanje toga zahteva. Data martovi mogu biti bazirani na tzv. Busines Solution Templates (BST) u skladu sa specifičnim poslovnim oblastima banke (upravljanje odnosima sa klijentima, upravljanje profitom, upravljanje rizicima, upravljanje kapitalom itd.) Business Solution Templates su modeli podataka koji su prilagođeni za analitičke procese, definisani su kao kocke podataka od kojih svaka ima skup mera i dimenzija (Sl.2.). Određeni data mart modeli su bazirani I na tzv Application Solution Templates (AST) I čija je funkcija obezbeđivanje podataka za specifične aplikacije. Karakterističan primer je aplikacija za kalkulaciju osnovni parametra Bazel II: Exposure of Default, Risk Weighted Asset, Expected loss, Loss Given Default itd Izrazom OLAP (OLAP, OnLine Analytical Processing) označena je kategorija softverske tehnologije koja omogućava korisnicima (analitičarima, menadžerima itd.) da steknu uvid u podatke na brz, konzistentan i interaktivan način. OLAP predstavlja lice DW baze podataka i vid obrade podataka koji omogućava korisniku da brzo i lako ekstrahuje podatake, da ih pretvara u informacije na skoro neograničen broj načina. Tradicionalni pristup pronalaženja informacija iz izvora podataka podrazumeva pravljenje SQL (Structure Query Lenguage) upita. Prednost OLAP pristupa je u tome što omogućava efikasniji i svrsishodniji pristup podacima, na način da se prave izveštaji koji su interaktivni i u odgovarajućem formatu, ikao takvi su laki za implementaciju i korištenje. OLAP izveštaji mogu biti u obliku regulatornih statusnih izveštaja, multidimenzionalnih analiza, ali mogu biti i u posebno efektnim formatima kao što su izveštaji o ključnim indikatorima performansi (Balanced Scorecard). OLAP sistemi skladište podatke i pristupaju im kao dimenzijama koje reprezentuju poslovne faktore, kaošto su vreme, proizvodi, geografski regioni ili tržišni segmenti. Ti podaci su organizovani multidimenzionalno - kao kocke koje se mogu okretati, pomerati i posmatrati s bilo koje strane. Kocke podataka (Data Cubes) su fleksibilne sa aspekta informacija koje sadrže (dimenzije) i kalkulacije koje se mogu obaviti (mere) [4]. OLAP alati za izveštavanje moraju da poseduju intuitivan korisnički interfejs pomoću kojeg korisnici mogu interaktivno da istražuju podatke i da ih na alternativne načine (tekstualno, grafički itd.) prikazuju prema svojim potrebama. Rudarenje podataka (DM, Data Mining) je proces eksploracije i analize velikih količina podataka radi otkrivanja smisaonih složajeva i pravila. Data mining se koristi tehnikama i algoritmima iz oblasti statistike, veštačke inteligencije da bi se u velikim skupovima podataka otkrili značajni skriveni složajevi. Tumačenje i razumevanje tih složajeva omogućava bolje dijagnostikovanje stanja sistema, bolje predviđanje i samim tim bolje odlučivanje. Osnovna razlika između OLAP i DM je u operisanju podacima. OLAP obavlja multidimenzionalne analize podataka - omogućava sumarizovanje i drill-down, koristi se agregiranjem, a u osnovi su operacije sabiranja, dok DM kazuje o odnosima i složajevima u skupu podataka. Tradicionalni sistemi upita i izveštavanja daju odgovor na pitanje šta se nalazi u bazi podataka, OLAP ide korak dalje i ulazi u sferu značenja podataka i daje odgovore na pitanja da li su neke pretpostavke koje su izdvojene iz baze podataka istinite. Drugim rečima OLAP stvara seriju hipotetičkih zakonitosti i veza između podataka i koristi sisteme upita da ih potvrdi ili opovrgne (deduktivan proces). DM se razlikuje po tome što on ne pokušava da potvrdi ili opovrgne postavljene hipoteze, nego pokušava da pronađe neku zakonitost među podacima (induktivan proces) [5]. Najčešće tehnike koje se koriste pri analizi podataka su neuronske mreže (neural networks) i stabla odluke (decision trees). Osnovni koraci koji se izdvajaju u svakom data mining projektu su: Definicija poslovnog problema, Kreiranje DM baze podataka, Istraživanje podataka, Priprema podata za modelovanje, Kreiranje modela, Ocena modela, Implementacija modela i rezultati. Data mining ili rudarenje podataka može biti vrlo korisno u bankarstvu. Brojni su primeri korištenja, banka može na temelju karakteristika klijenata predvideti koji klijenti bi mogli koristiti određene usluge, te usmeriti marketinšku kampanju samo na taj uski segment čime se smanjuju troškovi i povećava lojalnost klijenata. S druge strane banka može na temelju podataka iz prošlosti odrediti karakteristike klijenata za koje je verovatno da neće moći vratiti kredit te na 920
taj način smanjiti rizik svog poslovanja. Sigurno je da banka ima već razvijene metode za odabir klijenata koji bi mogli koristiti dodatne proizvode kao i metode za detekciju potencijalnih loših dužnika. Nivo za pristup informacijama je u direktnoj interakciji sa krajnjim korisnicima. Taj nivo u suštini predstavlja alate i aplikacije koje krajnji korisnici upotrebljavaju svakodnevno. Sa razvojem tehnologije ti alati postaju sofisticiraniji i pružaju veliku mogućnost za manipulaciju, analizu i prezentaciju informacija, uz obavezno intuitivan, jednostavan i vizuelno atraktivan korisnički interfejs. Najčešće kategorije korisnika su: Menadžeri: Top menadžeri, rukovodioci sektora (plasmani, depoziti, rizici, računovodstvo, platni sistemi), segment lideri (retail bank, corporate bank), rukovodioci regionalnih organizacionih jedinica (filijale, ekspoziture) Analitičari Operativni korisnici. Svaki od ovih korisnika ima svoje specifične potrebe i zahteve za informacijama u zavisnosti od hijerarhijskog nivoa i prirode posla koji obavlja. U skladu sa tim u savremenoj praksi postoji sledeće forme pristupa i prezentovanja informacija: - Izveštaji osnovni vid prezentacije i obično su statični, imaju minimalne analitičke zahtjeve i obično su generisani klasičnim SQL upitima. Izveštaji mogu odgovoriti na klasične bankarske zateve tipa Koliko je ukupno nevraćenih kredita i kolika je njihova ukupna vrednost!?. - Analize zadovoljavaju zahteve znatno složenijih multidimezionalnih (vreme, klijent, proizvod, kanal distribucije) upita. Primer: Koliki je procenat promene nivoa kredita, ako se uporedi sa istim periodom prošle godine, za svaki od top 5 proizvoda, za svakog od top 10 klijenata. - Scorecard tablice omogućavaju sadržajno i vizuelno praćenje ključnih indikatora performansi na bazi kojih se u svakom trenutku može porediti i kontrolisati usklađenost tekućeg stanja s definisanim ciljevima tih performansi. - ''Dashboard''- integriše na jedno mesto sve neophodne informacije za donošenje odluka bilo da su u formi izveštaja, analiza i scorecard tabela. Omogućava personalizaciju za svakog pojedinačnog korisnika (donosioca odluka). Dashboard obiluje grafičkim reprezentacijama podataka i posebno je koristan donosiocima odluka na visokom nivou jer pružaju lak i brz uvid u sve ključne podatke i njihove trendove. LITERATURA [1] Neđo Balaban and Živan Ristić, Poslovna inteligencija. Novi Sad: Ekonomski fakultet, 2006. [2] ASSECO. (2010) www.asseco.com. [Online]. HYPERLINK http://www.asseco-see.com. [3] Merlin Stone and Bryan Foss, Crm In Financial Services.: Kogan Page, 2002. [4] Ralph Kimball, The Data Warehouse Toolkit: PracticalTechniques for Building Dimensional Data Warehouses. New York: John Wiley & Sons. Inc [5] Ćirić Bojan, Poslovna inteligencija. Beograd: Data Status, 2006. ZAHVALNICA Istraživanja u ovom radu rađena su u sklopu izrade seminarskog rada iz predmeta Poslovna inteligencija na postdiplomskom doktorskom studiju na Ekonomskom fakultetu Univerziteta u Novom Sadu, pod mentorstvom prof. dr Lasla Šereša. 921