Разработка системы бизнес-анализа для банковской организации

Введение

Глава 1. Концепция бизнес-анализа в современных компаниях

1.1 Возможности бизнес-анализа

1.2 Понятие Data-driven Decision Making

1.3 Обзор рынка технологий Big Data

1.4 Обзор рынка Business Intelligence

Глава 2. Структура банковской организации

2.1 Бизнес-процессы банковской организации

2.2 Бизнес-процесс расчета маркетинговых предложений по кредитам

Глава 3. Проектирование системы расчета маркетинговых предложений

3.1 Требования к системе и ограничения

3.2 Диаграмма коммуникаций

Заключение

Список литературы

Введение

В процессе принятия решения мы часто основываемся на гипотезах и непроверенных предположениях. Более того, очень часто мы принимаем решения основываясь на интуиции, что не всегда хорошо отражается на дальнейших действиях и их последствиях. Данную проблему способна решить система, которая основываясь на обработанных данных, будет анализировать данные определенного бизнес-процесса и делать закономерные выводы. Ключевым фактором в работе подобной системы выступают данные, причем данные больших объемов, которые человек не в состоянии проанализировать самостоятельно.

Принятие решений на основе данных или Data-driven Decision Making (DDDM) - это процесс, который включает в себя сбор данных на основе измеримых целей или KPI, анализ моделей и фактов из этих представлений и их использование для разработки стратегий и действий, которые приносят пользу бизнесу в ряде областей [10]. Понятие Data-driven Decision (DDD) появилось в сфере бизнес-анализа относительно недавно, однако заняло устойчивую позицию на предмет исследований. Профессор Слоановской Школы управления MIT Brynjolfsson E. исследует рынок производственных компаний и их использование DDD [2]. Отмечается, что DDD используется на заводах с тремя ключевыми преимуществами: большой размер компании, высокий уровень информационных технологий и образованных работников и доступ к большому количеству данных. Активность применения DDD подтверждается тем, что его использование в производстве в США почти утроилось в период между 2005 и 2010 годами (использование предприятиями DDD поднялось с 11 до 30 процентов).

Однако встает вопрос о том, почему же не все компании начинают внедрять DDD в свою деятельность? Дело в том, что повышение производительности происходит медленными темпами, в связи с полным переходом компаний на новый способ анализа и работы. Этот переход требует полного перестроения процессов внутри организации, в том числе и управленческих. Этот факт делает данный переход дорогостоящим для внедрения. Кроме того, качественный анализ требует большого количества накопленных данных - не все компании обладают такой базой и ресурсами, что автоматически лишает их возможности использования DDD. Организация, стремящаяся повысить свою эффективность, должна собирать и накапливать данные, чтобы в дальнейшем это позволило им использовать данную статистику для анализа при решении проблем, с которыми они сталкиваются, прогнозировать и внедрять новые решения в своей деятельности.

В другом исследовании McAfee A. и Brynjolfsson E. проводят исследование, в котором пытаются выяснить взаимосвязь успеха компании и принятия решений на основе данных [11]. Они приходят к выводу о том, что компании, занимающие высшую треть в своей отрасли при использовании решений, основанных на данных, были в среднем на 5% более продуктивными и на 6% более прибыльными, чем их конкуренты. Это показывает то, что использование DDD в деятельности организации напрямую влияет на ее эффективность, и длительное дорогостоящее внедрение окупается, просто на это нужно время.

DDD применим для анализа и принятия решений в компаниях любой сферы деятельности, в том числе и банковской.

Например, современный банковский сектор России нуждается в совершенствовании бизнес-процессов. Оптимизации бизнес-процессов требуют: ипотечное кредитование, кредитование субъектов малого и среднего бизнеса, оценка кредитоспособности заемщиков [12]. Перед тем как приступать к самому изменению бизнес-процессов необходимо понимать, что нужно изменять, в какую сторону и как это отразиться на развитии компании. Более того, банковский сектор стремительно развивается, а значит он оперирует большим количеством данных, которые необходимо обрабатывать и анализировать. Исаев Р.А. отмечает, что грамотное бизнес-моделирование помогает упростить некоторые из бизнес-процессов и сделать их гибкими [12]. Автор обращает внимание на то, что подобное бизнес-моделирование позволяет проще внедрять необходимые корректировки и изменения в будущем - добиться этого помогает качественный бизнес-анализ, основанный на данных.

1.3 Обзор рынка технологий Big Data

Уже в конце 1990-x объем данных в организациях разных сфер бизнеса увеличивался в геометрической прогрессии, а руководители организаций понимали, что данные необходимо анализировать. Однако, на тот момент ни информационные решения, ни тем более человеческий ресурс были не в состоянии справится с такими потоком данных. Мир аналитики и хранения данных претерпевал изменения и требовал своевременных решений. В 2000-х на ИТ-рынке появились первые масштабируемые решения, способные к обработке неструктурированного потока информации такие как Apache Hadoop, MapReduce, Apache Spark, 1010data, Apache Chukwa, Jaspersoft и другие. С помощью новых информационных решений компании стали способны работать с большими данными и проводить необходимый для них анализ.

Большие данные или Big Data - это набор информации, обладающий объемом, который не способен обработать обычный персональный компьютер. Традиционные базы данных не способны хранить и обрабатывать такой объем данных, именно поэтому рынок занимают новые ИТ-решения. Сравнительный анализ базы больших данных с традиционной базой данных (далее БД) представлен в Таблице 3.

Таблица 3. Сравнение традиционной базы данных с базой больших данных [13].

Так, БД, работающие с большими данными меняют подход к хранению и обработке, что и сказывается на способности обрабатывать большой поток данных. БД придерживаются децентрализованного подхода к хранению, связи между объектами ослабевают или отсутствуют вовсе.

Большие данные характеризуются следующими признаками:

1. Объем

Данные обладают большим объемом, требующим особого метода хранения и обработки.

2. Скорость

Увеличивающаяся скорость накопления данных и необходимая обработка в режиме реального времени.

3. Многообразие

Наличие как структурированной, так и неструктурированной разноклассовой информации

4. Достоверность данных

Данные характеризуют достоверные и реальные процессы, присущие современным компаниям. Только на основе достоверных данных можно строить модели и производить необходимую бизнес-аналитику.

5. Ценность накопленной информации

Данные должны приносить пользу и нести определенную ценность. Так, на основе них должно быть возможно совершенствование текущих бизнес-процессов компании.

При наличии комплекса, состоящего из данных признаков, данные можно отнести к понятию больших.

По данным на 2019 год исследовательской консалтинговой компании "Frost & Sullivan" общий объем мирового рынка аналитики больших данных увеличится более чем в 2,5 раза к 2021 году (по сравнению с 2016 годом). Он составит около 67,2 млрд. долларов. "TAdviser" сообщает, что самыми большими сегментами рынка к 2021 году станут [14]:

· Производственный сектор

· Финансы

· Здравоохранение

· Охрана окружающей среды

· Розничная торговля

На данный момент потребность использования технологии больших данных испытывают компании всеразличных отраслей. Рейтинг влияния на спрос данной технологии представлен на Рисунке 1.

Рисунок 1. Влияние различных отраслей на рынок аналитики больших данных [15].

Так, ведущими компаниями по части потребности в использовании больших данных сейчас выступают компании отрасли ИКТ, за ними идут компании-представители финансового сектора, после чего идут организации розничной торговли.

Исследовательский центр "Economist Intelligence Unit" проводил анализ приоритетных направлений развития больших данных. Выяснилось, что использование Big Data помогает достичь необходимых результатов в отслеживании поведения клиентов и таргетинге, финансовом планировании и анализе, а также продажах. Результаты исследования представлены на Рисунке 2.

Рисунок 2. Приоритетные направления в развитии Big Data (данные на 2015 год) [16].

По данным "CNews Analytics" за 2015 год около 20% компаний российского рынка уже работали с Big Data, около 36% готовились к реализации проектов и 17% запускали пилотные. Это означает, что 73% компаний российского рынка приблизились к технологии анализа, основанного на данных и вплотную занимаются данным вопросом и сейчас.

Рисунок 3. Внедрение Big Data в российских компаниях [16].

Исследовательский центр "Economist Intelligence Unit" подтверждает, что внедрение новой технологии привело к повышению эффективности работы бизнес-процессов компании в различных аспектах. Результаты представлены на Рисунке 4.

Рисунок 4. Результаты внедрения Big Data [16].

Результаты показывают, что с переходом на решения, основанные на Big Data у 46% компаний наблюдалось улучшение клиентского сервиса и у 41% улучшение скорости реакции. Показатели доказывают эффективность внедрения технологии в деятельность организации, особенно касающейся клиентоориентированности и увеличению роста продаж.

Стоит отметить, что и аналитика, основывающаяся на больших данных или DDD, претерпевает изменения. Подход к анализу теперь основывается на очистке данных, модификации и правильному моделированию.

Внимание к большим данным и их обработке проявляют чуть ли не все ведущие ИТ-компании. В их числе Amazon, Dell, eBay, EMC, Facebook, Google, Oracle, IBM, SAS, SAP, Teradata и другие. Все из перечисленных компаний предоставляют решения по обработке больших данных и сотрудничают с многими современными организациями.

По данным компании IDC лидерами рынка программных решений в области больших данных с 2016 по 2018 годы являются компании Oracle, Microsoft и SAP.

Что касается компаний, то зачастую они используют сразу несколько программных решений. Выбор зависит от деятельности компаний, бизнес-процессов внутри нее и преследуемой цели в совершенствовании. Ознакомиться с примерами технологий, использующихся современными банками можно в Таблице 4.

Таблица 4. Технологии, используемые в современных банках [17].

В заключение, стоит отметить, что 24 декабря 2018 года в России была утверждена Национальная программа "Цифровая экономика Российской Федерации" [18], и Big Data входит в одно из ее девяти направлений. Рынок развивается активно, а данные только накапливаются, что говорит о том, что данная технология будет не только активно применяться, но и активно развиваться, включая поддерживающее ее программное обеспечение.

1.4 Обзор рынка Business Intelligence

Понятие бизнес-анализа все чаще сопровождается понятием Business Intelligence, что подразумевает наличие некой ИТ-технологии, способной обеспечить принятие решений. Выходной информацией является анализ исследуемых показателей, представленный в виде отчетов, графиков, диаграмм или таблиц.

Business Intelligence или BI - это термин, подразумевающий различные виды программных решений и продуктов, созданных с целью анализа разнообразных данных компании.

Бизнес анализ сводится к использованию нескольких видов процессов:

· Интеллектуальному анализу данных

· Аналитической обработке информации в режиме реального времени

· Получению информации из баз данных

· Составлению отчетов

На основе подобного бизнес-анализа руководители и работники компании получают доступ к обработанной и проанализированной информации, на основе которых можно делать выводы и принимать взвешенные решения - по сути это и является DDDM.

Современные компании можно условно поделить на три группы:

· Компании, самостоятельно организующие процесс бизнес-анализа в своей деятельности

· Компании, прибегающие к использованию сторонних BI-решений

· Компании, использующие оба из предложенных подходов

С появлением необходимости в бизнес-анализе и появлению средств и ресурсов к анализу и обработке больших массивов данных, компании, занимающиеся программными решениями не стояли на месте. На данный момент существует порядка 20 различных программных BI-продуктов, предоставляющих приложения, способные обрабатывать различные виды структурированных и неструктурированных данных, анализировать их и отвечать на вопросы бизнеса в виде графиков, диаграмм, таблиц и других видов визуализации данных.

Ежегодно компания Gartner проводит исследование рынка BI. По последнему отчету лидерами предоставляемых BI-решений становятся платформы:

· Qlik

· Microsoft (продукт называется Power BI)

· Tableu

· ThoughtSpot

Gartner визуализирует исследование в виде квадранта, на котором BI-платформы могут располагаться в одном из четырех областей, в зависимости от полноты видения платформы и способностей реализации. Пример отчета за 2019 год представлен на Рисунке 5.

Рисунок 5. Отчет Gartner BI за 2019 год [19].

Стоит отметить, что отчет Gartner также основан на BI-платформе, а точнее инструментом анализа и визуализации выступает платформа Qlik. Это ли не показывает удобство и эффективность использования BI-решений?

В 2018 году Gartner объявила, что по их мнению рынок BI должен и будет развиваться в таких направлениях как:

· Интеграция с облачными сервисами

· Внедрение машинного обучения

· Развитие и внедрение технологий natural language processing (NLP)

Внедрение данных технологий расширит границы и возможности бизнес-анализа еще сильнее и позволит использовать BI-платформы с помощью простых задаваемых на человеческом языке вопросов.

Выводы по главе 1.

В данной главе были разобраны понятия бизнес-анализа, технологии Big Data и Business Intelligence; кроме того был произведен обзор рынка данных технологий. Все три понятия тесно связаны между собой и в современном мире не могут существовать один без другого. Инструменты и средства бизнес-аналитики сделали огромный скачек за последнее двадцатилетие, теперь компаниям предоставляются инструменты, которые позволяют обрабатывать огромные массивы данных. Более того, современные платформы способны автоматизировано анализировать имеющуюся информацию и предоставлять выходную информацию в визуально приятном и привычном для пользователя формате. Бизнес-анализ, большие данные и BI-решения проникают в чуть ли не каждую сферу нашей жизни, исключением не является и банковская.

Глава 2. Структура банковской организации

Все организации, включая банки, отличаются по своей структуре, набору предоставляемых продуктов и услуг, управлению и бизнес-процессам в целом. Каждая компания является уникальной по набору данных параметров и их характеристикам. В то же время структура банка, а также организаций иной сферы деятельности, может быть описана с помощью универсальной бизнес-модели - формализованного описания определенного аспекта или иной сферы деятельности предприятия. Данная комплексная модель включает и структурирует все основные блоки управления организацией, что позволяет:

· Качественно проектировать новые продукты и бизнес-процессы в сжатые сроки

· Внедрять новые решения с реальной оценкой возможностей

· Повышать качество сервиса и процессов внутри компании

· Повышать скорость и качество принимаемых управленческих решений

Комплексная типовая бизнес-модель банка представлена на Рисунке 7.

Рисунок 7. Комплексная типовая бизнес-модель банка [26]

Так, одним из составных блоков моделей, конкретнее одной из групп бизнес-моделей является "Управление бизнес-процессами". Данный блок отвечает за моделирование всех бизнес-процессов компании, что позволяет разобраться в их структуре, работе, участниках и так далее.

Все бизнес-процессы компании можно поделить на три блока [27]:

· Основные (Первичные)

К этой категории относятся главные бизнес-процессы, создающие ценности предприятия. Данные процессы пронизывают всю компанию, а на основе их функционирования создается основной поток доходов.

· Обеспечивающие (Вспомогательные, поддерживающие)

Данные бизнес-процессы не создают добавленной ценности, они необходимы для стабильного функционирования основных процессов.

· Управляющие (Управления и развития)

Процессы этого типа позволяют создать цепочку ценности в основных и обеспечивающих процессах с новым уровнем показателей. С помощью подобных процессов можно улучшить различные KPI и прийти к новому уровня развития и эффективности предприятия.

Так, основными бизнес-процессами банковской организации являются:

· Обслуживание физических лиц

o Расчетно-кассовое обслуживание

o Вклады

o Кредитование

o Банковские карты

o Индивидуальные банковские сейфы

o Инкассация ценностей

o Дистанционное банковское обслуживание (ДБО)

· Обслуживание юридических лиц

· Работа на финансовых и межбанковских рынках

· Элитное банковское обслуживание (клиенты категории VIP)

Обеспечивающие бизнес-процессы банка:

· ИТ-обеспечение и связь

· Юридическое обеспечение

· Административно-хозяйственное обеспечение

· Обеспечение безопасности

· Call-центр и телемаркетинг

· Внутренний контроль

· Управление делопроизводством и документооборот

· Управление финансовым мониторингом

Управляющие бизнес-процессы банка:

· Стратегическое управление

· Управление финансами

· Управление маркетингом

· Управление бизнес-процессами и проектами развития

· Управление качеством

· Управление персоналом и оргструктурой банка

· Управление филиальной сетью банка

· Управление рисками

Типовые бизнес-процессы банка представлены в виде модели дерева бизнес-процессов на Рисунке 8.

Рисунок 8. Дерево бизнес-процессов банка [26]

В данном исследовании мы остановимся на основном бизнес-процессе "кредитования физических лиц" и управляющим бизнес-процессом "управление маркетингом". Подробный обзор будет описан в следующем блоке главы.

2.2 Бизнес-процесс расчета маркетинговых предложений по кредитам

Стоит отметить, что бизнес-процесс кредитования физических лиц включает в себя подпроцессы, которые отвечают за предоставление определенного типа кредита. Среди них выделяют:

· Автокредит

· Ипотечный кредит

· Кредит наличными

· Кредитные карты

· Потребительский кредит

· Другое

Каждый банк в самостоятельном порядке решает какие кредиты предоставлять клиентам, список может пополняться, а сам кредит обладает определенными характеристиками, которые также устанавливает банк. Стоит повториться, что данные характеристики, такие как значение процентной ставки по кредиту, срок кредита и так далее могут меняться исходя из оценки кредитоспособности потенциального заемщика. Банк определяет какой продукт, на каких условиях и кому он готов предоставлять. Как отмечалось в пункте "2.1 Банковская деятельность" важную роль при этом играют такие параметры оценки заемщика как Кредитная история (КИ) и финансовые показатели.

1. Кредитная история

Стоит отметить, что запрос на получение кредитной истории из БКИ происходит только с согласия потенциального заемщика. Так, если согласие на обработку персональных данных отсутствует, то банк не имеет права получить доступ к данному документу. Однако, это же и влияет на итоговое решение по выдаче кредита. Дело в том, что кредитная история очень важная часть в оценке кредитоспособности заемщика, на основе нее, а именно таких фактов как наличие непогашенных кредитов, погашенных кредитов с их суммой и сроком погашения, формируется решение о выдаче/отказе кредита.

2. Финансовые показатели

Банку необходимо удостовериться в том, что заемщик в состоянии не только выплачивать фиксированный платеж по кредиту, но и чтобы эти выплаты не представляли ущерба для удовлетворения базовых потребностей себя и, при наличии, семьи. Проверяются все доходы потенциального заемщика, их сумма, количество, частота и легитимность.

После прохождения проверок и необходимых расчетов, банк принимает решение. В ситуации, когда дохода заемщика оказывается недостаточно на выплаты по кредиту (включая проценты), а также финансирования своей семьи и себя, банк может предложить несколько альтернативных вариантов:

· Увеличить срок кредитования

При увеличении срока кредитования, ежемесячная выплата снижается, тем самым позволяя заемщику тратить меньшую долю его доходов на погашения кредита.

· Уменьшить сумму займа

· Привлечь созаемщика

Созаемщик - это участник сделки, который участвует в погашении займа. Тем самым он берет часть выплат на себя, что опять же снижает выплачиваемую долю самого заемщика. Сделка при таком варианте регулируется на основе статьи 323 ГК РФ "Права кредитора, при солидарной обязанности" [28].

Так, уже на этапе проверки кредитоспособности заемщика формируется некое персональное предложение, позволяющие потенциальному заемщику получить кредит на выгодных для него условиях.

Чаще всего банки, как и любая компания, предлагающая свои услуги с целью получения прибыли, не ждет, когда клиент сам придет за интересующей его услугой. Здесь вступает бизнес-процесс, управляющий маркетинговыми предложениями. Так, при наличии какой-либо информации о человеке: ФИО или номер телефона (который, например, используется при подключении к сети вай-фая в филиалах банка) - уже можно составить для него персонализированное маркетинговое предложение по продукту. Стоит также отметить, что по человеку, который уже когда-либо пользовался услугами банка или пользуется до сих пор, в банке уже содержатся необходимые данные. Так, для повышения эффективности работы банка и увеличения клиентского потока может быть сформирован бизнес-процесс расчета маркетинговых предложений по кредитам.

В ходе исследования была разработана BPMN [29] диаграмма данного процесса. Диаграмма представлена на Рисунке 9.

Рисунок 9.BPMN диаграмма расчета маркетинговых предложений.

В начале процесса формируется сегмент клиентов, по которым будет производится расчет персональных маркетинговых предложений. В сегмент попадают данные клиентов, которые уже пользовались услугами банка - в данном случае у них даже имеется согласие на обработку персональных данных; также клиенты могут формироваться, например, из посетителей одного из филиалов банка, который подключались к сети вай-фая - в данном случае согласие на обработку персональных данных отсутствует.

После формирования сегмента потенциальных покупателей кредитных услуг происходит получение необходимой для расчетов информации: запрос кредитного отчета, если это возможно, запрос score-балла и проверка его доходов. После чего для каждого клиента формируется список продуктовых ограничений - то есть некоторых лимитов, например на сумму кредита, исходя из его финансовых показателей. После определения категории кредита и исключения недоступных вариантов по срокам (здесь учитываются (при наличии) данные потенциального клиента, отраженные, например, в заявке на кредит) происходит расчетов сумм и других параметров кредита. Далее на рассчитанное предложение применяются продуктовые ограничения, выявленные в начале процесса, после чего происходит перерасчет. В итоге формируется таблица с возможными вариантами кредитования для каждого из поступивших в сегмент клиентов. Данные передаются в CRM-систему банка для дальнейшей коммуникации.

Данный процесс происходит автоматизировано, основываясь на процессах и алгоритмах хранилища данных.

Корпоративное Хранилище Данных

В пункте 1.2. Понятие Data-driven Decision Making поднимался вопрос о бизнес-анализе, основанном на данных. Неудивительно, что эти данные должны где-то храниться, особенно, учитывая тот факт, что данные принадлежать к категории Big Data, о которых говорилось в пункте 1.3. Обзор рынка Big Data.

КХД (корпоративное хранилище данных) - предметно-ориентированная информационная база данных, специально разработанная и предназначенная для подготовки отчётов и бизнес-анализа с целью поддержки принятия решений в организации [30].

Структура КХД может быть устроена следующим образом:

· Операционный слой

· Промежуточный слой

· Детальный слой

· Аналитический слой

o Детализированный слой

o Слой агрегированных витрин

Изображение слоев КХД представлено на Рисунке 10.

Рисунок 10. Структура КХД.

Операционный слой КХД получает и хранит данные оперативного хранилища, захватывающего изменения данных с источников в режиме реального времени, срок хранения данных такого хранилища около 30 дней. Однако, данные могут попадать в хранилище, минуя этот слой и попадая в промежуточный. Данные на этом слое хранятся на подобие тому, как они хранятся на источнике, основная цель данного слоя - это получить данные, необходимые для дальнейшей аналитики. Поэтому оттуда данные попадают в детальный слой данных, который очищает данные, обогащает их внутренними техническими атрибутами, необходимыми для дальнейшей обработки внутри хранилища. Аналитический слой начинает обработку и анализ данных, детализированный слой строится над данными детального слоя, объединяя объекты по тематическим областям путем денормализации. Слой агрегированных витрин строится на основе детализированного и состоит из агрегированных витрин в разрезе некой отчетной даты. Данный слой готовит данные для вопросов бизнеса и построения отчетов, после чего передает данные на внешние источники. Захваты данных с источников, между слоями и передача на дальнейшую коммуникацию осуществляются с помощью ETL/ELT инструментов, где запросы ETL (Extract, Transform, Load) сначала извлекают данные с источника, затем выполняют операции преобразования, после чего загружают структурированные данные в хранилище. ELT-запросы (Extract, Load, Transform), напротив, работают по алгоритму извлечения данных, загрузки в том виде, в котором они хранились на источнике и только потом дальнейших преобразований [31]. Обогащение данных необходимыми расчетами, агрегирование осуществляются с помощью языка запросов SQL.

Структура КХД очень важна для правильной организации бизнес-процесса расчета маркетинговых предложений по кредитам с технической точки зрения. Так, полученный сегмент клиентов сначала попадает в промежуточный слой, затем в детальный, обогащаясь новыми техническими полями. Стоит отметить, что ответы по клиентам от БКИ также попадают в промежуточный слой, детальный, а далее передаются в аналитический. В аналитическом слое осуществляется сам процесс расчета, реализованный с помощью языка SQL: происходит проверка по доходности, расчеты лимитов по кредитам, корректировки лимитов и наконец составляется список возможных предложений по кредиту. После чего данные захватываются и передаются во внешние источники, такие как CRM-система банка, для дальнейшей коммуникации.

Выводы по главе 2.

В данной главе были решены такие задачи как исследование деятельности банковской организации, исследование банковских услуг и продуктов. Были описаны типовые продукты, которые существуют в каждом банке. Кроме того, были рассмотрены ключевые критерии, по которым банки оценивают заемщика. Данные исследования помогли подобраться к рассмотрению конкретного бизнес-процесса: расчета маркетинговых предложений. Была разработана его структура, описана суть, а также разработана его BPMN диаграмма.

Глава 3. Проектирование системы расчета маркетинговых предложений

При разработке любой системы или объекта системы учитываются и обговариваются некоторые условия, которые либо необходимы для реализации, либо используются в ее процессе, либо и то, и другое. В данном исследовании, а точнее для создания его практической части, также необходимо ввести ряд ограничений.

1. Данные сегмента клиентов попадают в КХД из внешнего источника

2. При разработке базы данных используется схема снежинки [32]

3. Получение ответов по клиентам из БКИ отдельный бизнес-процесс, который не описывается детально

4. SQL код расчета маркетинговых предложений не описывается

Архитектура системы с ее основными сущностями, связями и процессами будет описана в виде диаграмм с использованием инструмента моделирования Microsoft Visio.

Основные сущности и связи между ними

Для визуализации основных сущностей процесса и связей между ними используется диаграмма "Сущность-связь" или "Entity-Relationship" [33].

Разработанная модель представлена на Рисунке 11.

Рисунок 11. ER-модель процесса расчета МП.

Так, основными сущностями процесса расчета МП являются:

1. CUSTOMER_SEGMENT

В данную таблицу попадает очищенная и обогащенная техническими атрибутами хранилища информация из сформированного на внешнем источнике csv-файла.

2. CUSTOMER

Таблица фактов, в которой хранится информация о клиенте. Предполагается, что таблица содержит информацию о клиентских данных необходимых для дальнейших проверок и расчетов. Измерениями для данной таблицы являются такие объекты как:

1) DOCUMENT

Содержит информацию о всех имеющихся в базе документах клиента (паспорт, пенсионное удостоверение, СНИЛС и т.д.).

2) CONTACT

Содержит контактную информацию о клиенте (номера телефонов: личные, рабочий, домашний).

3) ADDRESS

Содержит информацию о месте регистрации клиента и месте фактического проживания (город, улица, дом и т.д)

4) INCOME

Содержит информацию о подтвержденных доходах клиента, включая сумму, источник доходов, работодателя и так далее.

5) SCORING

Содержит рассчитанные score-баллы по каждому из клиентов с параметрами расчета для возможной будущей аналитики.

3. BKI_REQUEST_ANSWER

Содержит информацию о КИ клиента, дававшего согласие на обработку данных. В данном объекте содержатся ответы от БКИ по подобным клиентам.

4. CUSTOMER_HISTORY

В данной таблице клиентская информация обогащается данными, полученными от БКИ, создавая полную картину параметров по каждому из клиентов.

5. PRODUCT

Объект содержит информацию о банковских продуктах (кредитах). В таблице хранятся данные с полным наименованием продукта, его типом (так, кредиты могут делиться на автокредиты, ипотеку и так далее), описанием и другими необходимыми характеристиками.

6. PRODUCT_LIMITS

В данной таблице содержатся параметры по каждому из типов кредита, описывающие его и необходимые для расчетов МП. Так, там могут содержаться процентные ставки, минимальный срок предоставления кредита, максимальный срок и так далее.

7. PROPOSAL_CALCULATION

Данный объект является витриной расчета маркетинговых предложений для каждого из клиентов. В SQL скрипте формирования данной таблицы содержится основная логика расчетов и проверок (реализованная и описанная в пункте "2.3. Бизнес-процесс расчета маркетинговых предложений по кредитам" на Рисунке 9).

8. PROPOSAL_MATRIX

Таблица является финальным объектом КХД, который получает информацию с последнего шага реализации алгоритма, реализованного в объекте PROPOSAL_CALCULATION. Таблица представляет из себя набор строк соответствия клиентов и подобранных для них персональных маркетинговых предложений. Так, одному клиенту может соответствовать сразу несколько продуктовых вариантов. Данные из финальной витрины передаются во внешние системы, например в CRM-банка, для дальнейшей коммуникации.

Поподробнее рассмотрим связи между объектами КХД:

· CUSTOMER_SEGMENT формирует CUSTOMER в связи 1:M. Так, в одном сегменте содержится список клиентов.