Bankowość i Finanse | Technologie – Szukajcie, a znajdziecie

Według badań przeprowadzonych przez IDC, do roku 2025 rozmiar globalnej sfery danych wzrośnie do 163 zetabajtów, czyli163 bilionów gigabajtów. To aż dziesięć razy więcej danych niż w 2016 r. Rośnie nie tylko ich ilość, ale także wartość. Im ich więcej, tym ona wyższa. Firma Statista szacuje, że do 2023 r. branża wielkich zbiorów danych (big data) będzie warta 77 mld dolarów. To kolejne zwiększenie liczby wytwarzanych informacji sprawi, że przedsiębiorstwa będą bardziej zależne od infrastruktury informatycznej niż kiedykolwiek wcześniej.

Najważniejszym zagadnieniem staje się pytanie – jak z zalewu danych wybrać te najbardziej przydatne dla rozwoju instytucji finansowej? Tadeusz Woszczyński, Country Manager, Poland, Austria, Czech Rep., Slovakia & Baltics, Hitachi Europe, przekonuje, że ciągle jest to wyzwanie. Każdy z nas widzi, że pomimo inwestycji instytucji finansowych w systemy analityczne, ciągle ktoś, kto ma duże wolne środki dostaje propozycje kredytu na tysiąc złotych, albo odwrotnie, mający puste konto jest zachęcany do inwestowania w akcje.

– Problem łączy się z segmentowaniem klientów. Kiedyś dane przetrzymywane były w silosach. Przykładowo – w branży ubezpieczeniowej funkcjonowały osobne bazy zdjęć z wypadków, osobne z danymi klientów i kolejne z umowami. Obecnie pojawił się nowy trend, w którym każdy plik zawiera szereg metadanych biznesowych. Dziś u ubezpieczyciela każde zdjęcie, umowa, polisa jest opatrzona numerem klienta, numerem sprawy, polisy. To pozwala szybko wyciągnąć wszelkie możliwe informacje – informuje Tadeusz Woszczyński.

Czego szukamy?

Wojciech Szmidt, dyrektor Departamentu Customer Intelligence w Credit Agricole Banku Polska, zauważa, że w praktyce to cel determinuje, czy konkretne dane są przydatne, czy nie. Te same informacje dla jednego zjawiska są kluczowe, a dla innego bezużyteczne. Co w tym kontekście oznacza, że banki gromadzą duże zbiory danych zarówno te ustrukturyzowane, np. w hurtowniach danych, jak i nieustrukturyzowane, np. rozmowy z klientami w plikach tekstowych.

– Posłużmy się prostym przykładem. Bank chce zaprognozować prawdopodobieństwo odejścia klienta. Analityk co najwyżej podejrzewa, które zmienne mogą dyskryminować to zjawisko. Duże znaczenie mają zmienne behawioralne. To nie analityk decyduje o zmiennych, które znajdą się ...