EKONOMSKA FAKULTETA
UNIVERZA V LJUBLJANI
seminarska naloga
SISTEMI ZA PODPORO ODLOČANJU V BANČNIŠTVU
maj 2001

 
 

Avtorji: Miha Novak , Matic Smolkovič, Grega Stritar, Miha Žerko


 
UVOD 2

BANKE V DOBI TEHNOLOŠKE REVOLUCIJE 3

Sprememba strategije 4

TABELA 1: POSLOVNE BANKE - SPREMEMBA STRATEGIJE 4

Upravljanje informacij o strankah 4

SLIKA 1: UPRAVLJANJE INFORMACIJ O STRANKAH 4

Segmentacija strank 6

Online poslovanje 6

SLIKA 2: RAST ONLINE BANČNIH STORITEV V ZDA 6

METODE IN PRISTOPI IZKOPAVANJA PODATKOV 7

SLIKA 3: NEVRONSKE MREŽE 8

Genetski algoritmi 8

Odločitveno drevo 9

Klasifikacija 9

9

Hibridni modeli 9

Data mining v Bank Of America 10

DATA MINING IN VAROVANJE OSEBNIH PODATKOV 11

Ali Data Mining ogroža našo zasebnost? 11

Zakaj sploh potrebujemo zasebnost? 12

Informacija v elektronski obliki 12

Identifikacija stranke 12

Clickstream dogodki 13

Cookies 13

Registracija 13

Pričakovanja data mininga 14

Varstvo osebnih podatkov v Sloveniji 14

PRAKTIČNI DEL: ANALIZA PODATKOV O KOMITENTIH 14

Slika 3: Orodje T.O.A.D. 15

TABELA 2: PODATKI O VSEH KOMITENTIH 15

TABELA 3: VSI TEKOČI RAČUNI PO POSLOVALNICAH 16

TABELA 4: KOMITENTI Z NADPOVPREČNIMI DOHODKI IN NEGATIVNIM STANJEM NA TEKOČEM RAČUNU 17

TABELA 5: KREDITNO SPOSOBNI KOMITENTI ZA HITRI KREDIT V VIŠINI 500.000,00 SIT 18

TABELA 6: KREDITNO SPOSOBNI KOMITENTI ZA HITRI KREDIT V VIŠINI 2.000.000,00 SIT 20

TABELA 7: KREDITNO SPOSOBNI KOMITENTI ZA HITRI KREDIT V VIŠINI 2.000.000,00 SIT Z NEGATIVNIM STANJEM NA TEKOČEM RAČUNU 22

ZAKLJUČEK 23

VIRI 23

UVOD

Z zadnjo tehnološko revolucijo, se je korenito spremenil način poslovanja poslovnih bank. Toga in hierarhična organizacijska struktura poslovnih bank se čedalje težje prilagaja individualnim potrebam svojih strank. Čeprav je bančništvo ena od panog v kateri je informatika prisotna že dalj časa, se banke šele v zadnjem času prilagajajo individualnim potrebam svojih strank. Te potrebe pa so s pojavom interneta in večjo uporabo osebnih računalnikov čedalje večje in čedalje bolj raznolike. Hkrati se je z evropsko monetarno unijo povečala tudi transparentnost ponudbe poslovnih bank v Evropi, kar je sprožilo še ostrejše konkurenčne boje med njimi.

Kot orodje za pridobivanje konkurenčne prednosti na trgu, so bankam na voljo nova orodja, ki jim omogočajo korenito znižati stroške transakcij, zmanjšajo potrebo po zaposlenih, ter avtomatizirajo poslovne procese. Z uvedbo spletne poslovalnice so poslovne banke bolj dostopne vsem uporabnikom interneta, hkrati pa jim nudijo celovitejšo in kakovostnejšo storitev. To dosežejo z zbiranjem, filtriranjem in agregiranjem podatkov, oziroma podatkovnim skladiščenjem. Pri pretvarjanju uskladiščenih podatkov v informacije, si pomagajo s tehnikami OLAP in Data Mining, ki tvorijo učinkovit sistem za podporo odločanju banki, ter več in boljše storitve končnemu uporabniku.

V naši seminarski nalogi bomo skušali predstaviti načine uporabe teh tehnologij v poslovnih bankah, opredeliti nekaj tehnik in metodologijo Data Mininga za Customer Relationship Management, analizirati socialni in pravni vidik varstva osebnih podatkov, ter z ORACLE 8i obdelati podatke pridobljene na vzorcu iz realne baze podatkov komitentov neke slovenske banke. Poskusili bomo analizirati kreditno sposobnost komitentov te banke, ter ugotoviti kateri komitenti imajo večjo možnost, da v prihodnosti prenehajo biti kreditno sposobni. Hkrati bomo ugotavljali, kako naj se banka takim komitentom prilagaja. Zaradi varstva osebnih podatkov imena banke ne smemo omeniti.
 
 

BANKE V DOBI TEHNOLOŠKE REVOLUCIJE

Banke so svojo usmerjenost iz ponudbe bančnih storitev ter produktov preusmerile na stranke. Z uporabo CRMa (Customer Relationship Management) so prisiljene združevati uporabo različnih tehnologij, da bi dobile celovito, nepristransko sliko o stranki ter njenem odnosom z banko. Seveda pa pri tem ne smejo pozabiti na donosnost, oziroma dobičkonosnost dodatnih storitev, ki jih ponujajo z uporabo najnovejših informacijskih tehnologij. Banka mora zbrati čimveč informacij o svojih strankah, da bi jim ponudila čim boljšo storitev, hkrati pa mora upoštevati tudi zasebnost podatkov. Banke so zainteresirane za čim več informacij o svojih strankah, kot na primer ali je stranka lastnik hiše, lastnik avta, poročena, ali ima otroke. Do nekaterih podatkov lahko pride iz sekundarnih virov. Izkoriščanje teh podatkov pa se giblje na tanki črti zakona. Navadno so ljudje zelo nezaupljivi pri podajanju svojih osebnih informacij popolnemu neznancu, z vednostjo, da se bodo ti podatki nekje spravili in bili na razpolago omejenemu številu ljudi. Na drugi strani pa bodo ti podatki omogočili veliko boljši odnos banke s stranko in obratno, s ponudbo dodatnih storitev, s prihrankom časa ter denarja, tako stranki kot banki.
 

Verjetno ni daleč čas (po Gartner Group okoli leta 2005), ko bodo banke uporabljale tako zmogljive informacijske sisteme, da bodo svojo ponudbo lahko prilagajale vsakemu kupcu posebej. Zmanjšalo se bo število osebnih stikov stranke z bančnim uslužbencem, vendar pa bodo stiki prek posrednikov (telefon, PC, mobilni telefon, TV) pogostejši, arhivirani, ter analizirani. Ta nov način poslovanja bank naj bi torej prinesel prednosti tako za eno stran kot za drugo.

Leta 1994 je Bill Gates označil tradicionalne banke za dinozavre z izjavo: "Potrebujemo finance, ne potrebujemo bank." S to izjavo je vznemiril tradicionalne banke, ki takrat še niso imele pravega orodja za konkuriranje online bankam. Sedaj se je ta izjava izkazala za neutemeljeno. Navkljub začetnemu navdušenju nad internetnim bančništvom, ki naj bi tako drastično znižalo stroške, se je že lansko leto izkazalo, da so se internetne banke precenile. Wingspan, ena od prvih internetnih bank v Ameriki je lani oktobra objavil, da bo svoje IT zmogljivosti zaradi previsokih stroškov zrdužil z zmgljivostmi s svojo krovno banko Bank One. Irska online banka First-e, vredna okoli 1,1 milijardo dolarjev od marca lani, ko jo je prevzela španska banka BBVA, začela odpuščati ljudi, ter drastično zmanjšala TV oglaševanje. Takih primerov pa je še veliko.

Kaj so online banke storile narobe? Največja prednost pred tradicionalnimi bankami je bila v dostopnosti. Vsak komitent je lahko brez težav od doma, 24 ur na dan posloval z banko. Na žalost online poslovalnice niso bile ravno zanesljive. Tako povezave kot strežniki so neprestano odpovedovali poslušnost, ter spravljali ob živce banke in komitente. Hkrati komitentom ni bilo všeč, da te banke niso imele nobenih poslovalnic, kjer bi se lahko osebno pogovorili z bančnim uslužbencem. Tako je bilo veliko online bank prevzetih s strani tradicionalnih bank, ki na ta način lahko ponujajo kombincaijo obeh načinov poslovanja.
 
 

Sprememba strategije

V drugi polovici 90-ih let so banke odkrile, da morajo korenito spremeniti način poslovanja, če hočejo obstati na trgu. Konkurenca za stranke je bila vedno hujša. Tako so bile banke prisiljene odkrivati nove trge in izkoriščati nove tehnologije. Včasih je bila konkurenčna prednost banke njena velikost, v prihodnosti pa se bo kot orodje v konkurenčnem boju pojavila spremeba iz produktno usmerjene kulture proti k stranki usmerjeni kulturi.

Finančna sfera je tako v procesu transformacije, ki bo preko te kulture končno pripeljala do partnerstva med stranko in ponudniki (v našem primeru ponudniki finančnih storitev). To pa ne pomeni samo odnos, ki temelji na zaupanju med banko in stranko temveč tudi partnerstvo med bankami in ostalimi netradicionalnimi finančnimi institucijami, kar bo zagotavljalo nižje stroške, večjo konkurenčnost in strateško sodelovanje. Na ta način bo strankam omogočena večja raznolikost in prikladnost storitev. Spremembe v poslovanju bank in ostalih finančnih institucij so razvidne tudi v naslednji tabeli, ki smo jo povzeli po Gartner Group.
 
 

TABELA 1: POSLOVNE BANKE - SPREMEMBA STRATEGIJE

 
1970-1999
1999-2003
2003-20XX
Tržna strategija
Produktno-orientirana
K stranki orientirana
Partnerstvo med Stranko in dobaviteljem
Prodajna strategija
En produkt za vse
Prilagojena
Individualizirana
Stiki
Fizični, osebni
Integrirani večkanalni
Prilagojeni uporabniku
Trg
Centraliziran, lokalen
Razpršen, globalen
Vsepovsod

Take spremembe so omogočile dramatične izboljšave v tehnologiji in ekonomski politiki, ki so se zgodile v zadnji četrtini dvajsetega stoletja. Te spremembe so omogočile nove načine poslovanja in trgovanja ter ustvarile nove trge, kjer se je konkuriranje med dobavitelji prestavilo h konkuriranju za vsako strankao. Hkrati so se pojavili tudi novi kriteriji, ki zagotavljajo to konkurenčnost. Ti kriteriji so ponovno definirali bančno industrijo ter tehnologijo in arhitekturo, ki je potrebna za podporo le-te.
 
 

Upravljanje informacij o strankah

K stranki orientirana strategija vsebuje vse poglede bankinega odnosa s stranko. Gre za odnos, ki temelji na poznavanju stranke in zaupanju. Pravzaprav so vsi procesi, ki se dandanes odvijajo v bankah, usmerjeni k temu, da se zbere čimveč informacij o strankah. Taka strategija je razvidna iz naslednje slike.

SLIKA 1: UPRAVLJANJE INFORMACIJ O STRANKAH

 

 

V centru poslovanja je stranka. Prvo ovojnico sestavljajo kanali, prek katerih komunicirata banka in stranka. Drug nivo sestavljajo aplikacije, ki so usmerjene h kupcu, kot npr. stiki s strankami, osebni vmesnik... Sledi podpora odločanja, ki povzema razumevanje kupcev in odnosov iz raznih analiz. Ti podatki pa se zagotovijo s pomočjo informacijske infrastrukture v četrtem nivoju. Peti nivo pa sestavlja strateško planiranje, ki predstavlja osnovo za k stranki usmerjeno poslovanje.

Naša seminarska naloga bo omejena predvsem na četrti in peti nivo in sicer na nivo Podpore odločanju in na nivo Informacijske infrastrukture. Skušali bomo torej izgraditi informacijsko podlago, kot tudi izkoriščati dobljene rezultate za podporo odločanju. Na zgornji sliki je obkroženih 5 pojmov, ki jih boste srečevali v nadaljevanju naše seminarske naloge. Banka od katere smo dobili podatke ima zgrajeno podatkovno skladišče s podatki o komitentih, s query-i in report-i bomo skušali analizirati rizik pri odobravanju hitrih kreditov in napovedovati spremembe v kreditni sposobnosti strank, hkrati pa tudi segmentirati stranke v smiselne skupine.

V zadnjem, praktičnem delu seminarske naloge je predstavljena analiza komitentov ene od slovenskih bank. Iz že zgrajenega skladišča podatkov smo izluščili ključne podatke o komitentih, ter jih analizirali s pomočjo programskega paketa ORACLE 8i. Rezultati te analize so lahko osnova za izgradnjo sistemov CRM, segmentacijo strank, ter za hitrejše operativno odločanje o odobravanju hitrih kreditov strankam.

Napredek na področju nove kulture bančništva je velik. Pretežno vse večje banke v zahodnih gospodarstvih že uporabljajo ali pa vsaj težijo k uporabi baz podatkov, ki zagotavljajo uporabo informacij o strankah v namene informacijskega sistema za podporo odločanju. To pomeni, da poleg operativne baze podatkov, ki jo uporabljajo banke za vsakodnevne potrebe izgradijo centralno, k stranki usmerjeno in nevtralno bazo podatkov oziroma podatkovno skladišče, ki zagotavlja konsistentne analitične izračune.

Tako se je delež bank, ki izrabljajo podatkovna skladišča v Ameriki od leta 1998 povečalo s približno 40% na več kot 60% bank leta 2001. Ta statistika torej še dodatno prikazuje željo in potrebo bank po usmerjenosti k strankam.
 
 

Segmentacija strank

Pomembna aktivnost pri k stranki usmerjeni strategiji je segmentacija kupcev. Leta 1999 je segmentacija strank potekala predvsem v backoffice aplikacijah. Manj bank pa je uporabljalo segmentacijo strank za CRM. Sedaj večina bank načrtuje, da bodo segmentacijo strank v prihodnje uporabljale tudi za CRM. Z že izdelanimi analizami v backoffice-ih se zdi logično, da se izplača te podatke uporabiti tudi za podporo vsakodnevnih kontaktov s strankami in jim s tem zagotoviti višjo kvaliteto storitve. Na ta način se bo namreč zagotovilo takojšen in pravilen odziv zaposlenih na bolj kompleksne vedenjske vzorce.

Online poslovanje

Seveda ni potrebno poudarjati, da bo v prihodnje naraščalo število strank, ki bo poslovalo z banko prek interneta. Potencial v tej smeri je gromozanski, saj danes v razvitih državah manj kot četrtina komitentov z banko posluje "online", v Sloveniji pa je ta delež še veliko manjši, kajti poslovanje prek spletne poslovalnice je pri nas do sedaj še vedno omejeno na ozek krog uporabnikov. Online poslovanje z bankami zaenkrat kot glavne storitve vključuje vpogled na račune, prenos sredstev med in na druge račune, plačevanje računov. Pionir na tem področju pri nas je bila SKB banka, ki je prva postavila spletno poslovalnico. Najmlajšo internetno poslovalnico ima trenutno Abanka, ki poleg vseh že omenjenih storitev ponuja tudi vpogled v stanje portfelja vrednostnih papirjev. Online poslovanje z bankami bo torej eden izmed najhitreje rastočih dejavnosti bančništva v prihodnjih letih. Za čimboljše izkoriščanje le-tega pa bo zopet zelo pomembno, da bodo banke zbrale čimveč informacij o strankah in se jim na ta način prialgodile.

SLIKA 2: RAST ONLINE BANČNIH STORITEV V ZDA

 

 


 

Naslednji korak pri poslovanju bank prek spletnega okenca bo odobravanje hitrih kreditov fizičnim osebam. Zaenkrat lahko npr. v spletni poslovalnici NLBja Klik naročimo obrazce za kredit. Banka bo morala imeti ažuren in zmogljiv sistem za podporo odločanja, da bodo lahko z minimalnim tveganjem ponudila komitentom to novo storitev. Na podlagi podatkov, ki jih bodo imeli na voljo, bodo morali predvideti, kateri komitenti so kreditno sposobni, ter kakšna je verjetnost, da v dobi odplačevanja kredita prenehajo biti kreditno sposobni.
 
 


METODE IN PRISTOPI IZKOPAVANJA PODATKOV

Proces izkopavanja podatkov za poslovne namene lahko razdelimo v štiri faze:
 

1. Identifikacija problema

2. Analiza podatkov

3. Sprejem odločitve

4. Oceniti rezultat
 

Prva in tretja faza sta poslovno orientirani fazi, izvedba pa je odvisna od uspešnosti managerja in njegove sposobnosti transformacije dodatnih informacij v akcijo. Druga faza, analiza podatkov, pa je mogoča z različnimi tehnikami izkopavanja podatkov, OLAP-om in drugimi orodji.

Izkopavanje podatkov, po klasifikaciji Michael J.A. Berry-a in Gordon Linoff-a ločimo v osnovi v dve kategoriji:
 


Odkrivanje znanj ("Knowledge discovery") je proces iskanja razumljivih in uporabnih vzorcev v zbirki podatkov in na njihovi podlagi poskušati napovedati niz prihodnjih dogodkov.

Odkrivanje znanj nato delimo še v kategoriji:
 


 
 

Analiza podatkov pri procesu izkopavanja podatkov je izvedljiva na podlagi različnih tehnik:
 

SLIKA 3: NEVRONSKE MREŽE

 

 



 
 
 
 

 

Procesi med elementi (umetni nevroni) povezanih v mrežo poteka podobno kot procesi med nevroni v človeških možganih. Nevroni so hierarhično povezani v nevronsko mrežo. Vsak nevron v naslednjem sloju je povezan z vsemi nevroni iz prejšnjega sloja. Vsak nevron ima vhodni podatek ali več vhodnih podatkov, ki jih prejme od vsakega nevrona iz prejšnjega sloja in izhodni podatek, ki ga odda vsem nevronom v naslednjemu sloju. Na vsakem nevronu se vrednost delno spremeni. Velikost spremembe na posamezni povezavi je odvisna od uteži posamezne povezave. Utež vsake od povezav določi prej izvedeni proces učenja. Vrednosti nevronov v končem sloju predstavljajo reakcijo celotne mreže na vhodne podatke.

Ta tehnika se je izkazala za učinkovito pri prepoznavanju slik (npr. prepoznavanje človeškega obraza). Pri finančnih in zdravstvenih simulacijah pa se je izkazala za manj uspešno.
 

Genetski algoritmi

Temelji na procesih biološke evolucije. Tovrstne algoritme lahko uporabljamo pri problemih kjer je mogoče eno rešitev predstaviti kot en individualni element, optimalno rešitev celotnega modela pa kot maksimizacijo vseh rešitev. Genetski algoritmi so dobro orodje, kjer imamo več pravil kot je podatkov v modelu. V zadnjih letih so se genetski algoritmi razširili na področja kot so učenja nevronskih mrež, generatorstvo funkcij pri MBR (memory based reasoning) tehnikah in pri optimizaciji različnih (časovnih) razporeditev. Slabosti teh algoritmov so v specifični sestavi vhodnih podatkov, optimalna rešitev ni zagotovljena, računsko zahtevno.
 
 
 

Odločitveno drevo

Podatke se predstavi s pomočjo drevesne structure. So zelo močna in popularna orodja za klasifikacijo in predvidevanje. Njihova popularnost, v primerjavi z nevronskimi mrežami temelji predvsem na tem, da predstavljajo pravila. Pravila je mogoče izraziti z jezikom, ki ga govorimo ali pa z SQL stavki, tako, da lahko iz podatkovone zbirke izberemo podatke, ki tvorijo željeno skupino.
 
 

Klasifikacija

To je verjetno najbolj uporabljen pristop pri izkopavanju podatkov. Uvrstimo ga lahko med neusmerjeno odkrivanje znanja saj z analizo poskušamo najti nove neznana razmerja, podobnosti med podatki. Klasifikacijska pravila so pravila, ki razločujejo med različnimi deli podatkovne baze glede na njjihove atribute. V tem pristopu podatkovno bazo razdelimo na dele glede na njihove atribut, ki ga imenujemo oznaka klasifikacije.

Nekoliko bolj formalno lahko kasifikacijo opišemo kot postopek delitve množice podatkov na medsebojno izključujoče skupine, kjer so člani vsake skupine med seboj tako "blizu" in tako "daleč" od vsakega člana druge skupine, kot je to le mogoče. Razdaljo merimo glede na določeno spremenljivko, ki jo želimo napovedati. Tipičen klasifikacijski problem je razdelitev podatkovne baze trgovskega podjetja ali banke v skupine, ki so čimbolj homogene glede na spremenljivko vrednost zaupanja. Število skupin pogostokrat določimo kar s poskušanjem. Izberemo tisto število skupin, kjer je homogenost znotraj skupine največja in heterogenost med skupinami največja.
 

Hibridni modeli

Orodja, ki temeljijo na kombinaciji različnih zgoraj navedenih modelov.
 
 

Data mining v Bank Of America


S pojavom tehnologij Data mininga se je tudi Ameriška banka (Bank of America) odločila za analizo podatkov o komitentih s pomočjo tovrstnih orodij. Želeli so izboljšati razumevanje sedanjih strank, ki najemajo stanovanja posojilo. Pridobljeno znanje bi jim pomagalo pri doseganju boljših trženjih rezultatov. Ameriška banka ima že vzpostavljeno skladišče podatkov v katerem hrani podatke od 1914 leta dalje. Zadnji podatkovni zapisi pa obesegajo celo 250 polj (atributov) o komitentih.

 

Za analizo podatkov so uporabili 3 različna orodja:
 

Mnogo segmentov se je izkazalo kot nesmiselnih, nezanimivih, medtem ko sta se dva izkazala za izredno zanimiva:
  Z implemetacijo na novo pridobljenega znanja se je stopnja sklenjenih pogodb na podlagi ponudb stanovanjskega posojila več kot podvojila.
 
 

DATA MINING IN VAROVANJE OSEBNIH PODATKOV

Živimo v svetu, ki se spreminja z veliko hitrostjo. Nekoč je bilo dovolj, če smo se obdali z dovolj visokim zidom in se tako skrili pred radovednimi očmi. Danes, v dobi satelitov, interneta in drugih oblik moderne tehnologije nam to niti slučajno več ne zagotavlja zasebnosti. Skoraj vsaka oblika finančne transakcije pusti za sabo elektronsko sled. Stvari, ki so bile včasih zasebne ali pa vsaj kmalu pozabljene, so zdaj shranjene za potencialno uporabo v prihodnosti.

Vsak napredek v tehnologiji potencialno predstavlja večjo ali manjšo grožnjo zasebnosti. Za primer si lahko pogledamo mobilne telefone. S pomočjo mobilnega telefona, ki mora biti vključen, lahko operater omrežja natančno določi vašo lokacijo. Pri tem se pojavi vprašanje kdo poseduje to informacijo in kdo ima sploh pravico do take informacije. Tako se nam lahko zgodi, da bo naše naslednje sporočilo na mobitelu videti nekako takole: ?Naslednji Mercator center boste lahko obiskali čez pet kilometrov. Seveda bi bilo nekaterim to všeč, nekateri pa bi ogorčeno protestirali.
 

Ali Data Mining ogroža našo zasebnost?

Data Mining je poslovni proces, ki omogoča podjetjem maksimalno izkoristiti podatke, ki so jih zbrali sami ali kupili od nekoga drugega. Data mining omogoča podjetjem učinkovitejše upravljanje stikov s strankami in učinkovitejše poslovanje.

Data Mining ima veliko uporabno vrednost predvsem na področju marketinga. Rezultat tega, iz perspektive posameznika, je samo še eno nezaželeno pismo v poštnem nabiralniku, nezaželen telefonski klic ali pa še največkrat oglasno sporočilo, ko brskate po internetu, ki vam upočasni nalaganje informacij, ki jih potrebujete. Namen data mininga je usmerjeno oglaševanje, ampak ljudje povečini ne marajo bombardiranja z oglasi, četudi jih kakšna stvar mogoče zanima.

Tako oglaševanje in pošiljanje obvestil seveda ne posega resno v našo zasebnost, lahko pa povzroči pravne probleme samemu podjetju. Tako so v ZDA imeli primer, ko je neka zdravstvena organizacija spodbujala diabetike k preventivnemu pregledu, kar je seveda zmanjševalo njihove stroške zdravljenja. Pri tem so naredili pri izboru naslovnikov veliko napako. Obvestilo so poslali neki ženski, ki je imeli v preteklosti samo začasen diabetes, ki se lahko pojavi v obdobju nosečnosti. Seveda je opravila preventivni pregled, kjer so ugotovili, da z njo ni nič narobe. Logična posledica je bila, da je ženska organizacijo tožila in zahtevala odškodnino.

To je lahko resno opozorilo pri uporabi metod data mininga. Potrebno je skrbno izbrati našo ciljno skupino ter jo informirati na način, ki ne bo povzročal preganjavice, ali celo izzval tožbo na sodišču.

Grožnjo zasebnosti pa predstavljajo predvsem podatki, ki jih uporabljamo pri data miningu. Obstajajo trije glavni načini zbiranja podatkov:

Za prvi način zbiranja podatkov lahko rečemo, da omogoča vpogled v navade kupcev in je na nek način ključno orodje za doseganje konkurenčne prednosti pri ravnanju s kupci, ne da bi grobo posegli v njihovo zasebnost. Ostala dva načina pa pogosto zbujata zaskrbljenost in vprašanja o naši zasebnosti.
 

Zakaj sploh potrebujemo zasebnost?

Je mogoče ves ?halo okoli zasebnosti in varovanja podatkov le rezultat asocialnih, preobčutljivih posameznikov? V resnici ne. Večini ljudi bi se strinjala, da je ideja Orwellovega Velikega brata resnično grozljiva. Pravzaprav pa niti nismo daleč od Orwellove fikcije, le da se tega mogoče še ne zavedamo. Potrebno se je zavedati, da kršenje pravice do zasebnosti lahko privede do resnih posledic za posameznike. Ujeti je treba neko ravnovesje in postaviti točno določene meje in pravila poseganja v zasebnost posameznika.

Velik problem nastane, ko so posamezne oblike diskriminacije legalne. V ZDA tako lahko zdravstvene zavarovalnice legalno zaračunajo kadilcem višje premije. Problem nastane, ko se vprašamo ali to pomeni, da imajo zdravstvene zavarovalnice pravico analizirati nakupovalne navade klientov, in tako ugotoviti ali so kadilci ali ne. Podoben problem predstavlja življenjsko zavarovanje, kjer bi se lahko zavarovalnica odločila, da ne bo zavarovala ljudi, ki se ukvarjajo s kakšnim od ekstremnih športov. Podatke bi preprosto dobili tako, da bi od revij, ki so namenjene tej skupini ljudi, kupili listo naročnikov. Potem bi vsakega, ki bi bil na tej listi zavrnili, če bi se želel zavarovati. Imajo sploh pravico vedeti s čim se posameznik ukvarja v prostem času, in ali imajo revije pravico do prodaje osebnih podatkov? Podobno strategijo lahko izberejo tudi delodajalci, ali banke pri odobravanju kreditov.
 
 

Informacija v elektronski obliki

Internet, svet kjer se srečujejo trgovina, informacije in zabava, nam omogoča kar nekaj novih načinov pridobivanja podatkov o posamezniku. Tako je možno slediti naslednjim stvarem: Včasih je izdajatelj revij preprosto vedel le na katere revije ste naročeni. Danes skrbnik strani ve kaj ste brali, katere oglase ste videli in katere strani ste obiskali.
 
 

Identifikacija stranke


Identifikacija uporabnika na internetu ni tako preprosta kot se morda zdi na prvi pogled. Na internetu namreč ne obstaja neka identifikacijska šifra kot na primer EMŠO. Uporabniki pa zelo neradi objavljajo svoje osebne podatke, razen če je to nujno. Vseeno pa obstajajo tri metode identifikacije uporabnikov.

Clickstream dogodki

Ko uporabnik klikne na določeno povezavo, internetni brskalnik pošlje določene informacije serverju, ki upravlja zahtevano stran. Večina teh podatkov je povsem tehnične narave (tip brskalnika, resolucija, OS), zanimiva informacija pa je naslov želene strani. To omogoča spremljanje katere strani je posameznik obiskal na določenem naslovu. Z analizo teh podatkov je mogoče ugotoviti da:


Clickstreami ne sledijo posamezniku ves čas, ali ko skače po različnih straneh. Preprosto omogočajo le vpogled v vsebine, ki si jih je posameznik na neki strani ogledal.

Cookies

Cookie je majhen podatek, ki ga server pošlje v hrambo našemu brskalniku. Stran, ki je podatek poslala, in le ta stran, je pooblaščena za kasnejše razpolaganje s podatkom oziroma za njegovo osveževanje. Cookie-ji omogočajo internetnim stranem, da si zapomnijo podatke o obiskovalcih v daljšem časovnem obdobju.

Cookie-ji pa so še vedno dokaj omejena oblika identifikacije. Ne identificirajo namreč posameznika, ampak kombinacijo brskalnik/računalnik. To pomeni:


Poleg tega je cookie-je možno tudi izključiti. Klub tem omejitvam pa so cookie-ji vseeno koristni. Za vsak cookie lahko stran ugotovi:


Ti podatki so ponavadi takoj uporabljeni za odločitev katere oglase naj uporabnik vidi na strani (Directed Advertising on the Web).
 

Registracija

Tretji način spremljanja uporabnikov na straneh pa je registracija, kjer ima vsak uporabnik svoje ime in šifro. Namen registracije je: Clickstreami, cookie-ji in registracija so pomembna orodja za upravljanje e-poslovanja. Odgovorni so za velik delež popularnosti in potenciala, ki ga internet omogoča kot nov medij za doseganje kupcev.
 

Pričakovanja data mininga

Problem zasebnosti nam pokaže, da data mining obstaja v kontekstu družbe kot celote. Ko uporabljamo data mining v namene CRM-ja, poskušamo napovedati kako se bodo ljudje obnašali v prihodnosti, glede na njihovo preteklost. Data mining naj bi ponovno osredotočil poslovanje na to, da bi služilo kupcem in njihovim potrebam, ob občutno manjšem nadlegovanju z neuporabnim in motečim oglaševalnim materialom.
 
 

Varstvo osebnih podatkov v Sloveniji

Varstvo osebnih podatkov v naši državi je urejeno z zakonom o varstvu osebnih podatkov. Ta zakon ureja varstvo osebnih podatkov, vsebovanih v zbirkah podatkov in njihovo zavarovanje, evidence za potrebe varstva osebnih podatkov in njihovega zavarovanja, pravice posameznika, njihovo varstvo in omejitve, iznos osebnih podatkov iz države, nadzor in spremljanje izvrševanja določb zakona.

Zakon je dostopen prek interneta na naslovu:
 

http://www2.arnes.si/home/zakon.html
 
 

PRAKTIČNI DEL: ANALIZA PODATKOV O KOMITENTIH


Za praktični del naše seminarske naloge smo obdelali podatke o komitentih neke slovenske poslovne banke, ki bo zaradi varstva zasebnih podatkov komitentov ostala neomenjena. Podatki pa so realni. Zaradi več kot 60GB velikega skladišča podatkov, smo se omejili na 10 odstotni vzorec vseh odprtih računov, ter podatke o njih za zadnje 3 mesece, kar skupaj pomeni nekaj manj kot 80.000 komitentov po celi Sloveniji.

Nato smo komitente segmentirali po krajih poslovalnice kjer imajo odprt tekoči račun. Ker ORACLE še nima posebnega data mining orodja, smo zbrane podatke obdelali z raznimi poizvedbami, ter grupiranji podatkov po bazi. Vsak postopek bo v nadaljevanju še podrobneje opisan, tudi z SQL stavki. Pri obdelavi podatkov z ORACLEom nam je pomagal g. Jurij Modic iz podjetja SRC.SI. Poizvedbe po bazi komitenti smo delali s programom T.O.A.D. (Tool For Oracle Application Development).

Slika 3: Orodje T.O.A.D.


 

Rezultati, ki smo jih iskali so bili predvsem ugotoviti kreditno sposobnost komitentov na banki, hkrati pa tudi razvitost po regijah, oziroma velikost dohodkov. Čeprav nismo imeli orodja za data mining, smo poskusili ugotoviti kateri komitenti, ki trenutno sicer izpolnjujejo kreditne pogoje, imajo večjo možnost, da v prihodnosti ne bodo zmogli plačevati obrokov kredita. Banka bi na primer lahko tem komitentom ponudila kredit po višji obrestni meri. Rezultate analize bomo predstavili v petih tabelah.

TABELA 2: PODATKI O VSEH KOMITENTIH

 

 
Vsi tekoči računi
Število računov
79612
Povprečno stanje
3.709,00 SIT 
Povprečen priliv
213.548,00 SIT 

 

SQL ukaz:
 
 

-- Vsi TR

select count(*) število, trunc(avg(pov_stanje_knj)) stanje, trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR';
 
 

Povprečno stanje na obdelanih tekočih računov v zadnjih treh mesecih je bilo 3.709,00 SIT, kar je normalno, kajti na večini tekočih računov stanje v enem mesecu prehaja iz pozitivnega v negativno, do naslednjega priliva. Povprečen priliv je dokaj visok 213.548,00 SIT, zaradi varstva osebnih podatkov nismo dobili podatkov o osebnih dohodkih, temveč samo o mesečnih prilivih na tekoči račun. Tako, da so dejanski redni dohodki vsak mesec nekoliko nižji.

TABELA 3: VSI TEKOČI RAČUNI PO POSLOVALNICAH

 

 
Kraj Poslovalnice Število komitentov Stanje Priliv Delež
LJUBLJANA
20837
7256
256422
26,17%
MARIBOR 1
12978
3251
200895
16,30%
CELJE 6 (N.VAS)
6009
-187
208026
7,55%
KRANJ 6
5206
5961
221830
6,54%
VELENJE
4815
-1304
197823
6,05%
JESENICE
4201
1860
195322
5,28%
SLOVENJ GRADEC
3186
2044
188503
4,00%
PTUJ
3050
-898
190161
3,83%
TRŽIČ
2623
797
185433
3,29%
ŽALEC
2286
-531
184569
2,87%
MURSKA SOBOTA
1921
2348
147241
2,41%
KOPER
1919
3628
192295
2,41%
SEŽANA
1498
9502
245077
1,88%
NOVO MESTO
1489
5359
262832
1,87%
PREVALJE
1287
1863
172932
1,62%
NOVA GORICA
1249
10722
223052
1,57%
LOGATEC
1240
4286
191654
1,56%
AJDOVŠČINA
1211
7911
162722
1,52%
MARIBOR
1153
-116
185843
1,45%
IZOLA
763
-185
136717
0,96%
PORTOROŽ
691
2462
172323
0,87%
SKUPAJ
79612
    
100,00%

 
 

SQL ukaz:
 

-- Vsi TR po poslovalnicah

select kraj_poslovalnice, count(*) število, trunc(avg(pov_stanje_knj)) stanje, trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR'

group by kraj_poslovalnice;
 

Ko smo podatke razvrstili po lokaciji poslovalnice smo prišli do naslednjih podatkov. V vzorcu je največ tekočih računov, več kot 26%, odprtih v Ljubljani. Več kot polovica vseh računov pa je odprtih v Ljubljani, Mariboru in Celju. Najnižje povprečno stanje na tekočem računu v zadnjih treh mesecih so imeli v Velenju in sicer -1.304,00 SIT, najvišje pa v Novi Gorici, in sicer 10.722,00 SIT. Največje dohodke v zadnjih treh mesecih so imeli komitenti v Novem mestu, ki so znašali 262.832,00 SIT, najnižje pa v Izoli, ki so dosegli le dobro polovico tistih v Novem mestu, 136.717,00 SIT

TABELA 4: KOMITENTI Z NADPOVPREČNIMI DOHODKI IN NEGATIVNIM STANJEM NA TEKOČEM RAČUNU

 

 
Kraj poslovalnice Število komitentov Stanje Priliv Delež Delež v regiji
LJUBLJANA
3075
-18044
365860
27,89%
14,76%
MARIBOR 1
1637
-17245
366815
14,85%
12,61%
CELJE 6 (N.VAS)
996
-19380
346769
9,03%
16,58%
VELENJE
882
-17004
332045
8,00%
16,94%
JESENICE
654
-16918
332903
5,93%
13,58%
KRANJ 6
606
-16993
349105
5,50%
14,43%
PTUJ
484
-20540
327481
4,39%
15,19%
SLOVENJ GRADEC
403
-13684
318168
3,66%
13,21%
TRŽIČ
318
-16735
325731
2,88%
12,12%
ŽALEC
302
-21884
396307
2,74%
13,21%
KOPER
263
-20367
318393
2,39%
13,69%
NOVO MESTO
232
-21199
391783
2,10%
12,09%
SEŽANA
197
-21032
373717
1,79%
13,15%
MURSKA SOBOTA
191
-18723
321130
1,73%
12,83%
NOVA GORICA
170
-20809
376002
1,54%
13,21%
PREVALJE
151
-15346
307766
1,37%
12,09%
MARIBOR
135
-17726
333928
1,22%
10,89%
AJDOVŠČINA
101
-18311
331762
0,92%
8,34%
LOGATEC
101
-18651
466939
0,92%
8,76%
IZOLA
71
-21209
396789
0,64%
9,31%
PORTOROŽ
56
-24839
647049
0,51%
8,10%
SKUPAJ
11025
    
100,00%
  

SQL ukaz:
 

-- Nadpovprečni negativni TR po poslovalnicah

select kraj_poslovalnice, count(*) število, trunc(avg(pov_stanje_knj)) stanje, trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR' and pov_priliv > 215000 and pov_stanje_knj < 0

group by kraj_poslovalnice;
 

V tej tabeli prikazujemo komitente, ki so imeli v zadnjih treh mesecih nadpovprečne prilive, več od 215.000,00 SIT, hkrati pa so imeli negativno stanje na tekočem računu. Na podlagi prihodkov bi lahko sklepali, da bo banka komitento odobrila visok kredit. Po naših kriterijih vsaj hitri kredit (za 1 leto) v višini 775.000,00 SIT. Do te številke smo prišli na podlagi pravila, da znesek obroka kredita ne sme presegati 30% mesečnih prihodkov. Obrestnih mer in inflacije nismo upoštevali, ker za šolski primer to ni potrebno. Če pa bi to želeli dodati, bi v SQL stavku namesto koeficienta 0,3 morali dodati večji koeficient, ki bi ga izračunali na podlagi obrestne mere za kredit. To je lahko prvi signal banki, da tak komitent v prihodnosti ne bo sposoben plačevati svojih kreditnih obveznosti, ter bo s tem tveganje banke pri odobritvi kredita takemu komitentu večje. Banka bo na to lahko reagirala s postavitvijo višje obrestne mere takemu komitentu. Vseh takih komitentov v vzorcu je 11025, ali skoraj 14%. Največji delež takih komitentov ima odprt tekoči račun v Velenju, skoraj 17%. V Portorožu pa imajo tovrstni komitenti najmanjši delež, in sicer dobrih 8%. Zanimivo je tudi, da imajo tovrstni komitenti v Portorožu najnižje povprečno trimesečno stanje na tekočem računu, hkrati pa najvišji povprečni mesečni priliv.

TABELA 5: KREDITNO SPOSOBNI KOMITENTI ZA HITRI KREDIT V VIŠINI 500.000,00 SIT

 

 
Kraj Poslovalnice
RAZLIKE
KREDITNO SPOSOBNI
VSI KOMITENTI
Delež Razlika stanje Delež prilivov Število Stanje Priliv Število Stanje Prilivi
NOVO MESTO
63,66%
2263
146,52%
948
7622
385120
1489
5359
262832
VELENJE
62,76%
126
140,31%
3022
-1178
277568
4815
-1304
197823
LJUBLJANA
61,57%
3432
151,94%
12831
10688
389624
20837
7256
256422
SEŽANA
60,81%
3953
153,72%
911
13455
376736
1498
9502
245077
CELJE 6 (N.VAS)
60,32%
1209
148,44%
3625
1022
308799
6009
-187
208026
KRANJ 6
60,02%
2565
152,27%
3125
8526
337783
5206
5961
221830
PTUJ
58,55%
403
147,30%
1786
-495
280108
3050
-898
190161
JESENICE
58,36%
596
151,81%
2452
2456
296530
4201
1860
195322
SLOVENJ GRADEC
57,72%
2063
148,71%
1839
4107
280335
3186
2044
188503
NOVA GORICA
55,96%
3446
166,17%
699
14168
370660
1249
10722
223052
MARIBOR 1
54,86%
2180
160,22%
7120
5431
321877
12978
3251
200895
MARIBOR
54,64%
1820
155,91%
630
1704
289766
1153
-116
185843
PREVALJE
52,68%
1907
160,38%
678
3770
277360
1287
1863
172932
TRŽIČ
52,42%
1106
158,41%
1375
1903
293762
2623
797
185433
ŽALEC
50,48%
571
170,06%
1154
40
313896
2286
-531
184569
LOGATEC
49,83%
2775
165,03%
618
7061
316293
1240
4286
191654
KOPER
48,30%
2458
186,98%
927
6086
359569
1919
3628
192295
AJDOVŠČINA
47,06%
5601
176,16%
570
13512
286657
1211
7911
162722
MURSKA SOBOTA
45,70%
1815
179,17%
878
4163
263817
1921
2348
147241
IZOLA
37,22%
859
225,38%
284
674
308137
763
-185
136717
PORTOROŽ
34,00%
3666
264,73%
235
6128
456202
691
2462
172323
SKUPAJ
57,41%
    
45707
    
79612
    

 

SQL ukaz:
 

-- Kredit 500.000, 1 leto

select m.kraj_poslovalnice,

x.vsi vsi_število, x.stanje vsi_stanje, x.priliv vsi_priliv,

m.stevilo, m.stanje, m.priliv, trunc(m.stevilo/x.vsi*100,2) st_100, abs(x.stanje-m.stanje) st_dif, trunc(m.priliv/x.priliv*100,2) pril_100

from (select kraj_poslovalnice, count(*) stevilo, trunc(avg(pov_stanje_knj)) stanje, trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR'

and vrsta_racuna = 'TR'

and pov_priliv*0.3 > 42000

group by kraj_poslovalnice

) m,

(select kraj_poslovalnice,

count(*) vsi,

trunc(avg(pov_stanje_knj)) stanje,

trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR' group by kraj_poslovalnice) x

where m.kraj_poslovalnice = x.kraj_poslovalnice;
 

Pri tej tabeli smo ugotavljali, kolikšnemu deležu komitentov v posamezni regiji bi banka odobrila kredit v višini 500.000,00 SIT. V splošnem je med vsemi komitenti v vzorcu 45707 ali dorih 57% takih, ki bi jim banka kredit odobrila. Največ takih komitentov ima odprt račun v Novem mestu, kjer jih je dobrih 63%, najmanj pa jih je v Portorožu, kjer jih je samo 34%. Proučili smo tudi razlike med kreditno sposobnimi komitenti, ter vsemi komitenti. Razlika v povprečnem stanju na tekočem računu je bila največja v Ajdovščini in je znašala 5.601,00 SIT, najmanjša pa v Velenju, kjer so imeli kreditno sposobni komitenti v povprečju samo za 126,00 SIT več denarja na tekočem računu. Razlike v prihodkih med komitenti so bile največje v Portorožu, kjer so v povprečju kreditno sposobni komitenti zaslužili za 2,6 krat več kot vsi portoroški komitenti. Najmanjše razlike v dohodkih smo ugotovili v Velenju, kjer je bila razlika v zaslužku v povprečju večja za 40% v korist kreditno sposobnih komitentov.


TABELA 6: KREDITNO SPOSOBNI KOMITENTI ZA HITRI KREDIT V VIŠINI 2.000.000,00 SIT

 

 
Kraj Poslovalnice
RAZLIKE
KREDITNO SPOSOBNI
VSI KOMITENTI
Delež Razlika stanje Delež prilivov Število Stanje Priliv Število Stanje Prilivi
NOVA GORICA
8,08%
21448
421,01%
101
32170
939085
1249
10722
223052
NOVO MESTO
6,98%
26387
475,52%
104
31746
1249820
1489
5359
262832
LJUBLJANA
6,14%
37390
570,47%
1281
44646
1462827
20837
7256
256422
SEŽANA
5,27%
36158
631,09%
79
45660
1546664
1498
9502
245077
KRANJ 6
5,12%
28207
512,27%
267
34168
1136377
5206
5961
221830
LOGATEC
4,59%
16763
596,44%
57
21049
1143112
1240
4286
191654
CELJE 6 (N.VAS)
4,41%
14429
483,24%
265
14242
1005282
6009
-187
208026
MARIBOR 1
4,05%
30480
609,92%
526
33731
1225299
12978
3251
200895
KOPER
3,75%
43189
816,87%
72
46817
1570817
1919
3628
192295
IZOLA
3,66%
7466
665,49%
28
7281
909842
763
-185
136717
ŽALEC
3,36%
15787
690,99%
77
15256
1275361
2286
-531
184569
PTUJ
3,21%
26553
537,07%
98
25655
1021314
3050
-898
190161
MARIBOR
3,12%
31947
601,72%
36
31831
1118266
1153
-116
185843
TRŽIČ
3,12%
19405
606,48%
82
20202
1124626
2623
797
185433
PREVALJE
2,87%
34072
547,87%
37
35935
947455
1287
1863
172932
JESENICE
2,85%
26679
592,43%
120
28539
1157159
4201
1860
195322
SLOVENJ GRADEC
2,82%
31255
535,38%
90
33299
1009225
3186
2044
188503
VELENJE
2,65%
19533
491,23%
128
18229
971785
4815
-1304
197823
PORTOROŽ
2,60%
43721
1733,04%
18
46183
2986432
691
2462
172323
MURSKA SOBOTA
1,82%
30783
680,27%
35
33131
1001643
1921
2348
147241
AJDOVŠČINA
1,73%
47149
801,79%
21
55060
1304693
1211
7911
162722
 
4,42%
    
3522
    
79612
    

 

SQL ukaz:

-- Kredit 2.000.000, 1 leto

select m.kraj_poslovalnice,

x.vsi vsi_število, x.stanje vsi_stanje, x.priliv vsi_priliv,

m.stevilo, m.stanje, m.priliv, trunc(m.stevilo/x.vsi*100,2) st_100, abs(x.stanje-m.stanje) st_dif, trunc(m.priliv/x.priliv*100,2) pril_100

from (select kraj_poslovalnice, count(*) stevilo, trunc(avg(pov_stanje_knj)) stanje, trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR'

and vrsta_racuna = 'TR'

and pov_priliv*0.3 > 168000

group by kraj_poslovalnice

) m,

(select kraj_poslovalnice,

count(*) vsi,

trunc(avg(pov_stanje_knj)) stanje,

trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR' group by kraj_poslovalnice) x

where m.kraj_poslovalnice = x.kraj_poslovalnice;
 
 
 

Ta tabela je zelo podobna prejšnji, le da smo povečali znesek najetega kredita za 4 krat. Sedaj je največ kreditno sposobnih ljudi v Novi Gorici, kjer jih je 8,08%, najmanj pa v Ajdovščini, kjer jih he 1,73%. Razlike med povprečnimi stanji in prilivi so v tem primeru še večje. Najmanjše razlike s v Izoli, kjer je povprečna razlika v stanju na tekočem računu 7.466,00 SIT, največja razlika se pojavi v Ajdovščini ter znaša 47.149,00 SIT. Najmanjše razlike med prihodki kreditno sposobnih in vseh komitentov so v Novi Gorici ter znašajo 421,01%, največje pa v Portorožu, kjer znašajo 1733,04%. Med vsemi komitenti te banke v vzorcu jih ima 3522, ali 4,42% dovolj velike dohodke, da bi najeli hitri kredit (za 1 leto) v višini 2.000.000,00 SIT.
 

TABELA 7: KREDITNO SPOSOBNI KOMITENTI ZA HITRI KREDIT V VIŠINI 2.000.000,00 SIT Z NEGATIVNIM STANJEM NA TEKOČEM RAČUNU

 

 
Kraj Poslovalnice Število komitentov Odstotek komitentov Stanje Priliv Število vseh
LJUBLJANA
11
0,05279%
-369099
1009392
20837
MARIBOR 1
7
0,05394%
-140671
946208
12978
ŽALEC
4
0,17498%
-952048
718896
2286
CELJE 6 (N.VAS)
3
0,04993%
-336959
768104
6009
JESENICE
3
0,07141%
-60796
649862
4201
VELENJE
3
0,06231%
-118565
750946
4815
KRANJ 6
1
0,01921%
-233186
594821
5206
NOVO MESTO
1
0,06716%
-69266
652844
1489
PORTOROŽ
1
0,14472%
-348020
3660315
691
SEŽANA
1
0,06676%
-63578
1051812
1498
SLOVENJ GRADEC
1
0,03139%
-204255
582075
3186
OSTALI
0
N/A
N/A
N/A
16416
 
36
0,04522%
    
79612

 

SQL ukaz:
 

-- Nadpovprečni negativni TR po poslovalnicah

select kraj_poslovalnice, count(*) število, trunc(avg(pov_stanje_knj)) stanje, trunc(avg(pov_priliv)) priliv

from bla_miha_z

where vrsta_racuna = 'TR' and pov_priliv > 560000 and pov_stanje_knj < 0

group by kraj_poslovalnice;
 

V zadnji tabeli predstavljamo najbolj rizične komitente. Po višini prilivov izpolnjujejo pogoje za odobritev kredita v višini 2.000.000,00 SIT. V povprečju imajo mesečni priliv višji od 560.000,00 SIT. Hkrati pa so imeli v zadnjih treh mesecih negativno stanje na tekočem računu. Taki komitenti imajo več možnosti, da bodo v prihodnje postali kreditno nesposobni. Banka v takem primeru lahko takoj zavrne prošnjo za kredit v višini tega zneska, ponudi kredit v nižjem znesku ali pa ponudi kredit po višji obrestni meri. Na srečo ima proučevana banka takih komitentov relativno malo. Med vsemi proučevanimi 80.000 komitenti je le 36 takih, ki izpolnjujejo te pogoje. Relativno največ jih je v Žalcu, najmanj pa v Kranju. Banke se seveda v realnosti odločajo o odobritvi kredita še na podlagi drugih kriterijev, ki pa niso spravljeni v podatkovnem skladišču, ter so nam zato bili nedostopni. Seveda ima vsak od teh komitentov poroka ali nepremičnino, ki jo zastavi za zavarovanje tega kredita.



ZAKLJUČEK

V seminarski nalogi smo ugotovili, da je v slovenskih bankah še veliko prostora oz. področij, kjer bi lahko uvedli informacijsko podporo, ki bi povečala učinkovitost, ter zmanjšala stroške banke. Seveda pa morajo za vsako uvedbo novih tehnologij postaviti strateški načrt planiranja in uvajanja izbrane tehnologije, kajti največ projektov propade prav zaradi tega razloga. Uporaba data mininga v namene segmentiranja ter analiziranja komitentov v slovenskih bankah tudi še ni razširjena. Tistim bankam, ki so si že postavile sistem za podporo odločanju take ali drugačne vrste, se že poznajo pozitivni učinki. Z vstopom v Evropsko unijo se bo konkurenca na bančnem trgu še povečala in ravno investiranje v informacijsko tehnologijo lahko slovenskim bankam prinese odločilno konkurenčno prednost pri boju za stranke. V prihodnosti se nam, navadnim uporabnikom, obetajo prilagojene bančne storitve prek najrazličnejših posrednikov, od bankomatov prek osebnih računalnikov, PDAjev do mobilnih telefonov. Mi smo poskušali le pokazati, za kaj bi lahko banke že zbrane podatke, ki so jim na voljo, uporabile. Hkrati pa se bo povečala količina in vrste podatkov, ki jih bo banka vedela o nas. Tako lahko v prihodnosti pričakujemo, da bodo banke vedele ali smo poročeni, ali imamo otroke, psa hišo, avto, vrednostne papirje, kje smo bili na dopustu. Še posebej če se bodo tudi pri nas pojavile institucije, ki jim v tujini pravijo "Bancassurance", kombinacija poslovne banke in zavarovalnice. Če jim bo zakonodaja dovolila skupaj uporabiti podatke, ki jih zbirata tako zavarovalnica kot banka, se zna zgoditi, da bodo nekega dne take institucije vedele več o nas samih kot mi.
 
 

VIRI