Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Altdata biggsea txn analytics 20150719

161 views

Published on

transactional analytics

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Altdata biggsea txn analytics 20150719

  1. 1. 1
  2. 2. ‘TXN ANALYTICS’ POS Verilerinin İşlenerek Zenginleştirilmesi ve İşletmelere İçgörüye Dayalı Hizmetler Sunulması Temmuz 2015 Altan Atabarut vF 2
  3. 3.  Altdata Hakkında  Hedeflenen İş Problemleri ve Fırsatlar  TXN Veri Analitiği Yaklaşımımız  Karşılaştırma  Planlama 3
  4. 4. İsmimiz ‘Alternative Data’ teriminin kısaltması olarak türetilmiştir. Hedefimiz işletmelerin büyüme ihtiyaçlarına yenilikçi ve yaratıcı kantitatif yaklaşımlar geliştirmek, farklı iç ve dış veri kaynaklarının entegrasyonuyla daha zengin içgörülere ulaşmaktır. Ticari başarınızı artırmak ve verimliliği, yenilikçiliği sürdürülebilir kılmak adına sunmakta olduğumuz hizmetler aşağıda sıralanmaktadır; Altdata Hakkında Şirketimiz yenilikçi ve yaratıcı kantitatif yaklaşımlarla analitik danışmanlık, iş geliştirme, eğitim ve yönetilen hizmetler sunmaktadır Yönetim danışmanlığı İş geliştirme hizmetleri Yetkinlik geliştirme, sınıf içi ve uzaktan eğitimler ‘Managed Services’
  5. 5.  Altdata Hakkında  Hedeflenen İş Problemleri ve Fırsatlar  TXN Veri Analitiği Yaklaşımımız  Karşılaştırma  Planlama 5
  6. 6. Hedeflenen İş Problemi – Mevcut Durum POS Cihazları, Sanal POS işlemleri ve Kredi/Debit kart kullanımları ‘Big Data’ olarak tabir edilebilecek ölçekte ham veri üretmektedir... Türkiye’de 50 milyon tekil kredi ve debit kart sahibi 155 milon karttan aylık yaklaşık 200 millyon alışveriş işlemi gerçekleşmekte. Bu işlemler de 2,3 millyon farklı POS cihazı ‘points of sale device’ tarafından iletilmektedir. Türkiye’deki 52 bankadan en büyük ödeme sistemleri sahibi ilk 3 bankadan her biri bu işlemlerin yaklaşık %20’sini izleyebilmektedir. ...
  7. 7. Hedeflenen İş Problemi – Problemler ve Fırsatlar (1/2) POS Cihazları mevcut kullanımları itibari ile Internet 1.0’ı anımsatmakta KOBİ’lerden, bankaya doğru tek yönlü bilgi akışı söz konusu olmaktadır... Veri akışı Küçük’ten Büyük ölçeğe kadar tüm işletmelerden Banka’lara doğru olmaktadır Bankalar bu büyük miktarda veriyi klasik RDBMS sistemleri ile işlemekte zorlanmakta, toplam gelir, harcama kalemlerinin ortalama büyüklüğü (ticket size) gibi toplulaştırılmış bilgileri analiz edebilmektedirler. Fırsat: POS verisinin zenginleştirimesi sayesinde Bankası elde edilen içgörüleri KOBİ’lere geri beselenerek paraya çevirebilecektir; Analitik birikimi olmayan KOBİ’ler  Müşterilerini demografilerine göre ‘kümeleyecek’ – Demographic Segmentasyon  Alışveriş davranışlarına göre ‘tanıyacak’ – Behavioural Segmentasyon  Skorlayarak ‘propensite’ / ‘uplift’ hesaplayacak  ‘Sadakat’ programları düzenleyecek, şirket altyapısı üzerinden e-mail, sms, mms veya akıllı telefon uygulamaları ile müşterilerine kampanya yapabilecek.  KOBİ’lere İçgörü hizmetleri web tabanlı olarak sunulabilecektir.
  8. 8. Hedeflenen İş Problemi – Problemler ve Fırsatlar (2/2) Büyük kart harcama verileri mecburen toplulaştırılmakta ve bireyler hakkında edinilebilecek bir çok gerçek zamanlı iç görü kaybedilmektedir... Müşteri alışverişleri, tutar ve MCC kodu itibari ile toplulaştırılarak takip edilmektedir. Bankalar bu büyük miktarda kişi bazında veriyi ancak anlık kampanya maksatlı (EVAM) veya toplulaştırarak ekstre, mil, puan takibinde kullanmaktadır. Fırsat: Kart verisinin zenginleştirimesi sayesinde , müşterilerinin finansal durumlarını, mevcut hayat şartlarını ve finansal döngüdeki yerlerini sürekli takip edebilecektir; Banka yenilikçi ve gerçek zamanlı analitik uygulamalarla tüm müşterilerini;  harcama alışkanlıklarına göre ‘ davranışsal kümeleyecek’ – Behavioural Segmentasyon  Daha detaylı risk analizi ve anlık risk skorlaması yapabilecek  POS’larından geçen rakip banka kart sahiplerinin gelirlerini (Income) ve  rakip banka kart sahiplerinin toplam varlıklarını tahmin edebilecek (Asset Size)  Markalara yakınlıklarını, sadakat skorlarını, SoW (Share of Wallet) ve  Pazarlamalara geri dönüş ihtimallerini gün/saat/lokasyon bazında hesaplayabilecektir.
  9. 9.  Altdata Hakkında  Hedeflenen İş Problemleri ve Fırsatlar  TXN Veri Analitiği Yaklaşımımız  Karşılaştırma  Planlama 9
  10. 10. TXN Veri Analitiği Yaklaşımımız (1/3) Bizce POS verisini zenginleştirip KOBİ’lere sunmak, Internet 2.0’a benzer bveri paylaşımı platformu yaratarak ürüne dönüştürmek anlamlı olacaktır... Tüm işlemsel hareketler Mersis bazında, MCC kodları, POS coğrafi lokasyonları, İşletme firmografileri ile alışveriş müşterisi demografileri, KKB skorları ve finansal veriler bazında Hadoop kümelerinde depolanacak POS verileri işlenerek işletme bazında;  Satışlarınların trendi, dönemsellikler  Müşteri ve işlem adedi öngörüleri (Forecast)  Gelen müşteri demografisi (Segmentasyon)  Sıklıkla hangi işletmeden geldikleri  Sıklıkla hangi işletmeye gittikleri  Ne sıklıkla ziyaret ettikler (Loyalty score)  Müşteri LTV değerleri  üzerinden kampanya düzenlenirse cevap verme ihtimalleri (Response Rate)  Benzer işletmelerdeki durum (Peer analysis) gibi iç görüler üretilebilecektir. Bu iç görüler aynen web sayfası sahiplerinin Google Analytics’e baktığı gibi KOBİ’lere ücreti mukabilinde sunulabilecektir. (Monetization)
  11. 11. İşletmeler için elde edilen içgörüler dikkate alındığında;  KOBİ müşterilerinin «churn» ihtimalleri izlenebilecek,  İşletmeye gelen sürekli müşterilerin geliş sıklıkları ve harcama tutarlarındaki değişimden kalite yükseliş/düşüşü takip edilebilecek,  Belli bir sektör veya corağfi bölgede çeşitli sebeplerle yaşanabilecek ekonomik sıkıntılar izlenebilecek, Banka tarafından kredi vermeme, verilen kredileri çağırma veya daha iyisi yeniden yapılandırma seçenekleri çok önceden masaya yatırılabilecektir. TXN Veri Analitiği Yaklaşımımız (2/3) POS verisi zenginleştirildiğinde bir yan çıktısı da Risk Yönetimi ve KOBİ Tahsis birimleri için bir ‘Erken Uyarı Sistemi’ olacaktır.
  12. 12. Normalde Banka’ların kullandığı veriler yanında;  Harcama tipi (MCC kodu bazında)  Zamanı (mevsim/haftaiçi/haftasonu/saat bazında), Harcama sırası (yemekten sonra tatlı gibi.) ve  İşlem lokasyonu (taksim > asmalımescit > karaköy vb.) izlenebilecek, Bireysel ve Eşlerin risk skoru Ortalama gelir (Income Insight) Ortalama gider (Expenditure Insight) Kullanılabilir gelir (Disposable Income Level) Toplam varlık (Asset Insight) Marka Bazında Propensite (In-the-market) TXN Veri Analitiği Yaklaşımımız (3/3) Kişi harcama davranışları zenginleştirildiğinde ise Bireysel kredi tahsis ve MİYPA – CRM birimleri için çok önemli girdiler elde edilebilecektir...
  13. 13.  Altdata Hakkında  Hedeflenen İş Problemleri ve Fırsatlar  TXN Veri Analitiği Yaklaşımımız  Karşılaştırma  Planlama 13
  14. 14. Karşılaştırma 14 Dünya’dan Örnek Girişimler ile Karşılaştırma Kartlı ödeme sistemleri POS analitiği Sadece işletmeye gelen kartlarla ilgili iç görüler sunabiliyor. Gelen müşterinin demografisi, finansalları, şirketin firmografisi bilinemiyor.
  15. 15. Kartlı ödeme sistemleri, Kart bazında analitik (Issuer değil) Karşılaştırma 15 Dünya’dan Örnek Girişimler ile Karşılaştırma Kartlı ödeme sistemleri POS analitiği Hem kartlarla ilgili temel iç görüler hem de diğer işletmelere ilişkin bilgiler sunulabiliyor. Gelen müşterinin demografisi, finansalları, işletme firmografisi bilinemiyor.
  16. 16. Kartlı ödeme sistemleri, POS altyapısı ve Bireysel kulanıcı analitiği (Issuer) Kartlı ödeme sistemleri, Kart bazında analitik (Issuer değil) Karşılaştırma 16 Dünya’dan Örnek Girişimler ile Karşılaştırma Kartlı ödeme sistemleri POS analitiği Sadece işletmelere gelen müşterilerle ilgili temel iç görüler sunabiliyor. Gelen müşterinin demografisi bilinebiliyor, finansalları ve şirket firmografisi bilinemiyor.
  17. 17. Hem kartlı ödeme sistemleri hem POS altyapısı, hem kart hem de bireysel kullanıcı bazında veri analitiği yapısı, Bankacılık bilgileri, KKB vb. Kartlı ödeme sistemleri, POS altyapısı ve Bireysel kulanıcı analitiği (Issuer) Kartlı ödeme sistemleri, Kart bazında analitik (Issuer değil) Karşılaştırma 17 Dünya’dan Örnek Girişimler ile Karşılaştırma Kartlı ödeme sistemleri POS analitiği Hem kart hem kişi hem de firmalar, hem ödemeler hem de bankadaki EFT, Havaleler, varlıklar, gelirler bazında görülebiliyor Bankalar
  18. 18.  Altdata Hakkında  Hedeflenen İş Problemleri ve Fırsatlar  POS Veri Analitiği Yaklaşımımız  Karşılaştırma  Planlama 18
  19. 19. Planlama 19 Projenin Üst Düzey Planlaması: Teknolojiler R tabanlı ve GUI geliştirme ortamı Gerçek Zamanlı Analitik Uygulamalar Büyük Veri Depolama Seçim Kriteri: Hızlı Hadoop entegrasyonu ve RDBMS’ten hızlı aktarım Seçim Kriteri: Paralleleştirilmiş Makine öğrenim algoritmalarının gerçek zamanlı kullanımı Seçim Kriteri: İş birimleri için öğrenim süresi son derece kısa ve görsel modelleme ve API paketleme imkanları
  20. 20. Planlama 20 Projenin Üst Düzey Planlaması: Kaynak Veri Entegrasyonu Zenginleştirme Analitik Modelleme Ekibi Altdata Partner Veri Tabanı Ekibi
  21. 21. Planlama 21 Projenin Üst Düzey Planlaması: Zaman Planı 5 Haftalık Hızlandırma Programı 3 Ay süreli İnkübasyon 1,5 aylık 1.faz – Veri temini ve altyapı PoC 3 Ay süreli İnkübasyon 1,5 aylık 2.faz – Analitik uygulamakar ve API geliştirme Eylül 2015 Kasım 2015 Aralık 2015Temmuz 2015
  22. 22. Altan is experienced in business development, management consultancy, marketing and risk analytics, capital optimization. His recent relevant experience includes:  Business Development Management for A Worldwide Decision Service Company in TR & ME  Collections Modeling and Capability Building for a regional Landline Giant, EMEA  Supporting a leading IT Services company in KSA to redesign business processes  Developing micro segmentation and potential value analytics for a leading retail bank in TR – resulted in folded improvements in campaign response and take-up rates,  Providing marketing optimization workshops for a leading retail bank in EMEA  Data Fusion and structural modelling for a leading mobile telecom services provider in TR  Risk Mitigation optimization modeling & testing for , 2010-2011 – resulted in 20 mio USD freed up capital as of 2011,  Basel II ERP implementation and validation for Bank, 2010-2012 Academic background: M.Sc. in Industrial Engineering from Middle East Technical University in Turkey, Ankara, 2008 B.Sc. in Mechanical Engineering from Yıldız Technical University in Turkey, Istanbul, 2003 Resume Altan Atabarut, Co-Founder
  23. 23. ISTANBUL OFFICE Phone +90 (537) 378 1581 Fax +90 (212) 244 1663 İnönü Cad. Ebe Hnm Sk. No:6/3 Beyoğlu 34427 İstanbul, TÜRKİYE www.altdata.co İnfo@aldata.co 23
  24. 24. Backup Slide
  25. 25. 25https://www.cbinsights.com/blog/fin-tech-periodic-table/

×