Ochrana osobních údajů a bezpečnost dat - novinky v GDPRPIERSTONE
Společnosti si často neuvědomují, s jakým množstvím dat nakládají, kde je uchovávají a jaké související povinnosti jejich zpracování představuje. GDPR však vychází ze základního předpokladu, že data jsou všude kolem nás a že se s jejich zpracováním setkáváme na každém kroku. Proto každý, kdo s daty nakládá – ať již jednotlivec, korporace, správce či zpracovatel – musí zmapovat, jakým způsobem a jaká data zpracovává, řádně je zabezpečit, musí zohledňovat práva každého jednotlivce a řádně jej o jeho právech informovat. Pokud své povinnosti poruší, může čelit pokutám přesahujícím 20 milionů EUR.
Souhrn právních novinek a povinností, které přinese nové obecné nařízení o ochraně osobních údajů (běžně označované pod zkratkou GDPR z anglického General Data Protection Regulation). Newsletter přináší stručný přehled toho, jaké novinky čekají podniky, co vlastně znamenají jednotlivé pojmy (osobní údaje, správce, zpracovatel, ...) a jak celkově přistoupit k implementaci GDPR do vlastních procesů a systémů.
Na prvním meetup projektu hashtag#BusinessX jsme se lehce podívali na téma PSD2 bez PSD2. Mimo jiné jsme rozebírali to, jak na fázi, kdy potřebujete prototypovat, ale už byste rádi měli také reálná data. Je to možné? Co na to legislativa?
Ochrana osobních údajů a bezpečnost dat - novinky v GDPRPIERSTONE
Společnosti si často neuvědomují, s jakým množstvím dat nakládají, kde je uchovávají a jaké související povinnosti jejich zpracování představuje. GDPR však vychází ze základního předpokladu, že data jsou všude kolem nás a že se s jejich zpracováním setkáváme na každém kroku. Proto každý, kdo s daty nakládá – ať již jednotlivec, korporace, správce či zpracovatel – musí zmapovat, jakým způsobem a jaká data zpracovává, řádně je zabezpečit, musí zohledňovat práva každého jednotlivce a řádně jej o jeho právech informovat. Pokud své povinnosti poruší, může čelit pokutám přesahujícím 20 milionů EUR.
Souhrn právních novinek a povinností, které přinese nové obecné nařízení o ochraně osobních údajů (běžně označované pod zkratkou GDPR z anglického General Data Protection Regulation). Newsletter přináší stručný přehled toho, jaké novinky čekají podniky, co vlastně znamenají jednotlivé pojmy (osobní údaje, správce, zpracovatel, ...) a jak celkově přistoupit k implementaci GDPR do vlastních procesů a systémů.
Na prvním meetup projektu hashtag#BusinessX jsme se lehce podívali na téma PSD2 bez PSD2. Mimo jiné jsme rozebírali to, jak na fázi, kdy potřebujete prototypovat, ale už byste rádi měli také reálná data. Je to možné? Co na to legislativa?
Co bychom měli vědět o elektronických podpisechJiří Peterka
Stručné shrnutí toho, co je vhodné vědět o elektronických podpisech - o jejich principu, praktickém používání, právních aspektech i předpokládaném vývoji legislativy.
Další info na http://www.bajecnysvet.cz. Nabídka mnou vedených kurzů elektronického podpisu na http://www.bajecnysvet.cz/kurzy/
Adaptivní organizace je složena ze vzájemně propojených částí (týmů). Jako celek vykazují vlastnosti, které jsou jasně viditelné z vlastností chování jednotlivých částí (jednotlivců i spolupracujících týmů), a zároveň má jako organizační systém schopnost změny a učení se z nových zkušeností.
5 tragických pochybeni v Cyber bezpečnostiJiří Napravnik
Pět pochybení v oboru IT a IT bezpečnosti. 15-20 let staré omyly, které mají vliv na občany a firmy i dnes. Navíc tyto omyly stály firmy již mnoho miliadr USD.
Naučíme se používat elektronický podpis? Nebo se za nás bude podepisovat někd...Jiří Peterka
Moje přednáška na Pedagogické fakultě UK (v pátek 20.2.2015). Snažil jsem se v ní shrnout současné problémy elektronického podpisu a naznačit změny, které k 1.7.2016 přinese unijní nařízení č. 910/2014 (eIDAS). Včetně popisu toho, co jsou dynamické biometrické podpisy a jak by mohl vypadat elektronický podpis jako služba.
Má elektronický podpis identifikovat podepsanou osobu? A pokud ano: jak?Jiří Peterka
Moje přednáška na konferenci k 15. výročí vzniku Úřadu pro ochranu osobních údajů. Snažil jsem se v ní představit aktuální problém ze světa elektronických podpisů (a nařízení 910/2014, neboli: eIDAS), který ale úzce souvisí s ochranou osobních údajů.
Postatou tohoto problému je to, do jaké míry mají elektronické podpisy identifikovat podepsanou osobu - a v závislosti na tom pak jakým způsobem: jaké údaje, identifikující držitele, mají být obsažené v certifikátu, který je ze své podstaty veřejný.
Má zde být například rodné číslo držitele certifikátu, jako je tomu na Slovensku? Nebo IK MPSV, jako je tomu obvykle (ale ne nutně vždy) u nás v ČR?
Není podpis jako podpis, aneb: jak se vyznat v různých variantách elektronick...Jiří Peterka
Moje přednáška na semináři společnosti Adobe k představení nového Acrobatu DC (v pátek 17.4.2015). Snažil jsem se v ní udělat trochu pořádek ve změti termínů, které se kolem elektronických (či digitálních) podpisů vyskytují, a ukázat co ten který druh podpisu přináší - na co se u něj můžeme spoléhat, a na co naopak ne.
Originál této prezentace, stejně jako další mé příspěvky z různých konferencí, najdete v mém archivu, na adrese http://www.earchiv.cz/i_paper.php3
Jak vytvořit fungující prodejní kanál s online podporou?MARCO BBN
Prezentace na odborné konferenci na téma: "Jak vytvořit fungující prodejní kanál s online podporou?" Obsahem prezentace je popis změn v nákupním chování b2b zákazníků, ukázka technologických marketingových nástrojů pro on-line marketingovou komunikaci a výsledky realizované on-line kampaně.
Co bychom měli vědět o elektronických podpisechJiří Peterka
Stručné shrnutí toho, co je vhodné vědět o elektronických podpisech - o jejich principu, praktickém používání, právních aspektech i předpokládaném vývoji legislativy.
Další info na http://www.bajecnysvet.cz. Nabídka mnou vedených kurzů elektronického podpisu na http://www.bajecnysvet.cz/kurzy/
Adaptivní organizace je složena ze vzájemně propojených částí (týmů). Jako celek vykazují vlastnosti, které jsou jasně viditelné z vlastností chování jednotlivých částí (jednotlivců i spolupracujících týmů), a zároveň má jako organizační systém schopnost změny a učení se z nových zkušeností.
5 tragických pochybeni v Cyber bezpečnostiJiří Napravnik
Pět pochybení v oboru IT a IT bezpečnosti. 15-20 let staré omyly, které mají vliv na občany a firmy i dnes. Navíc tyto omyly stály firmy již mnoho miliadr USD.
Naučíme se používat elektronický podpis? Nebo se za nás bude podepisovat někd...Jiří Peterka
Moje přednáška na Pedagogické fakultě UK (v pátek 20.2.2015). Snažil jsem se v ní shrnout současné problémy elektronického podpisu a naznačit změny, které k 1.7.2016 přinese unijní nařízení č. 910/2014 (eIDAS). Včetně popisu toho, co jsou dynamické biometrické podpisy a jak by mohl vypadat elektronický podpis jako služba.
Má elektronický podpis identifikovat podepsanou osobu? A pokud ano: jak?Jiří Peterka
Moje přednáška na konferenci k 15. výročí vzniku Úřadu pro ochranu osobních údajů. Snažil jsem se v ní představit aktuální problém ze světa elektronických podpisů (a nařízení 910/2014, neboli: eIDAS), který ale úzce souvisí s ochranou osobních údajů.
Postatou tohoto problému je to, do jaké míry mají elektronické podpisy identifikovat podepsanou osobu - a v závislosti na tom pak jakým způsobem: jaké údaje, identifikující držitele, mají být obsažené v certifikátu, který je ze své podstaty veřejný.
Má zde být například rodné číslo držitele certifikátu, jako je tomu na Slovensku? Nebo IK MPSV, jako je tomu obvykle (ale ne nutně vždy) u nás v ČR?
Není podpis jako podpis, aneb: jak se vyznat v různých variantách elektronick...Jiří Peterka
Moje přednáška na semináři společnosti Adobe k představení nového Acrobatu DC (v pátek 17.4.2015). Snažil jsem se v ní udělat trochu pořádek ve změti termínů, které se kolem elektronických (či digitálních) podpisů vyskytují, a ukázat co ten který druh podpisu přináší - na co se u něj můžeme spoléhat, a na co naopak ne.
Originál této prezentace, stejně jako další mé příspěvky z různých konferencí, najdete v mém archivu, na adrese http://www.earchiv.cz/i_paper.php3
Jak vytvořit fungující prodejní kanál s online podporou?MARCO BBN
Prezentace na odborné konferenci na téma: "Jak vytvořit fungující prodejní kanál s online podporou?" Obsahem prezentace je popis změn v nákupním chování b2b zákazníků, ukázka technologických marketingových nástrojů pro on-line marketingovou komunikaci a výsledky realizované on-line kampaně.
Giuliano Giannetti na konferenci Data Restart 2019.
Data... nejvíc sexy job 21. století a taky hora vyhozených peněz. V průběhu prezentace se pokusím nadhodit problémy, které trápí datovou branži a taky pár podnětů k přemýšlení, až budete hledat téma vaší příští analýzy.
Data Date #3: Přemysl Horáček - Jak daleko jste s datovou analytikou? Maturit...Taste
Ukážeme si Maturity model datové analytiky, který slouží jako mapa rozvoje firmy v oblasti analýzy dat. V rámci přednášky se podíváme i na praktické Power BI dashboardy zahrnující nejdůležitější firemní data.
PPC Date #5: Petr Bureš - Práce PPCčkaře v roce 2023Taste
Práce PPCčkaře už dávno není schovka pro introverty. Naše práce se stále vyvíjí. Ať už přes analytické myšlení, práci s daty, práci s kreativou nebo komunikaci s různým typem lidí (vč. C-levelu). Kde jsou ale limity naší práce, nebo směry dalšího rozvoje? Čím by měl PPCčkař trávit čas, aby měl co nejvyšší přidanou hodnotu a kampaně typu PMAX nebral jako ohrožení, ale možnou příležitost?
Co je nového v prediktivní analytice, a co nového teprve bude? Jak se na to připravit? A s čím je možné začít už dnes? Od hlubokých neuronových sítí po obyčejnou obsluhu zákazníka v obchodě.
Váš web by měl cíleně zapadat do obchodního procesu vaší společnosti. Jaké jsou klíčové otázky, které byste si měli zodpovědět, než se do tvorby webu pustíte? Co bude následovat po spuštění webu? Jak to vše pomůže vašim firemním cílům? A hlavně, co na to říkají vaši zákazníci? – Na tyto a další otázky Vám odpoví Daniel Musil v prezentaci a zároveň vám ukáže konkrétní případové studie.
Video najdete na https://www.aitom.cz/co-je-noveho/jak-zaradit-web-do-prodejniho-procesu
Sledování mikro-cílů - jak určit, zda má kampaň budoucnostMichal Blažek
V prostředí B2B, start-upů nebo v podstatě jakékoliv české firmy, která má jednotky až desítky konverzí není možné aplikovat standardní postupy. Jedním z řešením je sledovat mikrocíle a následně hodnotit relevanci uživatelů. Vyhodnocení je sice subjektivní, ale lepší než nic. Prezentováno na konferenci Web Top 100, 15.11.2018.
Jak vypadá pojetí Big Data v České republice? Jaké nástroje se u nás používají ke zpracování velkého množství dat? A jak je lze efektivně využít pro ještě lepší marketing (nejenom) v online světě?
Petr Hovorka / Obsahová strategie pro náborovou komunikaciBrandBakers
V dnešní době, kdy poptávka po nových zaměstnancích (kandidátech) převyšuje jejich nabídku na trhu práce, se kandidáti stali zákazníky a firmy jako zaměstnavatelé těmi, kteří nabízí. Firmy potřebují svou firmu umět prodat. Jedním z nástrojů je HR marketing a prostředků obsahová strategie. Jak - jakým postupem a nástroji - se tvoří? Čím naplnit kariérní stránky a jak je nastrukturovat? Odpovědi najdete v prezentaci.
STEMMARK na AČRA Workshop - Trendy, Emoce, Mobily STEM/MARK
Velmi průletová prezentace pro Asociaci českých reklamních agentur o tom, kam se výzkumný trh směruje, co je trendem, co buzzwordem a jestli náhodou něco není trendem už 5 let bez jediného praktického použití. O emocích v reklamě, mobilním dotazování a nesmrtelných klišé..
Project Restart 2023: Petr Bernadič - Jak komunikovat projekt, za který zákaz...Taste
Častokrát dodáváme na projektech skvělou hodnotu, ale klient ji nedocení. Case study a zvýšení financí do dalšího projektu je pak utopie. Petr ve své přednášce ukáže, jak projekt komunikovat tak, aby za něj klient rád platil. Představí různé nástroje, přístupy a aktivity, které pomohou správně nastavit očekávání a pravidla hry, vytvořit sexy kooperaci s klientem, prodat jednoduše proběhlé aktivity a doprodat další. Udělejte ze svého projektu v očích klienta prioritu. Pak nebude problém ho dobře zakončit, navázat dalším a ještě získat case study.
20180201 1 big data jako nastroj pro hluboka transakcní miningProfinit
Prezentace pracovní snídaně s názvem „Big data – jak z nich těžit informace“. Salary detector – hledá vztah „zaměstnavatel – zaměstnanec“ mezi klienty (účty) banky na základě transakčních dat.
Digitální nástroje pro firmy: Myslete a pracujte jako startupyJiri Benedikt
Co se na školení dozvíte?
Jaký komunikační nástroj používá tým, který posílá vozítka na Mars? Jaké jsou zkušenosti firem, které uvnitř přestaly používat e-mail? Jak získat a udržet „digitální domorodce“ a využít jejich potenciál? Které z digitálních nástrojů jsou pro vaší firmu užitečné a které méně. Jak pro tým zdarma vytvořit CRM, projektový mangagement a messenger v cloudu?
Tato prezentace vznikla především pro naše klienty v rámci cyklu Marco Academy, kde se snažíme klientům ukázat, že o věcech lze přemýšlet jinak.
Prezentace Jak na sociální sítě v B2B se dotýká těchto oblastí:
- generace lidí v B2B se mění
- k čemu jsou soc. sítě
- jak pracovat s cílovými skupinami
- jaký obsah je v kurzu
- jaké sociální sítě jsou z pohledu našeho trhu zajímavé
- jaké jsou jejich výhody
- jaké formáty nabízejí
- placená reklama na sociálních sítích
- konkrétní ukázky (inspirace)
Je potřeba si uvědomit, že marketing není raketová věda. Jde o to pochopit naprosté základy a dokázat se vcítit do myšlení vašeho zákazníka. I přestože se marketéři zaklínají různými metrikami, dobře znějícími pojmy a nic neříkajícími, často se měnícími technologiemi, nebojte se dělat marketing jednoduše dobře.
Potřebujete jen selský rozum, čas a nějaké ty finance. :-)
B2B je sexy! :-)
------
This presentation is mainly for the Czech audience, but if you speak English, you will find interesting conclusions from several foreign researches and studies in its original version.
Optimalizovat na základě dat, když data máte, to umí každý. Ale optimalizovat na základě dat, když žádná data nemáte, to je větší výzva. A právě o tom byla moje prezentace.
Vývoj a řízení produktů v praxi - Tomáš VyskočilUP Business Club
Víte, jak vypadá vývoj a řízení produktů v praxi? Na co se zaměřit, co nejdůležitější, jak se počítají rozpočty? Jak do projektu vybrat ty správné zdroje, čeho se vyvarovat? O tom všem bude moje přednáška, kde si ukážeme konkrétní příklady na několika známých internetových projektech.
Reference data is something we often encounter in our projects. In our experience, it is often underestimated and does not get enough attention. In the webinar, we want to make you aware of some interesting aspects of ‘reference data’ such as how it relates to MDM, which it’s often mixed with.
Cloud in examples—(how to) benefit from modern technologies in the cloudProfinit
The world of cloud services is enormous, rapidly growing, and changing fast, so it can be challenging to choose the right service and architecture to meet your needs.
To help you better navigate the options and inspire you, we’ve made this webinar describing two practical ways to use cloud services and benefit from the out-of-the-box features and infrastructure the cloud provides.
Building big data pipelines—lessons learnedProfinit
What is the power of business departments? What is missing in communication between layers responsible for building big data solutions? What mistakes can happen when IT departments are too proactive in creating solutions for big data?
Understand your data dependencies – Key enabler to efficient modernisation Profinit
Modernising any system is a comprehensive task. Every step has to be estimated, appropriately planned, then carefully executed and verified. Data with its dependencies are the common denominator in almost every case and crucial in understanding the whole initiative.
In this webinar, experts from Profinit and Manta will present their approach to resolving data-related challenges while modernising software systems using Profinit Modernisation Framework in collaboration with Manta tools.
Knowing your clients well and knowing when they need financial support is a key part of a bank’s success in lending. But it is challenging to gather and process information about your customers to know them all entirely. Our senior consultant Lukáš Dvořák will show you how to use data to drive your lending business and improve the conversion rate of loan offers.
What to do when a system stops providing the value that your business needs and an immediate change is necessary? Replacing such a system is usually the first idea that comes to mind. However, is it the only and the best approach you should consider? Not necessarily!
When the complexity of all the data in your business exceeds a certain level, it is time to make a sound decision and start taking steps towards professional and systematic data governance and clear data architecture. This step is what we call “data landscape mapping”. At the end of this initial process, you will get something like a Google map of all the data in your company, visualised from different angles and dimensions.
What to do when a system stops providing the value that your business needs and an immediate change is necessary? Replacing such a system is usually the first idea that comes to mind. However, is it the only and the best approach you should consider? Not necessarily!
Profinit Webinar: Benefits of Software Systems Modernization over their Repla...Profinit
Nowadays, many companies are facing challenges linked to their core systems. The systems lack support for the new business models, do not fit-for-purpose anymore or provide poor UX. In general, they are slow to change, risky and costly to enhance and maintain. What would you do, when a system does not provide the value that your business needs? Replacing such a system is usually the first idea that comes to mind. However, is it the only approach you should consider?
In our webinar, Michal Petřík (Profinit's Head of Software Development) will discuss a different approach that is often faster, safer and better suited for many businesses.
Big Data: reálné aplikace pro business - Odborna snidane 30. 11. 2016
1. B. Zoubek / P. Máša / P. Paščenko / M. Holub 30. listopadu 2016
BIG DATA:
reálné aplikace pro business
tady a teď
2. 2
08:30 - 09:00 Registrace, coffee & networking
09:00 - 09:30 Funkční a nefunkční modely zavedení BIG DATA ve firmách
09:30 - 10:00 Uplně nový vhled do chovaní klienta prostřednictvím Data science
10:00 - 10:15 Přestávka
10:15 - 10:50 Případové studie:
Identifikace fraudu (BANKOVNICTVÍ, TELEKOMUNIKACE)
Zvyšovaní efektu využití klientských dat (FINANCE)
10:50 - 11:00 Shrnutí, závěr
11:00 - 11:30 Diskuse u kávy
Program pracovní snídaně
Petr Paščenko
Head of Data Science
Profinit
Martin Holub
Data Science Consultant
Petr Máša
Partner
smartshift
4. Funkční a nefunkční modely
› Některé modely vedou k úspěchu a některé ne. V čem je liší?
Některé firmy se snaží
zavádět nové koncepty.
Některé uspějí.
Jiné nikoliv.
Některé firmy se snaží
opakovat funkční modely
od konkurentů.
Některé uspějí.
Jiné nikoliv.
BIG DATA SCIENCE
slibuje nové možnosti
a rostoucí profit
Jak být úspěšný a jak
předejít neúspěchu?
5. Úspěšné modely zavedení
› Příklady úspěšných v oblasti BIG DATA SCIENCE? Jaký byl
původní záměr? Jaká byla velikost trhu? Jaká byla role
BIG DATA SCIENCE?
Neustálé zlepšování a revize business cílů je klíčová.
6. BIG DATA SCIENCE
› Návrat do buducnosti?
2002 2016
Stále potřebujeme vlastní
know-how pro realizaci
Business + Tech
Korporátní klienti + Online
startupy
Business responsible – Jako
služba – Konzultace
Marketing + Prodejní podpora
Stále potřebujeme
tým pro podporu
Tým nadšených lidí, kteří
chtějí něco dokázat
Spolupráce s týmem
odborníků se specifickými
znalostmi
Reálný čas a BIG DATA
nejsou omezením.
(objem, nástroje pro datové
toky)
7. Funkční a nefunkční modely zavedení business
přínosů
› Některé modely fungují a jiné nefungují. V čem se liší?
› Mnoho firem se snaží představovat nové koncepty. Některé
jsou úspěšné a některé vůbec ne. Některé společnosti se snaží
kopírovat funkční koncepty konkurence. Jaké jsou hlavní faktory
úspěchu?
Phase 1 Phase 2 Phase 3
Collect
underpants ? Profit
8. Od soumraku do úsvitu
› Nečekejte úspěch hned na první dobrou
› Většina firem neví, jakého je schopna ve finále dosáhnout profitu.
Jen věří tomu, že jdou správnou cestou a zkušenost v podobě
silného business pocitu. Jak reagují jejich klienti? Z čeho se těší?
Mají jasnou vizi, realizační tým a schopnost uvést věci do reality.
Vše stavějí na zkušenostech.
Buďte akceschopní
Akceptujte chyby
Stavte na úspěších
Mějte vizi a přesvědčení
o tom, že vaše cesta je
správná.
Mějte vizi
Fokus na business cíle
Slibujte splnitelné
Mějte jasné business cíle.
Zkoušejte, naslouchejte co
můžete zlepšit a kam až
můžete zajít.
Na první pokus zpravidla
nedostanete zázraky. Ale může
vám ukázat kudy jít a co k tomu
udělat. Zejména ve velkých
korporacích je to dobrý start.
Mějte tým, který je schopný uvést
nápady do reálného života. Připravte
jim vhodné prostředí a předpoklady.
Učte se z chyb. Plánujte vše
s vědomím, že nasazení trvá déle
a bere více zdrojů, než původně
čekáte.
Nebojte se přenastavovat business
cíle při dosažení přínosů. Nemějte
strach z toho, že se původní záměr
nepovedl, stavte na skutečných
úspěších. Podporujte je a rozvíjejte.
9. Příklady – případové studie zavedení big dat
ONLINE HERNÍ STARTUP
Německo
BANKA
Západní Evropa
HERNÍ STUDIO
Česká prepublika
UTILITY
CEE
1 3
2 4
10. Role potřebné k úspěchu
› Jaké role jsou potřebné pro úspěšné zavedení?
› Tyto role jsou potřebné pro každou business změnu, která využívá
techniického vylepšení. Klíčové role je potřeba upravit konkrétnímu
prostředí, některé role jsou vynechány (manažerská podpora atd.).
Klíčové výkonné role jsou uvedeny níže.
Business
visionář
a sponzor
Business
architekt se
silným IT
Analytika
(Data Science)
„Osvícení“
IT architekti
11. Data Science a Big Data
Vhled do chování klienta
Petr Paščenko
14. 15
Data Science
› Statistika, Informatika, Data mining, Strojové učení, Umělá inteligence
› Rozdíl oproti Business Intelligence
– BI: kolik tužek prodaly jednotlivé pobočky v září?
– DS: kolik jich prodají v říjnu?
› Klíčové kritérium je práce s nejistotou, pravděpodobnostní výsledek
– Prediktivní modelování
– Segmentace, shlukování
– Podobnostní modelování, kolaborativní filtrování,
doporučovací systémy
– Detekce anomalit
– Text-mining,
– Web-mining,
– Image processing,
– SNA,
– atd.
15. 16
Data Science otázky
› Kteří klienti
– si vezmou úvěr / kreditku / hypotéku / cestovní pojištění atd.
– odejdou / předčasně splatí úvěr / nesplatí úvěr
– pracují u které firmy / žijí ve společné domácnosti / hodně cestují / dojíždějí
› Jaký produkt/službu
– nabídnout klientovi na pobočce / jaký zobrazit reklamní banner
› Jaký komunikační kanál zvolit pro konkrétního klienta
› Kteří obchodní partneři
– se chystají odejít / pracují i pro jinou pojišťovnu / nadhodnocují pojistné události
› Fraud
– Které pojistné události jsou pojistnými podvody?
– Které transakce jsou podvržené?
– Které sim karty zneužívají telefonní síť?
› Jaké zboží kdy dodávat na které pobočky obchodního řetězce?
› Jaká je očekávaná velikost datového extraktu v dwh?
16. 17
Big Data
› Definice
– Metodika a ekosystém technologií pro ukládání a správu a analýzu velkých dat na
distribuovaných úložištích (cluster) pomocí paralelních výpočtů
› Spojení výpočetní a datové platformy
– Data jsou tak velká, že je nejde zpracovávat mimo cluster
› Klíčová slova
– Hadoop, HDFS, Hbase, Hive, Impala, Hortonworks, Cloudera, Spark atd.
› Uvedení mýtů na pravou míru
– Nejde o náhradu relačních databází a dwh, ale o jejich doplnění
– Nejde o objem dat, ale o typ výpočtů, které nad nimi provádíme
› Jak to souvisí s Data Science
– Hlavní využití, analytické výpočty nad velkými daty (Google Page Rank)
– Mezitím v Česku: hlavní využití, levné úložiště dat
› Kde to začalo
– Google, Amazon, Netflix, Facebook – rozsáhlé doporučovací problémy
17. 18
Big Data Science
› Google
– Google není vyhledávač, Google je řadič
– 1G stránek s řádově více odkazy
– V jakém pořadí zobrazit výsledky vyhledávání
– Big Data Algoritmus PageRank
• Hledání vlastních vektorů velké matice
› Amazon, Netflix, YouTube
– Kdo si koupil Babičku, ten si koupí Broučky
– Big Data Algoritmus Kolaborativní filtrování
• Singular Value Decomposition
› Facebook
– Komu zobrazit jaký obsah
– Kombinace
• SNA – přátelé
• Kolaborativní filtrování – like
› A co banky?
18. 19
Big Data – Architektura
HADOOP + SPARKDWH
DATA SCIENTIST
BYZNYS ANALYTIK
DATA SCIENCEBYZNYS BIG DATA
ANALÝZA
DAT VÝVOJ
A ÚPRAVY
MODELŮ
TESTOVÁNÍ
A PRODUKČNÍ
BĚH MODELŮ NA
VELKÝCH DATECH
ZÁKAZNÍK
KONZUMUJE
VÝSLEDKY FORMOU
SQL NEBO
KOMPATIBILNÍ
20. 21
Big Data Science – hlavní přínos
› Klasický Data Mining se omezuje na SQL agregace (avg, sum,…)
› Big Data – umožňuje vyhledávat podobnosti a vztahy
– počítání micro-událostí (kolikrát A a B zaplatili ve stejném obchodě)
– Párové statistiky (c2c podobnosti, rodinné vztahy, zaměstnání, atd.)
– Tranzitivní vztahy (klient – obchod – klient)
TRANSAKCE PODOBNOSTI
A VZTAHY
HADOOP SPARK SQL
21. 22
Analýza Finančních Transakcí pomocí BD
› Vytváříme vyladěné modely pro retailové banky
› Vstup – finanční transakce
› Výstup – využitelné informace o klientovi, příznaky, události,
› Cílem je obohatit stávající obchodní proces o novou znalost
Převod mezi lidmi
Platba kartou
Příjem
Nákup na internetu
Platby za služby
Ostatní platby
Výběr z bankomatu
22. 23
Salary detector
› Vstup
– Finanční transakce typu firma - klient
› Výstup: Identifikované vztahy
zaměstnavatel – zaměstnanec
› Business case
– Rizikové skóre, detekce událostí, podobnosti (c2c/b2b),…
› Principy
– Detekce transakčních vzorců, text mining, pokročilá statistika
› Vysoká přesnost i pro
– Krátké úvazky – délka nepřesahující 3 měsíce
– Nestandardní úvazky (částečné úvazky, práce na živnost, atd.)
– Firmy s malým počtem zaměstnanců
› Nastavitelná přesnost (TP/FP)
› Reference
– Equa Bank
23. 24
Detekce domácnosti – Banka/Telco
› Vstup
– Klientské transakce – banka (c2c, karetní operace,…)
– Informace ze sítě – telco (cdr, lokace, billing)
– Základní demografie (věk, pohlaví, adresa, příjmení,…)
› Výstup
– Identifikace členů domácnosti a rodinných vztahů
› Obchodní využití
– Rodinný marketing, robustní rizikové skóre,…
› Principy
– Detekce transakčních vzorců, analýza interakcí, text mining
› Nastavitelná přesnost (TP/FP)
› Reference
– Equa Bank, TP: 93% při FP: 2.5%
24. BIGDATA – Data Science tým
Case study (finanční sektor)
Martin Holub
25. 26
Cíle banky
› Banka chce:
Zahájit aktivní prodej pojištění
Profit z prodeje pojištění
1
3
Phase 1 Phase 2 Phase 3
Collect
underpants ? Profit
26. 27
Naše porozumění
Klient zná potenciál trhu (dle zpracované analýzy klientského portfolia)
v oblasti prodeje pojišťovacích produktů a má data o tom, kde jsou
hlavní customer touch-points (kde iteruje s klientem)...
Hledá hlavní obchodní argumentace pro oslovení klientů pro
upsell pojišťovacích produktů pro finanční služby v on-line
kanálech.
Potřebuje ověřit možnosti oslovení klientů banky, kteří využívají
pojišťovací produkty.
Hlavními prodejními kanály jsou internetbanking, eshop,
interní a externí call centrum a ATM.
1
2
3
27. 28
Naše zadání
Připravit ideově “value proposition” pro prodejní nabídky
pojistných produktů podle životní situace klienta (např. podle
transakční historie klienta nebo činnosti, kterou je banka
schopna identifikovat v on-line prostoru či styku klienta
s bankou).
Zformalizovat základní výběrová kritéria pro kampaně
v on-line kanálech pro zadání na direct marketing.
Optimalizovat prodej v on-line kanálech na základě best
practices.
1
2
3
28. 29
Pojistné produkty
1. Pojištění karty a osobních věcí k DK či KK
2. Pojištění vyčerpané částky ke KK
3. Cestovní pojištění k účtu
4. Pojištění pravidelných plateb / výdajů k osobnímu účtu
5. Právní ochrana k osobnímu účtu
6. Autopojištění
7. Pojištění domácnosti
8. Pojištění sportovního vybavení
9. Pojištění odpovědnosti
29. 30
Požadované výstupy
Ke každému z 9 pojistných produktů definovat 2 – 3 prodejní
kampaně tj.:
a) cílová skupina, podmínky výběru dle demografického
vymezení skupiny a transakční historie,
b) hlavní argumentace proč by měl klient zakoupit,
c) kanál pro kampaň (telesales, on-line, ATM,…)
Doporučit možná zlepšení prodejních on-line kanálů pro
prodej pojištění pro zvýšení prodeje.
Doporučit, na které TOP3 produkty v oblasti pojištění se
zaměřit z pohledu úspěšnosti a revenue.
1
2
3
31. 32
Požadované výstupy (.doc)
6. Autopojištění
Jedná se o nejvíce zajímavý produkt pojištění a to jak pro budoucí
revenue banky, tak také pro budování vztahu s klienty v oblasti pojištění
resp. v oblasti finančních služeb.
Prodej může být úspěšný pouze v případě přípravy value propozice proti
každému jinému autopojištění konkurenčních pojišťoven. Lze take využít
efektivní časování. Ze seznamu lze také vyloučit některé silné pojišťovny
se silným resp. loajálním kmenem typu ČPP.
Navíc Autopojištění od klienta, jak ho připravilo oddělení produktového
management je unikátním pojišťovacím produktem, protože jako jediný na
ČR trhu “neřeší” malus a bonus. Je zkrátka určený pro velmi specifickou
a zároveň širokou cílovou skupinu.
32. 33
Požadované výstupy (.doc)
6. Autopojištění – II.
Obchodní potenciál je velmi zajímavý – hypotézy:
› 100 tisíc+ unikátních klientů
› 2 000 000 000+ celkový objem transakcí
› Průměrné pojistné 3840 Kč / rok
› Dosažitelná úspěšnost kampaně až 10%
› Dosažitelná výše sjednatelské provize až 70 000 000 Kč
33. 34
Požadované výstupy (.doc)
6. Autopojištění – III.
1. Definovat 2 – 3 prodejní kampaně tj.:
› Cílová skupina, podmínky výběru dle demografického vymezení
skupiny a transakční historie
› Hlavní argumentace proč by měl klient zakoupit
› Kanál pro kampaň (telesales, on-line)
Zejména mladí lidé
Svatba - změna příjmení
Odchod na mateřskou - narození dítěte
Rodina - potřeba prvního soukromého auta
Rodina - druhé dítě - větší auto - stejná pojistná částka?
Klienti s vyšším škodním průběhem
Klienti bez historie u pojišťoven
Klienti se služebním autem - bez historie plateb v servisu
Klienti po PÚ - transakce na kartě servis = vyšší pojistné
Velká města, zejména Praha
Rodiny s dospívajícími dětmi (podle věku - děti 18 až 21 ideálně)
34. 35
Autopojištění
Cílová skupina & časování
› Dle (ne)segmentačních kritérií
a pojišťoven
– Zejména mladí lidé
– Města/okresy
– Vyšší škodní průběh
– Svatba, rodina, změna potřeb
Způsob oslovení
› IB (banner ideálně s kalkulačkou
– minimálně POV, max. 1 proklik)
› Inbound call + follow-up
› Outbound call (dle BC)
Value propozice, argumentace
› Dle pojišťoven
– AXA, … - krytí
– ČP, Allianz – garance ceny
› Dle produktových doporučení
Způsob sjednání
› Během hovoru
› Přes web (IB cena, má-li zájem,
pak stránky pojištění)
36. 37
Lesson Learned
Je potřeba začít budovat důvěru klientů v oblasti X-sell
Důvodem neúspěšných kampaní není pouze jejich špatné
nastavení, jedná se často o nedůvěru či nepochopení
Pokud nezafungují připravené životní situace, je potřeba
„zvolnit“ a zkusit jiný přístup
1
2
3
Kdy mají klienti banku rádi?
Musím si koupit pojištění ke kartě? NE
Potřebuji pojištění karty a osobních věcí? NE
Potřebuji pojištění domácnosti? ANO, protože vím, co to je a vím, že pojištění
chrání to, co mám rád a na čem mi záleží.
Potřebuji autopojištění? ANO, protože to je povinné a protože auto potřebuji
a jeho oprava stojí hodně peněz.
37. 38
1. Autopojištění
2. Pojištění domácnosti
3. Pojištění odpovědnosti
4. Pojištění sportovního vybavení
Výstupy: TOP3 produkty v oblasti pojištění
z pohledu úspěšnosti a revenue
39. 40
Executive summary
Pojistný trh má
velký potenciál
- Předepsané pojistné – cca 120 mld. ročně (retail + business)
- Identifikované platby klientů klienta – cca 12 mld. ročně
- Provize 5 největších finančních zprostředkovatelů – cca 5 mld. ročně
Návrh projektu
– vytěžit z něj
100 mil. Kč
Navrhujeme projekt (sada kampaní na klienty zejména přes ADK
+ jejich nastavení a ladění), který přinese za období od / do
z pojistného trhu 100 mil. Kč (dle metodiky dále popsané).
Způsob odměny
– projekt vs
success fee model
Time & Material
- Odměna v % za smlouvy uzavřené ve výše uvedeném období
- Bonus ve výši % v případě dosažení 100 mil. Kč
- Odměna 0% za smlouvy uzavřené po dohodnutém termínu
VS
40. 41
Podrobnější popis obsahu projektu
Vytěžování klientských dat – prodej NŽP, ŽP
Využít resp. vytěžit existující transakční a jiná provozní data klienta
k inteligentním výběrům pro přípravu a realizaci přímých kampaní se
zaměřením na prodej (sjednání) neživotního (NŽP) a životního (ŽP)
pojištění.
Připravit potřebnou value proposition ve spolupráci se zástupci
produktových oddělení klienta.
Postupné zavádění jednotlivých scénářů a dalších potřebných aktivit
vedoucích k dosažení prodejů NŽP a ŽP pojištění stávajícím klientům
klienta hlavně prostřednictvím ADK.
Důležitou součástí je průběžné vyhodnocování kampaní, jejich ladění
a finální správné vyhodnocení projektu.
V rámci projektu očekáváme realizaci několika kampaní v několika
alternativách a časových vlnách.
41. 42
Požadavky na součinnost
Business sponzor
+ executive assistant
0.5 – 1.5 MDs / měsíc
Oddělení datových analýz
0.5 – 3 MDs /kampaň/pilot
Oddělení kampaní
0.5 – 3 MDs /kampaň/ pilot
Oddělení ADK
a komunikačních kanálů
0.5 – 1 MD /kampaň/pilot
Obchod
Produkty – nabídky, segmentace
0 – 10 MDs
Oddělení marketingu
1-3 MDs / kampaň / pilot
Oddělení produktů – ladění, procesy
1 – 5 MDs / měsíčně
43. 44
Kritéria úspěchu projektu a metodika výpočtu
provizí
› Získání dodatečných 100 mil. Kč na provizích (počítaných
dle metodiky níže) za prodeje od / do
ŽIVOTNÍ
POJIŠTĚNÍ
Odhad 40 mil. Kč
(není kritériem, kritériem je součet)
Metodika: přijaté provize vynásobené koeficientem očekávaných storen (počítán jako
procento storno provizí ku vyplaceným provizím za celý nový business za všechny
distribuční kanály).
NEŽIVOTNÍ
POJIŠTĚNÍ
Odhad 60 mil. Kč
(není kritériem, kritériem je součet)
Metodika: přijaté provize plus očekávané budoucí provize dle průměrné délky života
smlouvy v kmeni pojišťovny za daný druh pojištění za všechny distribuční kanály (např.
autopojištění, majetkové pojištění).
45. 46
Shrnutí úlohy
› Detekce přístupu pod falešnou
identitou s cílem vykrást účet
› Scenář: podvodník překonal 2FA
› Vstup
– Běhová data z online bankovnictví (sekvence akcí v klientském sezení).
› Výstup
– Identifikovaná fraudulentní sezení
› Principy
– Velmi složitý problém, podíl fraudů cca 1:120 000
– Vyžaduje vícero zřetězených sít
– Pokročilé statistické modely (detekce lokálních odlehlostí)
› Nastavitelná přesnost (TP/FP), např.: TP: 50% for FP: 0.3%
BANKA
46. 47
Klasifikační úloha
› Vstupní data
– Akce klientů
› Příznakový vektor
– Statistiky session
– Délka, čas na akci, …
› Model
– Klasifikátor
› Výsledek
– Ano / Ne
ID SESSION ID DATETIME ACTION AMOUNT RESULT
1234567890 vs3T … dGpf
2015-04-03
13:03:58
112 0
1234567890 vs3T … dGpf
2015-04-03
13:03:58
130 0
1234567890 vs3T … dGpf
2015-04-03
13:04:14
1248 0
1234567890 vs3T … dGpf
2015-04-03
13:04:14
120 12400 530
1234567890 vs3T … dGpf
2015-04-03
13:07:21
530 0
1234567890 vs3T … dGpf
2015-04-03
13:07:38
120 12400 0
1234567890 vs3T … dGpf
2015-04-03
13:09:03
68 0
FRAUD? ALERT
PROVÉST PLATBU
PŘÍZNAKOVÝ VEKTOR
ANO
NE
47. 48
Internetové bankovnictví
› Uvažujme banku s milionovou klientskou bází
› Každý klient provede denně v průměru jednu návštěvu v IB
› Denně průměrně 1 000 000 session
› Z toho zhruba 12% session s platbou
› 120 000 session s platbou
› Denně v průměru 1 fraud
› To není moc ;-)
49. 50
Co nefunguje
› Klasifikátory učené z dat
– Nevyvážené třídy
– NE s úspěšností 99,999%
› Popíšeme typický útok
– Neexistuje typický útok
– Příprava na minulou válku
FRAUD? ALERT
PROVÉST PLATBU
PŘÍZNAKOVÝ VEKTOR
ANO
NE
50. 51
Detekce anomalit
› Podvodník se chová jinak než klient
› Nevíme jak, ale jinak
› Jak poznáte, že někdo nebo něco je divný?
VS
55. 56
Co je SimBox Fraud
› Podvodné schéma v telekomunikacích
› Mezinárodní volání přináší značné zisky, o které se operátoři dělí
ZAHRANIČNÍ
OPERÁTOR
DOMÁCÍ
OPERÁTOR
56. 57
Co je SimBox Fraud
› Nebo by alespoň měli
› SBF je snahou obejít operátora v cílové zemi
57. 58
Telco Big Data SimBox Fraud
› Scénář
– Zahraniční operátor/subjekt obchází
standardní mezistátní hovor přes internet
s cílem ušetřit na mezinárodním propojovacím
poplatku
› Vstup
– Telco, síťová data (cdr, location, billing)
› Výstup
– Identifikované podezřelé sim karty
› Principy
– Detekce specifických typů neobvyklého chování
– Rozpoznání skupin s podobným chováním
– Automatická detekce pomocí roamingových dat
› Nastavitelná přesnost (TP/FP)
› Reference
– T-Mobile
58. 59
Metoda řešení
› Podvodná sim karta má odlišné vzorce chování
› Sestavíme pro každou sim kartu popisný vektor
› Vyhodnotíme charakteristické vzorce
› Problém
– Extrémě malá tréninková data
– 3 simboxy, 40 sim karet, 11 dní
› Bayesovský klasifikátor
– Víme, co se děje uvnitř
– Robustní matematický základ
61. 62
Výsledek
› PoC ukázalo, že úloha je efektivně řešitelná
› Proběhl pilot
– Nebyl nalezen žádný další Simbox
› Bylo nalezeno několik různých jiných typů zneužití
sítě a porušení provozních podmínek
– objednána implementace
63. 64
Big Data Science
HADOOP + SPARKDWH
DATA SCIENTIST
BYZNYS ANALYTIK
DATA SCIENCEBYZNYS BIG DATA
ANALÝZA
DAT VÝVOJ
A ÚPRAVY
MODELŮ
TESTOVÁNÍ
A PRODUKČNÍ
BĚH MODELŮ NA
VELKÝCH DATECH
ZÁKAZNÍK
KONZUMUJE
VÝSLEDKY FORMOU
SQL NEBO
KOMPATIBILNÍ
Interní vývoj Projekt Služba Interim
64. Profinit EU, s.r.o.
Tychonova 2, 160 00 Praha 6
Telefon
+ 420 224 316 016
Web
www.profinit.eu
LinkedIn
linkedin.com/company/profinit
Twitter
twitter.com/Profinit_EU
Děkujeme
za pozornost