Очевидно, что огромные массивы данных, накопленные в организациях, содержат много полезной информации, которую можно и нужно использовать для оптимизации работы.
Для этого требуется обобщить прошлый опыт, найти закономерности, извлечь правила и использовать эти знания в процессе управления.
В презентации рассмотрены этапы процесса анализа данных, определение и классы задач Data Mining, их бизнес-применение.
При массовой выдаче кредитов возникают множество рисков: мошенничество, неверная оценка финансовых возможностей, недостоверные данные и прочее. Для управления этими рисками необходимо применение методов глубокого анализа данных, позволяющих найти оптимальный компромисс между доходностью, рисками, охватом рынка и временем обработки заявки.
Deductor нацелен на формализацию логики принятия решений, повышение скорости прохождения заявок, управление кредитными рисками и снижению требований к линейному персоналу.
Deductor Credit Scorecard Modeler (DCSM) - отраслевое бизнес-решение, предназначенное для подразделений и отделов розничного риск-менеджмента в банках и финансовых организациях. DCSM позволяет автоматизировать весь процесс разработки кредитных скоринговых карт (анкетный, поведенческий и коллекторский скоринг), выбрать оптимальную карту, внедрить ее в конвейер кредитных заявок и проводить регулярный мониторинг на предмет ее актуальности.
Подробности: http://www.basegroup.ru/solutions/scm/
Управление кредитными рисками для банков и МФОLoginom
Максимум полезной информации для банков и МФО по управлению кредитными рисками. Уникальный кейс по описанию природы рисков и способов их оценки. Описана вся необходимая аналитика для разработки собственного кредитного конвейера. Есть решение на базе Deductor.
Выступление по презентации - https://www.youtube.com/watch?v=raDDegn5d8o
Deductor data quality – очистка персональных данныхLoginom
Плохое качество данных является одной из самых больших проблем при построении аналитических решений, т.к. на основе некорректной информации делаются неверные выводы. Даже самые совершенные методы анализа не помогают, необходимо использовать специальные механизмы очистки.
Решение Deductor Data Quality позволяет автоматически распознавать, проверять, стандартизировать и очищать любые контактные данные; выявлять дубликаты и взаимосвязи между данными; создавать эталонные «золотые» записи. Решение представляет собой не одноразовую процедуру обработки данных, а полноценный комплекс проверки информации каждый день.
Выступление по презентации - https://www.youtube.com/watch?v=1vP90X3SwPc
Вводный курс по онлайн-платежам от PayOnline PayOnline
25 ноября в бизнес-инкубаторе НИУ ВШЭ состоялся мастер-класс Ольги Корнеевой, директора по маркетингу системы электронный платежей PayOnline, посвященный онлайн-платежам. В ходе выступления были затронуты технические и юридические аспекты интеграции платежного сервиса, критерии выбора платежного сервиса. Ольга поделилась со слушателями «лайфхаками», которые помогают сделать подключение платежного сервиса максимально простым и удобным.
рбк.Research российский рынок интернет-торговли платные услуги (2013)✔ Роман Коновалов •
рбк.Research российский рынок интернет-торговли платные услуги (2013)
АННОТАЦИЯ
Исследование «Российский рынок интернет-торговли: платные услуги 2013» является 4-м изданием одноименной серии обзоров. Высокие темпы развития рынка стали причиной появления настоящего аналитического обзора, в котором эксперты РБК.research стремились отразить наиболее важные аспекты и тенденции развития российского рынка e-commerce.
В исследовании анализируется текущее состояние российского рынка интернет-торговли. Приводятся оценки и прогнозы объемов и динамики рынка в стоимостном выражении за 2009-2014 годы. Подробно рассматриваются более 15 сегментов платных интернет-услуг. Приводятся оценки их объемов рынка в 2013 году, анализируется социально-экономический портрет, частота и средние затраты их покупателей. Кроме того, впервые в исследованиях РБК.research публикуются данные о количестве интернет-покупателей различных интернет-услуг в географическом разрезе.
В исследовании представлены рейтинги наиболее популярных услуг, продаваемых через интернет в различных географических зонах. Проведен сегментационный анализ, позволивший выявить самые перспективные направления развития рынка B2C сегмента e-commerce в 2014 году.
Проведен анализ потребительских предпочтений интернет-покупателей. Выявлены наиболее популярные способы оплаты услуг через интернет. Проанализированы основные факторы, препятствующие или удерживающие россиян от совершения покупок услуг в интернете. Определен перечень наиболее важных характеристик онлайн-магазинов, исходя из которых, интернетпользователи принимают решения о покупке онлайн-услуг.
При массовой выдаче кредитов возникают множество рисков: мошенничество, неверная оценка финансовых возможностей, недостоверные данные и прочее. Для управления этими рисками необходимо применение методов глубокого анализа данных, позволяющих найти оптимальный компромисс между доходностью, рисками, охватом рынка и временем обработки заявки.
Deductor нацелен на формализацию логики принятия решений, повышение скорости прохождения заявок, управление кредитными рисками и снижению требований к линейному персоналу.
Deductor Credit Scorecard Modeler (DCSM) - отраслевое бизнес-решение, предназначенное для подразделений и отделов розничного риск-менеджмента в банках и финансовых организациях. DCSM позволяет автоматизировать весь процесс разработки кредитных скоринговых карт (анкетный, поведенческий и коллекторский скоринг), выбрать оптимальную карту, внедрить ее в конвейер кредитных заявок и проводить регулярный мониторинг на предмет ее актуальности.
Подробности: http://www.basegroup.ru/solutions/scm/
Управление кредитными рисками для банков и МФОLoginom
Максимум полезной информации для банков и МФО по управлению кредитными рисками. Уникальный кейс по описанию природы рисков и способов их оценки. Описана вся необходимая аналитика для разработки собственного кредитного конвейера. Есть решение на базе Deductor.
Выступление по презентации - https://www.youtube.com/watch?v=raDDegn5d8o
Deductor data quality – очистка персональных данныхLoginom
Плохое качество данных является одной из самых больших проблем при построении аналитических решений, т.к. на основе некорректной информации делаются неверные выводы. Даже самые совершенные методы анализа не помогают, необходимо использовать специальные механизмы очистки.
Решение Deductor Data Quality позволяет автоматически распознавать, проверять, стандартизировать и очищать любые контактные данные; выявлять дубликаты и взаимосвязи между данными; создавать эталонные «золотые» записи. Решение представляет собой не одноразовую процедуру обработки данных, а полноценный комплекс проверки информации каждый день.
Выступление по презентации - https://www.youtube.com/watch?v=1vP90X3SwPc
Вводный курс по онлайн-платежам от PayOnline PayOnline
25 ноября в бизнес-инкубаторе НИУ ВШЭ состоялся мастер-класс Ольги Корнеевой, директора по маркетингу системы электронный платежей PayOnline, посвященный онлайн-платежам. В ходе выступления были затронуты технические и юридические аспекты интеграции платежного сервиса, критерии выбора платежного сервиса. Ольга поделилась со слушателями «лайфхаками», которые помогают сделать подключение платежного сервиса максимально простым и удобным.
рбк.Research российский рынок интернет-торговли платные услуги (2013)✔ Роман Коновалов •
рбк.Research российский рынок интернет-торговли платные услуги (2013)
АННОТАЦИЯ
Исследование «Российский рынок интернет-торговли: платные услуги 2013» является 4-м изданием одноименной серии обзоров. Высокие темпы развития рынка стали причиной появления настоящего аналитического обзора, в котором эксперты РБК.research стремились отразить наиболее важные аспекты и тенденции развития российского рынка e-commerce.
В исследовании анализируется текущее состояние российского рынка интернет-торговли. Приводятся оценки и прогнозы объемов и динамики рынка в стоимостном выражении за 2009-2014 годы. Подробно рассматриваются более 15 сегментов платных интернет-услуг. Приводятся оценки их объемов рынка в 2013 году, анализируется социально-экономический портрет, частота и средние затраты их покупателей. Кроме того, впервые в исследованиях РБК.research публикуются данные о количестве интернет-покупателей различных интернет-услуг в географическом разрезе.
В исследовании представлены рейтинги наиболее популярных услуг, продаваемых через интернет в различных географических зонах. Проведен сегментационный анализ, позволивший выявить самые перспективные направления развития рынка B2C сегмента e-commerce в 2014 году.
Проведен анализ потребительских предпочтений интернет-покупателей. Выявлены наиболее популярные способы оплаты услуг через интернет. Проанализированы основные факторы, препятствующие или удерживающие россиян от совершения покупок услуг в интернете. Определен перечень наиболее важных характеристик онлайн-магазинов, исходя из которых, интернетпользователи принимают решения о покупке онлайн-услуг.
Продукты ЛИК. О "должной осмотрительности", безопасности и развитии бизнесаIgor Yaroshenko
Презентация уникальных онлайн программных продуктов ЛИК:КОНТРАГЕНТ и ЛИК:БИЗНЕС с точки зрения проявления "должной осмотрительности" при сделках, и построения системы мониторинга контрагентов.
Ищем бенефициара. О практике управления рисками взаимодействия с контрагентамиOlga Rink
Проверка контрагентов стала сегодня не просто теоретически нужным делом, но и законодательной нормой. При этом усложнилась и сама задача: финансовым организациям приходится решать комплекс проблем — от изучения корпоративных связей и бенефициаров и мониторинга происходящих с ними изменений до определения уровней риска и синхронизации внутренних данных с внешними.
сс.16-19"Рынок ценных бумаг", №9-2013
Cкоринговые модели нового типа: анализируем действия клиента / Максим Савченк...Ontico
РИТ++ 2017, секция ML + IoT + ИБ
Зал Белу-Оризонти, 6 июня, 15:00
Тезисы:
http://ritfest.ru/2017/abstracts/2795.html
Кейс 1: как обеспечить максимально быструю (без привлечения людей-экспертов), удобную (радикальное сокращение экранных форм) и эффективную оценку клиентов за счет анализа поведенческой информации клиентов (в частности, истории финансовых транзакций).
Кейс 2: сегментация клиентов на основе их финансового поведения (анализ данных высокой размерности и большого размера).
Доклад посвящен обзору некоторых приемов машинного обучения, которые используются для решения этой задачи
Поиск признаков мошенничества в убытках по медицинскому страхованию / Василий...Ontico
РИТ++ 2017, секция ML + IoT + ИБ
Зал Белу-Оризонти, 5 июня, 18:00
Тезисы:
http://ritfest.ru/2017/abstracts/2800.html
В число задач страховых компаний (авто, страхование имущества, медицинское страхование) входит проверка оказанных (или запрашиваемых) убытков на соответствие условиям страхования. Зачастую данная задача выполняется в ручном режиме с привлечение экспертов. Данная работа неизбежно влечет издержки, а с ростом количества данных становится и вовсе невозможным проверять все убытки.
Среди российских компаний давно предпринимались попытки алгоритмизировать проверку убытков, но эффект от этого, как правило, не оправдывал ожиданий. Особенно трудно анализировать убытки в области добровольного медицинского страхования из-за сложности и нестандартизованности данной предметной области.
Страховая компания Allianz первой в России решила применить для этой цели технологии машинного обучения. На сегодняшний день создана пилотная версия системы автоматического поиска аномалий, обученная на результатах проверки экспертами за несколько последних лет. Результаты пилотных тестов показали перспективность дальнейших разработок.
Управление запасами является самой сложной и самой насущной задачей для предприятия. Неликвидные товары, неудовлетворенность спроса, недобросовестные поставщики и недостаток оборотных средств только усугубляют проблемы с планированием процесса закупок и логистики.
Deductor Demand Planning позволяет автоматизировать процесс оптимизации складских запасов: прогноз спроса, расчет оптимального страхового запаса, формирование автозаказа и прочее. Решение предназначено для торговых сетей, дистрибьюторов, складских комплексов и производственных компаний. Оно построено на базе аналитической платформы Deductor, которое имея развитые инструменты Data Mining, позволяет разработать полноценную цепочку оптимального формирования страховых запасов от выбора и сравнения подрядчиков до распределения продукции по сети.
Российский банковский сектор развивается высокими темпами. С каждым годом растет список услуг, предлагаемых кредитными организациями населению и бизнесу. Нарастающая конкуренция заставляет банки применять эффективные методики оценки заемщиков, сокращать время принятия решений, использовать аналитическую отчетность для выработки стратегических планов.
Решения на базе Deductor позволяют автоматизировать процессы выработки решений по клиентам банка, находить закономерности в огромных объемах данных и эффективно управлять рисками.
Deductor способен решить и другие задачи, актуальные для банков, кредитных брокеров и финансовых организаций: программы лояльности и кросс-продажи кредитных продуктов, управление портфелем ценных бумаг, выявление мошеннических схем, оценка прибыльности инвестиционных проектов, скоринг юридических лиц и многие другие.
Управление взаимоотношениями с клиентами (Customer Relationship Management, CRM) является важным элементом корпоративной стратегии большинства преприятий. Компании внедряют и активно используют CRM-системы, но большинство подобных программ имеют слабые аналитические возможности и ориентированы на решение задач по сбору данных и автоматизации рутинных операций. В результате возникает парадоксальная ситуация - собрано много интересной и ценной информации о клиенте, но нет возможности превратить эти знания в конкурентные преимущества.
Для того чтобы получить пользу от собранной информации, не достаточно получить отчеты, необходимо находить закономерности в больших объемах данных и учитывать их при работе с клиентами. Целью применения подобных методов является "персонификация" работы с каждым потребителем, учет его интересов, предпочтений, возможностей.
Deductor - мощный инструмент для всеобъемлющего анализа клиентской базы: обладает развитыми инструментами кластеризации и классификации, позволяет оценить покупательский потенциал на основе разнообразных поведенческих характеристик клиентов.
Deductor содержит множество других механизмов, используемых для анализа клиентской базы: консолидация, отчетность, обогащение и очистка данных. При этом можно использовать как внутреннюю информацию, так и сведения из сторонних источников: рыночные тенденции, конкурентная среда, демографические параметры и информация о местоположении
Описание новых возможностей аналитической платформы Deductor 5.3: новые алгоритмы анализа, управление качеством данных, веб-сервисы (аналитика как сервис), Big Data.
Клиентская аналитика - методы принятия решенийLoginom
Подробно изложены простые и продвинутые методы бизнес-аналитики, направленные на повышение лояльности клиентов, минимизации оттока и увеличения отклика на предложения. Все методы привлечения клиентов могут быть реализованы на базе системы бизнес-аналитики Deductor.
Продукты ЛИК. О "должной осмотрительности", безопасности и развитии бизнесаIgor Yaroshenko
Презентация уникальных онлайн программных продуктов ЛИК:КОНТРАГЕНТ и ЛИК:БИЗНЕС с точки зрения проявления "должной осмотрительности" при сделках, и построения системы мониторинга контрагентов.
Ищем бенефициара. О практике управления рисками взаимодействия с контрагентамиOlga Rink
Проверка контрагентов стала сегодня не просто теоретически нужным делом, но и законодательной нормой. При этом усложнилась и сама задача: финансовым организациям приходится решать комплекс проблем — от изучения корпоративных связей и бенефициаров и мониторинга происходящих с ними изменений до определения уровней риска и синхронизации внутренних данных с внешними.
сс.16-19"Рынок ценных бумаг", №9-2013
Cкоринговые модели нового типа: анализируем действия клиента / Максим Савченк...Ontico
РИТ++ 2017, секция ML + IoT + ИБ
Зал Белу-Оризонти, 6 июня, 15:00
Тезисы:
http://ritfest.ru/2017/abstracts/2795.html
Кейс 1: как обеспечить максимально быструю (без привлечения людей-экспертов), удобную (радикальное сокращение экранных форм) и эффективную оценку клиентов за счет анализа поведенческой информации клиентов (в частности, истории финансовых транзакций).
Кейс 2: сегментация клиентов на основе их финансового поведения (анализ данных высокой размерности и большого размера).
Доклад посвящен обзору некоторых приемов машинного обучения, которые используются для решения этой задачи
Поиск признаков мошенничества в убытках по медицинскому страхованию / Василий...Ontico
РИТ++ 2017, секция ML + IoT + ИБ
Зал Белу-Оризонти, 5 июня, 18:00
Тезисы:
http://ritfest.ru/2017/abstracts/2800.html
В число задач страховых компаний (авто, страхование имущества, медицинское страхование) входит проверка оказанных (или запрашиваемых) убытков на соответствие условиям страхования. Зачастую данная задача выполняется в ручном режиме с привлечение экспертов. Данная работа неизбежно влечет издержки, а с ростом количества данных становится и вовсе невозможным проверять все убытки.
Среди российских компаний давно предпринимались попытки алгоритмизировать проверку убытков, но эффект от этого, как правило, не оправдывал ожиданий. Особенно трудно анализировать убытки в области добровольного медицинского страхования из-за сложности и нестандартизованности данной предметной области.
Страховая компания Allianz первой в России решила применить для этой цели технологии машинного обучения. На сегодняшний день создана пилотная версия системы автоматического поиска аномалий, обученная на результатах проверки экспертами за несколько последних лет. Результаты пилотных тестов показали перспективность дальнейших разработок.
Управление запасами является самой сложной и самой насущной задачей для предприятия. Неликвидные товары, неудовлетворенность спроса, недобросовестные поставщики и недостаток оборотных средств только усугубляют проблемы с планированием процесса закупок и логистики.
Deductor Demand Planning позволяет автоматизировать процесс оптимизации складских запасов: прогноз спроса, расчет оптимального страхового запаса, формирование автозаказа и прочее. Решение предназначено для торговых сетей, дистрибьюторов, складских комплексов и производственных компаний. Оно построено на базе аналитической платформы Deductor, которое имея развитые инструменты Data Mining, позволяет разработать полноценную цепочку оптимального формирования страховых запасов от выбора и сравнения подрядчиков до распределения продукции по сети.
Российский банковский сектор развивается высокими темпами. С каждым годом растет список услуг, предлагаемых кредитными организациями населению и бизнесу. Нарастающая конкуренция заставляет банки применять эффективные методики оценки заемщиков, сокращать время принятия решений, использовать аналитическую отчетность для выработки стратегических планов.
Решения на базе Deductor позволяют автоматизировать процессы выработки решений по клиентам банка, находить закономерности в огромных объемах данных и эффективно управлять рисками.
Deductor способен решить и другие задачи, актуальные для банков, кредитных брокеров и финансовых организаций: программы лояльности и кросс-продажи кредитных продуктов, управление портфелем ценных бумаг, выявление мошеннических схем, оценка прибыльности инвестиционных проектов, скоринг юридических лиц и многие другие.
Управление взаимоотношениями с клиентами (Customer Relationship Management, CRM) является важным элементом корпоративной стратегии большинства преприятий. Компании внедряют и активно используют CRM-системы, но большинство подобных программ имеют слабые аналитические возможности и ориентированы на решение задач по сбору данных и автоматизации рутинных операций. В результате возникает парадоксальная ситуация - собрано много интересной и ценной информации о клиенте, но нет возможности превратить эти знания в конкурентные преимущества.
Для того чтобы получить пользу от собранной информации, не достаточно получить отчеты, необходимо находить закономерности в больших объемах данных и учитывать их при работе с клиентами. Целью применения подобных методов является "персонификация" работы с каждым потребителем, учет его интересов, предпочтений, возможностей.
Deductor - мощный инструмент для всеобъемлющего анализа клиентской базы: обладает развитыми инструментами кластеризации и классификации, позволяет оценить покупательский потенциал на основе разнообразных поведенческих характеристик клиентов.
Deductor содержит множество других механизмов, используемых для анализа клиентской базы: консолидация, отчетность, обогащение и очистка данных. При этом можно использовать как внутреннюю информацию, так и сведения из сторонних источников: рыночные тенденции, конкурентная среда, демографические параметры и информация о местоположении
Описание новых возможностей аналитической платформы Deductor 5.3: новые алгоритмы анализа, управление качеством данных, веб-сервисы (аналитика как сервис), Big Data.
Клиентская аналитика - методы принятия решенийLoginom
Подробно изложены простые и продвинутые методы бизнес-аналитики, направленные на повышение лояльности клиентов, минимизации оттока и увеличения отклика на предложения. Все методы привлечения клиентов могут быть реализованы на базе системы бизнес-аналитики Deductor.
Презентация с выступления Александра Максименюка 11 октября в Минске на конференции "Деловой интернет".
Тезисы:
- Цели анализа.
- Инструменты и методы анализа.
- Что Universal Analytics нам готовит?
- Варианты интеграции онлайн и оффлайн аналитики.
- Аналитика телефонных звонков, как частный пример отслеживания оффлайн конверсий.
Данный вебинар заинтересует специалистов по PR, маркетингу и рекламе, руководителей и специалистов отдела маркетинга агентств недвижимости, владельцев и администраторов тематических веб-ресурсов, а также всех тех, кто интересуется особенностями управления репутацией в сфере недвижимости.
Новые возможности сервиса МойСклад. Май-июнь 2015MoySklad
Презентация с вебинара от 09.07.2015 о новых возможностях сервиса МойСклад.
В программе вебинара:
- Новые показатели в карточке и справочнике контрагентов.
- Как анализировать клиентов? RFM-анализ и не только.
- Зачем нужна детализация в отчете «Прибыльность»?
- Экспорт платежных поручений для загрузки в банк-клиент.
Как выбирать оффер для работы, что зарабатывать:
— Ключевые показатели партнерских офферов
— Сравнение различных партнерских офферов. Анализ на основе открытой статистики
— Какой трафик и инструменты существуют и какие возможно эффективно использовать
— Реальные кейсы на примере гипермаркетов Сотмаркет, Е96, Ютинет
Александр Кулебякин, PayU, директор по маркетингу
С 1999 работает в сфере e-commerce.
До 2010 года занимал пост Руководителя отдела маркетинга в Softkey. В 2010 пришел в AllegroGroupRussia, где работал над выстраиванием маркетинговых процессов на Molotok.Ru. Позже занял должность Директора по развитию и разрабатывал стратегию продвижения проекта. С июня 2012 возглавляет отдел маркетинга в международной компании PayU.
Продвижение записей (скрытые записи) ВКонтакте в сервисе HiConversion: как сн...Hiconversion
Тезисы:
Создание, запуск, копирование и редактирование продвижения записей ВКонтакте;
Управление рекламными кампаниями - как выжигать трафик и удерживать постоянно CPA;
Анализ продвижения записей - правильный сплит-тест и оптимизация рекламных кампаний.
Ориентируясь только на инструменты онлайн-аналитики, мы теряем большое количество данных. Как анализировать покупки, которые происходят офлайн, если данные о них не попадают в системы аналитики?
Из презентации вы узнаете:
— О способах отслеживания различных офлайн-конверсий.
— О технологиях отслеживания звонков (call tracking).
Видеозапись открытого занятия «Инструменты отслеживания офлайн-конверсий» можно посмотреть здесь: http://bit.ly/1ev3ChE
- Почему клиенты в контексте стоят дорого?
- Как привести клиента с контекста правильно и недорого. Оптимизация, автоматизация и прочие хитрости увеличения конверсии в контекстной рекламе.
- Как довести пришедшего с рекламы клиента до покупки.
6. Атрибут Персона 1 Персона 2
ФИО Иванов Иван Иванович Иван Иванович
Адрес г. Рязань ул. Новая 53в
Телефон +7 (4912) 24-09-77
Дата рождения 1971 г. 15 декабря
E-mail ivanov@mail.ru ivanoff@gmail.com
Место работы BaseGroup Labs BGL
Источник CRM-система Facebook
Выборка данных: проблема
Это один
человек?
10. Проблема Вариант решения
Ошибки ввода Проверить по справочникам
Пропуски Интерполировать
Аномалии Срезать выбросы
Дубли Оставить одну запись
Противоречия Удалить записи
Очистка данных: решение
21. Data Mining – это процесс обнаружения
в 'сырых' данных
ранее неизвестных нетривиальных
практически полезных и
доступных интерпретации знаний,
необходимых для принятия решений
Data Mining
22. Кластеризация
Регрессия
Классификация
Ассоциативные
правила
Последовательные
шаблоны
Анализ временных
рядов
Анализ связей
Анализ отклонений
Классы задач Data Mining
30. Анализ рыночной корзины
Кросс-продажи (Cross-sale)
Повышение доходности (Up-sale)
Лучшее товарное предложение (Next
Best Offer)
Ассоциация: задачи
31. Выявление
зависимости, что
после события Х, с
определенной
вероятностью
наступит событие Y
Купил
• Принтер
• Бумага
Предложить
• Тонер
Последовательность
Спустя
некоторое
время
32. Предсказание переходов по сайту
Анализ отложенного спроса
Оптимизация работы службы
технической поддержки
Последовательность: задачи
41. До 70% потерь происходит по вине
персонала. Проблемная зона – касса:
Воровство и обман покупателей
Неправомерное использование скидок
Начисление баллов на бонусные карты
Мошенничество в рознице
42. Мошенничество – не только воровство,
но и осознанное нарушение
корпоративных правил работы:
Начисление баллов на свою карту
Использование служебной карты для
родственников и знакомых
Что такое мошенничество
43. Противодействия мошенничеству базируются на выявлении
последовательности подозрительных действий, оценке
вероятности обмана и расчете финансовых потерь:
Жесткие правила известных схем обмана
Частотный анализ действий
Аномальные выбросы во временных рядах
Анализ последовательности действий
Поиск подозрительных сочетаний
Кластеризация транзакций
Выявление мошенничества
49. Каждый день в мире
генерируется 1018 байт
информации
90% всех существующих
данных созданы за
последние 2 года
Каждый час Wal-Mart
генерирует данных в 170
раз больше объема данных
Библиотеки Конгресса США
Big
Data
Интернет
вещей
Социальные
сети
Мобильная
связь
Чеки
Логи
Обвал данных
50. Проблемы больших данных:
Volume – огромные объема данных
Velocity – высокая скорость генерации
новых данных
Variety – многообразие структурированных
и неструктурированных источников данных
Big Data
51. Мнение клиентов
Рекомендательные системы
Массовая кастомизация услуг
Противодействие оттоку
Борьба с мошшеничеством
Построение профилей клиентов
Потенциал Big Data
52. Ручная обработка огромных потоков
данных практически бесполезна.
Технологии Data Mining – реальный
способ извлечь ценные знания из Big
Data, превратив умение анализировать
данные в конкурентное преимущество.
Знания из данных