Корпоративные бизнес-системы, в том числе в отрасли финансов, генерируют большие объемы информации. Однако еще больше данных о своих клиентах банки и финансовые компании получают из других источников, таких как интернет-браузинг, социальные и телекоммуникационные сети, взаимодействие на веб-сайтах, ритейл и пр. Традиционные методы интеллектуального анализа информации о клиентах не предназначены для работы с этими новыми "неструктурированными" данными (т.е. полученными из разных источников и в разных форматах), поэтому банки упускают возможности получения ценной информации, которую можно было бы использовать для повышения прибыльности.
Жизненный цикл данных в корпоративных ИТ-системах финансовой отрасли состоит из 4-х основных циклов: получение данных, интеграция данных, хранение и обработка данных, и – самое важное – извлечение нужных данных (data mining) из огромного массива.
Какие же проблемы возникают у банков с связи с этой волной разнообразных данных, которые принято называть "большие данные" (Big Data)? Под словом "большие" понимается не только (и не столько) объем этих данных: сколько их разнородность их источников, которые могут быть самые разнообразные: данные транзакций по кредитной карте, данные мобильного банкинга, интернет-банкинга, данные по расходованию кредитных средств, данные по розничным покупкам и продажам и даже данные по оплате штрафов за парковку или превышение скорости, и многое другое.
Традиционные системы бизнес-аналитики ориентированы, в основном, на структурированные данные (банковские транзакции, работа с банкоматом, покупки по карте и пр.), а "большие данные" - как раз неструктурированные, т.е. имеют разный формат и источники. Однако, для бизнеса они имеют не меньшую ценность.
Как интегрировать их в единой системе анализа? Традиционные системы BI (Business Intelligence) имеют небольшую масштабируемость, высокую стоимость расширения, невысокую скорость обработки запросов и анализа.
Для обработки "больших данных" требуются распределенные системы хранения и обработка данных в реальном времени. При помощи анализа можно получить ценную информацию о тенденциях финансового рынка, например, о стремлении клиентов контролировать состояние счетов в реальном времени, о повышении спроса на небольшие краткосрочные кредиты, об инвестициях в ценные металлы, о стремлении к покупкам люксовых товаров, и о многом другом.
Традиционные способы получения данных (data mining), на основе экспертных систем, имеют очень низкую точность. Например, из тысяч рекомендованных клиентов для предложения финансового продукта лишь несколько десятков оказываются целевыми.
В системах анализа больших данных релевантность извлекаемой информации гораздо выше, и менеджеру банка не приходится копаться в "мусоре", чтобы получить, то что требуется.
Именно такой системой анализа является система анализа "больших данных" FusionInsight компании Huawei. Эта система на базе единой платформы может обрабатывать и анализировать "большие данные" не только банков, но и страховых компаний, фондовых бирж, хедж-фондов и других финансовых институтов. То есть, она может быть применена не только в каком-то банке или группе банков, а в крупных финансовых корпорациях, холдингах, объединяющих разнообразные финансовые институты, которые очень заинтересованы в интегрированной обработке данных своей клиентской базы.
В основе аналитической системы FusionInsight лежит общепринятый "движок" для подобных систем под названием Hadoop. Это альянс, объединяющий многих разработчиков аналитического ПО и сервис-провайдеров во всем мире. В сообществе Hadoop компания Huawei стоит на 4-м месте по количеству вкладов в разработки после компаний Cloudera, Hortonworks и Yahoo.
FusionInsight может значительно повысить эффективность работы банка и ускорить операции. Например, анализ поведения пользователя интернет-банкинга занимает 15 минут, вместо нескольких дней в традиционных экспертных системах, при глубине запроса в два года, вместо шести месяцев, проверка кредитоспособности клиента может занимать до 10 минут, вместо традиционных 15 дней, точноcть прецизионного маркетинга повышается с 18% до 95%.
FusionInsight уже имеет довольно обширную "историю успеха". Например, Банк международной коммерции Китая ICBC получает быструю информацию о транзакциях своих клиентов по логам Интернет-банкинга в более чем 500 филиалах во всем мире, которая позволяет осуществлять прецизионный маркетинг среди клиентов банка.
Среди других пользователей FusionInsight – такие крупные банки, как China Mecrhant Bank, Pingan Bank, China Contrcution Bank, а также крупнейшие в мире операторы связи China Mobile, China Unicom, а также PLDT (Philippine Long Distance Telephone).
