Von Data Mining zu Integrated Analytics - Trends im europaweiten Consultinggeschäft

Data Mining Cup 2001 in Chemnitz Von Data Mining zu Integrated Analytics - Trends im europaweiten Consultinggeschäft Dr. Florian Heinitz Überblick 1 Aktueller Anwendungsfall: Erkennung von Geldwäsche 2 Erfahrungen bei der Vermarktung von Data Mining 3 Von reinen Data Mining zu iAnalytics Lösungen 4 Der Trend zu kompletten Suites für „aCRM in Echtzeit“ 5 Fazit 1 Akt. Anwendungsfall: Erkennung von Geldwäsche Vorgeschichte Í Hintergrund: Globalisierung + rasante technische Entwicklungen vs. Vorgaben des Gesetzgebers für Geldinstitute Í Indikatoren für Geldwäsche (z.B. Schweizer Richtlinie EBK-RS 98/1 ) Í Regelbasierte Systeme haben den Vorteil, dass das verwendete Expertenwissen begründbar ist, halten aber mit der stetigen Veränderung der kriminellen Methoden nicht mehr Schritt. Í Alternative: Einsatz von Data Mining Methoden zum Auffinden und unmittelbaren Wiedererkennen von Missbrauchsmustern in sehr großen Datenmengen 1 Akt. Anwendungsfall: Erkennung von Geldwäsche Probleme bei Money Laundering Detection (MLD) Í Geringe Häufigkeit (0,05 bis 0,1 % aller Transaktionen) bringt einen Mangel an wirklichen Trainingsdaten mit sich. Í Selbst für fast perfekt gelernte Muster sind die Praxisresultate ernüchternd: Bei 99 % akkurater Vorhersage werden so bei 40000 Transaktionen alle 20 illegitimen korrekt klassifiziert, jedoch vermutlich auch fast 400 legitime Transaktionen missklassifiziert. Í Die zu hohe “false positive rate” begrenzt das Vertrauen in das MLD System; als reines Frühwarnsystem verursacht es somit zusätzliche Kosten für Überprüfungen. 1 Akt. Anwendungsfall: Erkennung von Geldwäsche Erfüllung der Kundenanforderungen Fulfillment of Legal Gesetzes- Requirements vorgaben Echtzeit- Keine Unter- In Time No Daily Business Readiness bedingungen brechung der Disturbtion Alltagsabläufe Effektivität bei Effiziente Arbeit Effective derEfficient Ermittler der Detection Erkennung Work Of 1 Akt. Anwendungsfall: Erkennung von Geldwäsche Ablauf der Implementierung: Rudimentäres MLD with MS Access Client Client Bank’s MLD mit MS Access Phase I besteht in der Internet GLOBUS Implementierung elemen- Banking Engine tarer Regeln aus der Web Server Tatbestandsbeschreibung and Applications GLOBUS DB im Geldwäschegesetz. TIBCO Rendezvous Durch die Anwendung der Regeln auf die ODS-Daten Data Warehouse (operational data store) MS Access 1 werden verdächtige Trans- Client 2 ODS View ODS DDS aktionen herausgefiltert. 1 Akt. Anwendungsfall: Erkennung von Geldwäsche In Phase II werden Data Mining MLD Bank MLD Back Office Architekture Future Back-Office Architektur Methoden zur Generierung von Internet GLOBUS Regeln für Geldwäscheerkennung Banking Engine angewandt. Web Server and Applications GLOBUS DB Das Scoring-Modell wird auf Daten eines speziellen MLD Data Mart TIBCO Rendezvous angewandt, wobei auffällige Trans- aktionen markiert und anschließend Data Warehouse Data Mining durch Fachleute verifiziert werden. ODS DDS MLD Data Mart Data Mining Application 1 Deren Wissen wird in die Menge von Regeln einbezogen bzw. führt zur Suspect Transactions MLD Rules Überarbeitung des Regelwerks. 1 Akt. Anwendungsfall: Erkennung von Geldwäsche In Phase III liegen nun MLD Bank MLD Logical Architekture Future Logische Architektur verlässliche Erkennungs- GLOBUS MLD Service Internet regeln vor. Banking MLD Rules Engine Web Server and Es wird ein echtzeitfähiges Applications GLOBUS DB Suspect Transactions Geldwäscheerkennungs- 1 2 3 system implementiert, mit 4 TIBCO Rendezvous dem die betreffenden Transaktionen gestoppt Data Warehouse Data Mining oder zumindest einer Data Mining weiteren Beobachtung ODS DDS Data Mart Application zugeführt werden. 2 Erfahrungen bei der Vermarktung von Data Mining Typische Vorbehalte auf Kundenseite: Ó „Data Mining ist und bleibt eine akademische Disziplin.“ Ó Nur Spezialisten können mit den Ergebnissen etwas anfangen.“ Ó „Das was ich für mein Geschäft brauch‘, weiß ich längst.“ Ó „Data Mining ist kostspielig und besitzt einen zweifelhaften Nutzen.“ Ó „Data Mining setzt ein unternehmensweites Datawarehouse voraus.“ Zuweilen ist also viel Überzeugungsarbeit nötig... 2 Erfahrungen bei der Vermarktung von Data Mining Eigenheiten des Projektmanagements: $ Das ewige Problem der rechtzeitigen Verfügbarkeit qualitativ hochwertiger Daten (garbage in - garbage out!) $Typische Anforderung: Beschleunigte Anwendungsentwicklung (XAD) vs. spezielle Vorgehensmodelle wie CRISP-DM oder SEMMA $ Iterativer Ablauf, beginnend mit der Ungewissheit, was denn tatsächlich “in den Daten steckt”. $ A-Priori-Design von Anwendungssoftware, die auf die Modelle aufbaut, ist kompliziert; darf das Knowledge Discovery nicht einengen! 3 Von reinen Data Mining zu iAnalytics Lösungen Erkenntnis, was an der „Consulting-Front“ gut ankommt: Ñ Bei der Akquise: Nachweis exzellenter Branchenkenntnis / Referenzen Ñ Starte Data Mining auf einfachem Niveau, und zwar zielgruppenbezogen! Ñ Präferenz auf relativ gut operationalisierbaren Lösungen Ñ Der Wille des Kunden ist vorhanden, wenn man ihn an Erfolge heranführt. Ñ Oft ist es besser, auf ein wirkliches “Active Warehousing“ hinzuarbeiten, als die letzten 10% aus einem Algorithmus herauszuholen. 3 Von reinen Data Mining zu iAnalytics Lösungen Erfolgsfaktoren für Data Mining Projekte ‚ Wie bei Datawarehouse-Projekten gilt: Erfolgreich sind die Anwendungen, die intensiv & sinnvoll genutzt und selbständig weiter- entwickelt werden (Operationalisierung; regelmäßige Modellanpassungen bzw. Neuschätzungen ⇔ Marktdynamik) ‚ Rascher Nutzen durch Kanalisierung der Analyse- / Prognose- ergebnisse zu geschäftskritischen Prozessen und entsprechender Anwendersoftware (z.B. CRM: Vertriebsautomatisierung, Kampagnenmanagement, Kundenkontaktzentren) 3 Von reinen Data Mining zu iAnalytics Lösungen Heutige BI Lösungen meistern den Zugriff auf die relevanten Daten, sind in der Lage diese in Geschäftskritische Information zu transformieren und interessierten Anwendern zugänglich zu machen..