Operational Intelligence

Transkript

1 Operational Intelligence Eric Müller Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt werden!

2 Einleitung Operational Intelligence Architektur Advanced Analytics Outlook

3 Mitarbeitende - Informatik Zofingen 120 Bern 410 Insgesamt 530 Leistung Transaktionen (Mio/Jahr) ~1 100 E-Finance Kunden (Mio) 1.7 Spitzenwert Buchung(Trx./Sek.) Nutzdaten TB Zahlen und Fakten Applikationen / Teilapplikationen 2012 > 500

4 Internet (Public / CUG) Beratung (CRM / CI) Mobile Kartengeld (Debit, Kredit, FPOS) Analytik, Risk, Compliance Digital Commerce Filialen und Poststellen Informatiklösungen für selbständige Kundinnen und Kunden

5 Motivation zur Operational Intelligence Hypothese zu Fraud Management, AML, Embargo-Prüfung Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt werden!

6 Gestaltung von Fraud Lösungen Wie sollen wir weiterfahren? Online Online Anomalieerkennung Kanal Kartengeld Kartensicherheit Name Matching Entry- OKAUT OKAUT E-Finance E-Finance EPA EPA ISS ACQISS ACQ EDWH KOBE NAMA Server PostFinance OKAUT Entry- Server E-Finance Fraud-Detection Fraud-Detection Fraud-Detection Fraud-Detection Transaktionssicherheit ZV Weitere.. AML Weitere XYZ ACQ KUDA KOBE KOBE X EDWH Y YKOBE AML Fraud-Detection X Y Y TCS Core TCS Securities Fraud-Detection Fraud-Detection Fraud-Detection Fraud-Detection

7 Motivation Ähnliche fachliche Prozesse - Hoher IT & Analytik/Regel Anteil

8 Operational Intelligence Aufgaben Korrelation von Events Real-time Monitoring Real-time Situationserkennung Real-time Dashboards Branchen-/Themen-Spezifische Dashboards Ursachen-Analysen Zeitserien und Trendanalysen Multidimensionale Analysen

9 Infrastruktur Applikationen Daten

10 Operational Intelligence - Architektur Entwicklung eines Zielbild Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt werden!

11 Beispiel DKP Logisches Zielbild

12 Digital Operational Intelligence Channels Case- Management Rule- Management Statistics New Rules Action New Basic/Complex Complex Events Events Case Results Complex Event Actions, Decisions and Reaction Processing (CEP) (CEP and Ruleread Engine) Streams Short-Term Storage update update DWH Core Banking

13

14

15 Analytics in der Operational Intelligence Spielt Analytics eine Rolle? Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt werden!

16 Digital Operational Intelligence Channels Case- Management Rule- Management Statistics New Rules Action New Basic/Complex Complex Events Events Case Results Complex Event Actions, Decisions and Reaction Processing (CEP) (CEP and Ruleread Engine) Streams Short-Term Storage update? update DWH Core Banking

17 Advanced Analytics Experten Wissen Domänen Know How Intuition Trial and Error Fokus: Finden akzeptabler Lösung Lernen durch Analyse Daten getrieben Grosse Datenräume Erstellt mathematische Modelle Analytik treibt Entscheidungen Fokus: Finden der optimalen Lösung

18 Analytics im Fraud-Umfeld Ausgangslage: Data Science auf bestehenden Transaktionsdaten Aus Data Science (Advanced Analytics) Analysen wissen wir, dass das Transaktionsverhalten bis zu einem gewissen Grad vorhersagbar ist. Hypothese: Abweichungen wie z.b. Fraud können analytisch erkannt werden Vorgehen: Integration der Fraud-Daten (True Positives, False Positives, False Negatives, True Negatives) in Mining Umfeld (Hadoop / Oracle) Machine Learning auf diesen Daten mit IBM SPSS Evaluation der Modelle

19 Analytics im Fraud-Umfeld Datengrundlage Alert F d u a r Keine Auffälligkeit

20 Analytics im Fraud-Umfeld Machine Learning Resultate 1/2: Modell (das Prinzip) Land Vermögenswerte Vermögenswerte Konto Art Konto Art Anzahl TRX Anzahl TRX Fraud = NEIN Fraud = JA Fraud = NEIN Fraud = JA

21 Analytics im Fraud-Umfeld Konklusion: Chancen und Risiken Chancen: Die Ergebnisse sind besser als erwartet Bisher nur wenige Algorithmen angewendet Eine Kombination aus Regeln und Modellen kann die Anzahl der Alerts reduzieren Es macht Sinn komplexere Modelle zu entwickeln Risiken: Eine Erfolgskontrolle über längeren Zeitraum ausstehend Die Modelle sind noch nicht so ausgereift, dass man sie produktiv stellen könnte

22 Outlook Wie geht es weiter? Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt werden!

23 Outlook Wie geht es weiter Aufbau einer Operational Intelligence Plattform für Anomalieerkennung im Onlinekanal Transaktionsmonitoring im Core Banking Aufbau eines zentralen Case Managements Priorisierungsmodell z.b. für RT und Express Zahlungen Prüfung weiterer Use-Cases (AML, Embargo Listen )

24 Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt werden! Zu guter Letzt

25 Daten beinhalten Informationen Geldbezüge am Postomat Informatik Transaktionen?? Normaler Postomat Verarbeitungstag Bundesratswahl Fussball WM Final h 1200h 1800h 2400h

26 Kontakt: oder auf LinkedIn Wenn Sie diesen Text lesen können, müssen Sie die Folie im Post-Menü mit der Funktion «Folie einfügen» erneut einfügen. Sonst kann kein Bild hinter die Fläche gelegt werden!