DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS. Θάνος Αγγελόπουλος

Transcript

1 DATA QUALITY & ANALYTICS DRIVING BUSINESS GROWTH AT YDROGIOS Θάνος Αγγελόπουλος

2

3 ΤΕΧΝΙΚΕΣ ΠΡΟΒΛΕΨΕΙΣ ΥΠΟΛΟΓΙΣΜΟΣ ΚΕΦΑΛΑΙΩΝ ORSA ΠΟΛΙΤΙΚΕΣ ΑΝΑΦΟΡΕΣ DATA POINT MODEL ΠΟΙΟΤΗΤΑ ΔΕΔΟΜΕΝΩΝ

4 Reserves Pricing Marketing Fraud Analytics Αύξηση Κερδοφορίας

5 ΛΟΓΙΚΗ ΑΡΧΙΤΕΚΤΟΝΙΚΗ

6 Data Quality Implementation Plan Act - Monitor Data Monitoring Data Cleansing Business Rules Monitoring

7 Data Monitoring Project Data Monitoring είναι η εκτενής ανάλυση της πληροφορίας που βρίσκεται στην βάση Αποτέλεσε το 1 ο Βήμα του Data Quality Καθόρισε το Data Cleansing Συμβόλαια Ζημιές Πελάτες Πράκτορες Profile Table Metrics : Uniqueness (unique counts) Patterns Minimum & Maximum Values Missing Values Profile Field Metrics: Standard Statistics Frequency Distribution Outliers Primary / Foreign Key Analysis

8 ΠΟΣΑ ΔΕΔΟΜΕΝΑ; ΠΟΣΑ ΕΤΗ; ΤΙ ΑΝΑΛΥΣΗ; ΠΟΣΑ ΑΤΟΜΑ; ΕΞΑΙΡΕΣΕΙΣ;

9 Data Monitoring Project Monitoring Αριθμού Κυκλοφορίας 300 διαφορετικά patterns Μόλις 20 οι εναλλακτικοί έγκυροι τρόποι γραφής

10 Data Monitoring Project Διευθύνσεις

11 Data Monitoring Project Διευθύνσεις

12 Data Monitoring Project Διευθύνσεις

13 Data Monitoring Project Διευθύνσεις

14 Data Cleansing Project Διαδικασία παρέμβασης στα δεδομένα με σκοπό τη βελτίωση της ποιότητας τους ώστε να μπορούν να χρησιμοποιηθούν στη λήψη αποφάσεων. Τα Επιχειρησιακά Δεδομένα είναι «βρώμικα» (dirty data) Αιτίες πολλές.. Κυρίως: User errors Ελλιπής καταχώρηση (missing values) Μετάπτωση δεδομένων System errors Συνηθέστερα Παραδείγματα Λάθους: Special Characters Latin Characters Συντμήσεις ονομάτων Missing Values (Null / Blanks)

15 Data Cleansing Project Εφαρμογή του Data Cleansing από την ΥΔΡΟΓΕΙΟ Συμβόλαια Ζημιές Πελάτες Πράκτορες Αριθμός Κυκλοφορίας Μάρκα Οχήματος Μοντέλο Οχήματος Διευθύνσεις Ταχυδρομικός Κωδικός Ονόματα Φύλο - Gender Analysis Τηλέφωνα Clustering σε πελάτες

16 Data Cleansing Project Τυποποίηση και Καθαρισμός Μάρκας Οχήματος

17 Business Rules Monitoring ΑΚΡΙΒΕΙΑ ΠΛΗΡΟΤΗΤΑ ΕΓΚΥΡΟΤΗΤΑ ΣΥΝΕΠΕΙΑ Περιγραφή του Έργου Στο πλαίσιο της διασφάλισης των ποιότητας των δεδομένων, η Υδρόγειος διενεργεί καθημερινούς ελέγχους στο σύνολο των εγγραφών που είτε δημιουργήθηκαν είτε τροποποιήθηκαν την προηγούμενη ημέρα Σκοπός του έργου αυτού είναι η διαπίστωση και διόρθωση λαθών οφειλόμενα σε χρήστες ή συστήματα καθώς και η επιβεβαίωση λειτουργίας των επιχειρησιακών δικλείδων ασφαλείας. Οι έλεγχοι βασίζονται σε λογικούς κανόνες που έχει θέσει η ίδια η εταιρεία και για κάθε εγγραφή που ελέγχεται τα πιθανά αποτελέσματα είναι η επιτυχία δηλαδή η εγγραφή να περάσει επιτυχώς τον κανόνα και η αποτυχία, η εγγραφή να παραβιάζει τον κανόνα.

18 Business Rules Monitoring ΑΚΡΙΒΕΙΑ ΠΛΗΡΟΤΗΤΑ ΕΓΚΥΡΟΤΗΤΑ ΣΥΝΕΠΕΙΑ Περιγραφή του Έργου Οι εγγραφές που δεν θα περάσουν κάποιο συγκεκριμένο κανόνα αποστέλλονται σε μορφή report καθημερινά σε συγκεκριμένους χρήστες που έχουν την αρμοδιότητα του ελέγχου και της διόρθωσης Οι έλεγχοι έχουν ιεραρχηθεί βάση σημαντικότητας ανάλογα με τη σπουδαιότητα της ελεγχόμενης πληροφορίας. Με αυτόν τον τρόπο το monitor καθίσταται ευκολότερο και πιο αποτελεσματικό. Οι έλεγχοι ομαδοποιούνται βάση της οντότητας στην οποία ανήκει η ελεγχόμενη πληροφορία. Ομοίως με τη διαδικασία καθαρισμού, οι οντότητες τα Συμβόλαια, οι Ζημιές, οι Πελάτες και οι Πράκτορες για τις οποίες υπεύθυνοι είναι αντίστοιχα τέσσερις ομάδες χρηστών

19 Business Rules Monitoring Business Rules που έχουν υλοποιηθεί Η Υδρόγειος έχει δημιουργήσει 175 επιχειρησιακούς κανόνες (Business Rules) Ενώ Νέοι επιχειρηματικοί κανόνες (Business Rules) δημιουργούνται συνεχώς βάση των συνεχώς αυξανόμενων αναγκών

20 Business Rules Project Πληροφορία που ελέγχεται: Ημερομηνίες Ποσά αποζημιώσεων & Αποθεμάτων Διάρκειες Στοιχεία Διευθύνσεων Αριθμοί Κυκλοφορίας Ονόματα ΑΦΜ Τηλέφωνα (Crucial) Flag Fields

21 Business Rules Monitoring Business Rules για τα Δεδομένα Συμβολαίων Παραδείγματα: Έλεγχος απόκλισης ημερομηνίας έκδοσης με έναρξη Έλεγχος Διάρκειας Συμβολαίων Έλεγχος αριθμού κυκλοφορίας ασφαλισμένου οχήματος Αποδεκτά pattern βάση χρήση οχήματος Έλεγχοι ίππων βάση χρήσης και μάρκας οχήματος Έλεγχος έκπτωσης ηλικίας βάση ηλικίας πελάτη Έλεγχος επ-ασφαλίστρου ηλικίας βάση ημερομηνία γέννησης και ημερομηνία διπλώματος πελάτη

22 Business Rules Monitoring Business Rules για τα Δεδομένα Ζημιών Παραδείγματα: Έλεγχος ενημέρωσης ένδειξης Σωματικής Βλάβης Χρησιμοποιείται τεχνική text mining καθώς και έλεγχος προβλέψεων Έλεγχος ορθής ενημέρωσης ένδειξης θανάτου για τις ζημιές με Σωματικές Βλάβες Χρησιμοποιείται τεχνική text mining καθώς και έλεγχος προβλέψεων Έλεγχος ημερομηνιών Ατυχήματος, Ανοίγματος Φακέλου, Αναγγελίας Ατύχημα<Δήλωση<Αναγγελία<Άνοιγμα Έλεγχος σε Ποσά Πρόβλεψης και Πληρωμών ως προς Ασφαλισμένο Κεφάλαιο Έλεγχος αλλαγής ομάδας ζημιάς Πχ ζημιά ΥΖ σε ΣΒ

23 Business Rules Monitoring Γραφική Απεικόνιση της πορείας των κανόνων

24 Data Management Διαχείριση & Παρακολούθηση των δεδομένων Μέτρηση της Ποιότητας τους στο χρόνο KPI s - VISUAL ANALYTICS

25 Reserves Pricing Marketing Fraud Analytics

26

27 Fraud and Analytics Πρωτοβουλίες 1. Which initiatives to improve fraud detection are already implemented in your company? 1. Which ones would you like to initiate over the next 3 years? (Accenture Study) Organization restructuring Training to improve employee skills Process changes Enhanced control mechanisms Overall improvement in customer service Improved data collection (internal and external) Improved support from IT Use of fraud modeling techniques to detect fraud 0% 10% 20% 30% 40% 50% 60% 70% 80% Currently Used Plan to use

28

29

30 ΒΗΜΑΤΑ ΥΛΟΠΟΙΗΣΗΣ Δεδομένα Ανίχνευση Ερευνα Διαχείριση Είναι όλα στην προετοιμασία Δομημένες πηγές δεδομένων Batch επεξεργασία Έλεγχος Ποιότητας δεδομένων Ολοκλήρωση δεδομένων Προχωρημένη δικτυακή σύνδεση Μοναδική υβριδική μέθοδος Επιχειρησιακοί Κανόνες Διάγνωση Ανωμαλειών Προγνωστικά Μοντέλα Έρευνα Βάσης Δεδομένων Ανάλυση Κοινωνικού Δικτύου Ανάληψη δράσης Διαστρωματική ταξινόμηση προειδοποιήσεων Εύκολο στη χρήση web interface Προχωρημένη αναζήτηση δεδομένων Ολοκλήρωση Συστήματος Αιτήσεων Αποζημείωσης Ολοκλήρωση Δ/σης Υποθέσεως Αυτο-διαχείριση Καταστολή προειδοποίησης Μορφοποίηση κανόνων Διαχείριση μοντέλου Champion challenger Διαχείριση ουράς προειδοποιήσεων Ανάλυση ροής εργασιών MI αναφορές

31 FRAUD ANALYTICS

32 ΒΑΘΜΟΛΟΓΙΑ BUSINESS RULES

33

34

35

36

37

38

39