2. ‘TXN ANALYTICS’
POS Verilerinin İşlenerek Zenginleştirilmesi ve
İşletmelere İçgörüye Dayalı Hizmetler Sunulması
Temmuz 2015
Altan Atabarut vF
2
3. Altdata Hakkında
Hedeflenen İş Problemleri ve Fırsatlar
TXN Veri Analitiği Yaklaşımımız
Karşılaştırma
Planlama
3
4. İsmimiz ‘Alternative Data’ teriminin kısaltması olarak türetilmiştir.
Hedefimiz işletmelerin büyüme ihtiyaçlarına yenilikçi ve yaratıcı kantitatif
yaklaşımlar geliştirmek, farklı iç ve dış veri kaynaklarının entegrasyonuyla daha
zengin içgörülere ulaşmaktır.
Ticari başarınızı artırmak ve verimliliği, yenilikçiliği sürdürülebilir kılmak adına
sunmakta olduğumuz hizmetler aşağıda sıralanmaktadır;
Altdata Hakkında
Şirketimiz yenilikçi ve yaratıcı kantitatif yaklaşımlarla analitik danışmanlık,
iş geliştirme, eğitim ve yönetilen hizmetler sunmaktadır
Yönetim danışmanlığı
İş geliştirme hizmetleri
Yetkinlik geliştirme, sınıf içi ve uzaktan eğitimler
‘Managed Services’
5. Altdata Hakkında
Hedeflenen İş Problemleri ve Fırsatlar
TXN Veri Analitiği Yaklaşımımız
Karşılaştırma
Planlama
5
6. Hedeflenen İş Problemi – Mevcut Durum
POS Cihazları, Sanal POS işlemleri ve Kredi/Debit kart kullanımları
‘Big Data’ olarak tabir edilebilecek ölçekte ham veri üretmektedir...
Türkiye’de 50 milyon tekil kredi ve debit kart
sahibi 155 milon karttan aylık yaklaşık 200
millyon alışveriş işlemi gerçekleşmekte.
Bu işlemler de 2,3 millyon farklı POS
cihazı ‘points of sale device’ tarafından
iletilmektedir.
Türkiye’deki 52 bankadan en büyük ödeme
sistemleri sahibi ilk 3 bankadan her biri bu
işlemlerin yaklaşık %20’sini izleyebilmektedir.
...
7. Hedeflenen İş Problemi – Problemler ve Fırsatlar (1/2)
POS Cihazları mevcut kullanımları itibari ile Internet 1.0’ı anımsatmakta
KOBİ’lerden, bankaya doğru tek yönlü bilgi akışı söz konusu olmaktadır...
Veri akışı Küçük’ten
Büyük ölçeğe kadar tüm
işletmelerden Banka’lara
doğru olmaktadır
Bankalar bu büyük miktarda veriyi klasik RDBMS
sistemleri ile işlemekte zorlanmakta, toplam gelir,
harcama kalemlerinin ortalama büyüklüğü (ticket size)
gibi toplulaştırılmış bilgileri analiz edebilmektedirler.
Fırsat: POS verisinin zenginleştirimesi sayesinde Bankası elde edilen içgörüleri KOBİ’lere
geri beselenerek paraya çevirebilecektir;
Analitik birikimi olmayan KOBİ’ler
Müşterilerini demografilerine göre ‘kümeleyecek’ – Demographic Segmentasyon
Alışveriş davranışlarına göre ‘tanıyacak’ – Behavioural Segmentasyon
Skorlayarak ‘propensite’ / ‘uplift’ hesaplayacak
‘Sadakat’ programları düzenleyecek, şirket altyapısı üzerinden e-mail, sms, mms veya
akıllı telefon uygulamaları ile müşterilerine kampanya yapabilecek.
KOBİ’lere İçgörü hizmetleri web tabanlı olarak sunulabilecektir.
8. Hedeflenen İş Problemi – Problemler ve Fırsatlar (2/2)
Büyük kart harcama verileri mecburen toplulaştırılmakta ve bireyler
hakkında edinilebilecek bir çok gerçek zamanlı iç görü kaybedilmektedir...
Müşteri alışverişleri, tutar
ve MCC kodu itibari ile
toplulaştırılarak takip
edilmektedir.
Bankalar bu büyük miktarda kişi bazında veriyi
ancak anlık kampanya maksatlı (EVAM) veya
toplulaştırarak ekstre, mil, puan takibinde
kullanmaktadır.
Fırsat: Kart verisinin zenginleştirimesi sayesinde , müşterilerinin finansal durumlarını,
mevcut hayat şartlarını ve finansal döngüdeki yerlerini sürekli takip edebilecektir;
Banka yenilikçi ve gerçek zamanlı analitik uygulamalarla tüm müşterilerini;
harcama alışkanlıklarına göre ‘ davranışsal kümeleyecek’ – Behavioural Segmentasyon
Daha detaylı risk analizi ve anlık risk skorlaması yapabilecek
POS’larından geçen rakip banka kart sahiplerinin gelirlerini (Income) ve
rakip banka kart sahiplerinin toplam varlıklarını tahmin edebilecek (Asset Size)
Markalara yakınlıklarını, sadakat skorlarını, SoW (Share of Wallet) ve
Pazarlamalara geri dönüş ihtimallerini gün/saat/lokasyon bazında hesaplayabilecektir.
9. Altdata Hakkında
Hedeflenen İş Problemleri ve Fırsatlar
TXN Veri Analitiği Yaklaşımımız
Karşılaştırma
Planlama
9
10. TXN Veri Analitiği Yaklaşımımız (1/3)
Bizce POS verisini zenginleştirip KOBİ’lere sunmak, Internet 2.0’a benzer
bveri paylaşımı platformu yaratarak ürüne dönüştürmek anlamlı olacaktır...
Tüm işlemsel hareketler
Mersis bazında, MCC
kodları, POS coğrafi
lokasyonları, İşletme
firmografileri ile alışveriş
müşterisi demografileri, KKB
skorları ve finansal veriler
bazında Hadoop
kümelerinde depolanacak
POS verileri işlenerek işletme bazında;
Satışlarınların trendi, dönemsellikler
Müşteri ve işlem adedi öngörüleri (Forecast)
Gelen müşteri demografisi (Segmentasyon)
Sıklıkla hangi işletmeden geldikleri
Sıklıkla hangi işletmeye gittikleri
Ne sıklıkla ziyaret ettikler (Loyalty score)
Müşteri LTV değerleri
üzerinden kampanya düzenlenirse cevap
verme ihtimalleri (Response Rate)
Benzer işletmelerdeki durum (Peer analysis)
gibi iç görüler üretilebilecektir.
Bu iç görüler aynen web sayfası sahiplerinin Google Analytics’e baktığı
gibi KOBİ’lere ücreti mukabilinde sunulabilecektir. (Monetization)
11. İşletmeler için elde edilen içgörüler dikkate alındığında;
KOBİ müşterilerinin «churn» ihtimalleri
izlenebilecek,
İşletmeye gelen sürekli müşterilerin geliş
sıklıkları ve harcama tutarlarındaki değişimden
kalite yükseliş/düşüşü takip edilebilecek,
Belli bir sektör veya corağfi bölgede çeşitli
sebeplerle yaşanabilecek ekonomik sıkıntılar
izlenebilecek,
Banka tarafından kredi vermeme, verilen kredileri
çağırma veya daha iyisi yeniden yapılandırma
seçenekleri çok önceden masaya yatırılabilecektir.
TXN Veri Analitiği Yaklaşımımız (2/3)
POS verisi zenginleştirildiğinde bir yan çıktısı da Risk Yönetimi ve KOBİ
Tahsis birimleri için bir ‘Erken Uyarı Sistemi’ olacaktır.
12. Normalde Banka’ların kullandığı veriler yanında;
Harcama tipi (MCC kodu bazında)
Zamanı (mevsim/haftaiçi/haftasonu/saat
bazında), Harcama sırası (yemekten sonra tatlı
gibi.) ve
İşlem lokasyonu (taksim > asmalımescit >
karaköy vb.) izlenebilecek,
Bireysel ve Eşlerin risk skoru
Ortalama gelir (Income Insight)
Ortalama gider (Expenditure Insight)
Kullanılabilir gelir (Disposable Income Level)
Toplam varlık (Asset Insight)
Marka Bazında Propensite (In-the-market)
TXN Veri Analitiği Yaklaşımımız (3/3)
Kişi harcama davranışları zenginleştirildiğinde ise Bireysel kredi tahsis ve
MİYPA – CRM birimleri için çok önemli girdiler elde edilebilecektir...
13. Altdata Hakkında
Hedeflenen İş Problemleri ve Fırsatlar
TXN Veri Analitiği Yaklaşımımız
Karşılaştırma
Planlama
13
14. Karşılaştırma
14
Dünya’dan Örnek Girişimler ile Karşılaştırma
Kartlı ödeme sistemleri
POS analitiği
Sadece işletmeye gelen kartlarla ilgili
iç görüler sunabiliyor. Gelen
müşterinin demografisi, finansalları,
şirketin firmografisi bilinemiyor.
15. Kartlı ödeme sistemleri,
Kart bazında analitik
(Issuer değil)
Karşılaştırma
15
Dünya’dan Örnek Girişimler ile Karşılaştırma
Kartlı ödeme sistemleri
POS analitiği
Hem kartlarla ilgili temel iç görüler
hem de diğer işletmelere ilişkin
bilgiler sunulabiliyor. Gelen
müşterinin demografisi, finansalları,
işletme firmografisi bilinemiyor.
16. Kartlı ödeme sistemleri,
POS altyapısı ve
Bireysel kulanıcı
analitiği (Issuer)
Kartlı ödeme sistemleri,
Kart bazında analitik
(Issuer değil)
Karşılaştırma
16
Dünya’dan Örnek Girişimler ile Karşılaştırma
Kartlı ödeme sistemleri
POS analitiği
Sadece işletmelere gelen
müşterilerle ilgili temel iç görüler
sunabiliyor. Gelen müşterinin
demografisi bilinebiliyor, finansalları
ve şirket firmografisi bilinemiyor.
17. Hem kartlı ödeme sistemleri
hem POS altyapısı, hem kart
hem de bireysel kullanıcı
bazında veri analitiği yapısı,
Bankacılık bilgileri, KKB vb.
Kartlı ödeme sistemleri,
POS altyapısı ve
Bireysel kulanıcı
analitiği (Issuer)
Kartlı ödeme sistemleri,
Kart bazında analitik
(Issuer değil)
Karşılaştırma
17
Dünya’dan Örnek Girişimler ile Karşılaştırma
Kartlı ödeme sistemleri
POS analitiği
Hem kart hem kişi hem de firmalar,
hem ödemeler hem de bankadaki
EFT, Havaleler, varlıklar, gelirler
bazında görülebiliyor
Bankalar
18. Altdata Hakkında
Hedeflenen İş Problemleri ve Fırsatlar
POS Veri Analitiği Yaklaşımımız
Karşılaştırma
Planlama
18
19. Planlama
19
Projenin Üst Düzey Planlaması: Teknolojiler
R tabanlı
ve GUI
geliştirme
ortamı
Gerçek
Zamanlı
Analitik
Uygulamalar
Büyük Veri
Depolama
Seçim Kriteri:
Hızlı Hadoop entegrasyonu
ve RDBMS’ten hızlı aktarım
Seçim Kriteri:
Paralleleştirilmiş
Makine öğrenim
algoritmalarının gerçek
zamanlı kullanımı
Seçim Kriteri:
İş birimleri için öğrenim
süresi son derece kısa ve
görsel modelleme ve API
paketleme imkanları
20. Planlama
20
Projenin Üst Düzey Planlaması: Kaynak
Veri
Entegrasyonu
Zenginleştirme
Analitik
Modelleme
Ekibi
Altdata
Partner
Veri Tabanı
Ekibi
21. Planlama
21
Projenin Üst Düzey Planlaması: Zaman Planı
5 Haftalık
Hızlandırma
Programı
3 Ay süreli İnkübasyon
1,5 aylık 1.faz – Veri temini
ve altyapı PoC
3 Ay süreli İnkübasyon
1,5 aylık 2.faz – Analitik
uygulamakar ve API geliştirme
Eylül 2015 Kasım 2015 Aralık 2015Temmuz 2015
22. Altan is experienced in business development, management consultancy, marketing and risk
analytics, capital optimization.
His recent relevant experience includes:
Business Development Management for A Worldwide Decision Service Company in TR & ME
Collections Modeling and Capability Building for a regional Landline Giant, EMEA
Supporting a leading IT Services company in KSA to redesign business processes
Developing micro segmentation and potential value analytics for a leading retail bank in TR
– resulted in folded improvements in campaign response and take-up rates,
Providing marketing optimization workshops for a leading retail bank in EMEA
Data Fusion and structural modelling for a leading mobile telecom services provider in TR
Risk Mitigation optimization modeling & testing for , 2010-2011
– resulted in 20 mio USD freed up capital as of 2011,
Basel II ERP implementation and validation for Bank, 2010-2012
Academic background:
M.Sc. in Industrial Engineering from Middle East Technical University in Turkey, Ankara, 2008
B.Sc. in Mechanical Engineering from Yıldız Technical University in Turkey, Istanbul, 2003
Resume
Altan Atabarut, Co-Founder
23. ISTANBUL OFFICE
Phone +90 (537) 378 1581
Fax +90 (212) 244 1663
İnönü Cad. Ebe Hnm Sk. No:6/3 Beyoğlu
34427 İstanbul, TÜRKİYE
www.altdata.co
İnfo@aldata.co
23