Das Cortal Consors Data Warehouse als Information Hub - Geschäftsprozessunterstützung und Kundenservices im Cortal Consors Data Warehouse Ernst ...
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Das Cortal Consors Data Warehouse als Information Hub Geschäftsprozessunterstützung und Kundenservices im Cortal Consors Data Warehouse Ernst Heller Cortal Consors S.A., Zweigniederlassung Deutschland
Cortal Consors in Europa
Als beratende Direktbank besetzen wir
eine Führungsposition in Europa
Vertreten in fünf Ländern:
Belgien, Deutschland, Frankreich,
Luxemburg, Spanien
über 1,2 Mio. Kunden in Europa*
über 13,8 Mio. Wertpapiertransaktionen*
(davon 9,0 Mio. in Deutschland)
über 35 Mrd. Euro Depot- und Anlagevolumen*
(davon ca. 14,8 Mrd. Euro in Deutschland)
1.504 Mitarbeiter*
Einheitliche europäische IT-Struktur
Cortal Consors S.A. ist ein Unternehmen
der BNP Paribas
* Stand 31.12.2007, Trades incl. Sparplantrades
2
Cortal Consors in Deutschland
Nürnberg ist Sitz von Cortal Consors Deutschland
einschließlich zentraler und dezentraler IT-Einheiten,
der Kundenbetreuung und der kompletten
Wertpapier- und Bankingabwicklung
über 625.000 Kunden*
9,0 Mio. Wertpapiertransaktionen* Nürnberg
14,8 Mrd. Euro Depot- und Anlagevolumen*
über 750 Mio. Seitenabrufe in 2007 auf
der deutschen Website/Finanzseite
Größter Standort von Cortal Consors in Europa (über 730 Mitarbeiter)
Sitz der Leitung der IT der Gesamtgruppe
Größter Standort von Retail-Business der BNP Paribas Gruppe in Deutschland
* Stand 31.12.2007
3
Historie des Cortal Consors Data Warehouse:
Interne und externe Kundenservices von Anfang an
1999 Start des Data Warehouse Projekts
2000
2001 Roll out erstes nationales Release
Roll out zweites nationales Release
2002 Data Mart „Kampanenmanagement“ DE
Kundenservice „Orderdaten“
2003
Generalisierung des Datenmodells
2004 Data Mart „Kampagnenmanagement“ FR
Erstes internationales Release
2005
Zweites internationales Release DAta Warehouse
2006 „Anti Money Laundering“ MLD 2 for
Kundenservice „Personal Investment Report“
2007 INtelligence
Generisches Produktdatenmodell and
2008 Erweiterung „Personal Investment Report“
Customer Interaction
2009
Erweiterung „Anti Money Laundering“ MLD 3
…
4
Erfolgsfaktoren
Datenmodell: International einheitliche Baseline
Quellsystemunabhängige,
geschäftsprozessorientierte
Datenmodellierung
Internationale Abstimmung bei größeren
Entwicklungsprojekten
Auslagerung länderspezifischer
Besonderheiten (Hub -> Spoke) falls notwendig
Voraussetzungen:
Internationale IT Organisation
Internationaler Entwicklungsprozess
International einheitliche Systemlandschaft
Einheitliches, zumindest gemeinsames
Geschäftmodell
5
Erfolgsfaktoren.
Datenmodell: Generischer Modellierungsansatz.
Ausgangssituation: Deposit Type Account Status
PK DT_ID PK AS_ID
Hohe Dynamik des geschäftlichen Umfelds DT_DSC Deposit AS_DSC
und externes Wachstum führt zu DT_...
PK D_IT
AS_...
beschleunigtem Anpassungsbedarf in Deposit Status FK1
D_DSC
DT_ID
Deposit Balance Account Balance
Account
analytischen Systemen und zu verstärkter PK DS_ID
FK2 DS_ID
D_...
AB_ID
PK A_IT
DB_ID
Nachfrage nach flexibler Erweiterbarkeit DS_DSC
DS_...
DB_Fact_1
DB_Fact_2
AB_Fact_1
AB_Fact_2
A_DSC
A_...
FK1 D_IT FK1 A_IT
Dem stehen begrenzte IT Ressourcen und FK1 AS_ID
Budgets gegenüber.
Alternativen: Generalisierung
Allgemeingültig generisches DM vs.
Spezialisiertes (teil-)generisches DM Deposit Status Deposit Type
Zukauf vs. Eigenentwicklung PK DS_ID PK DT_ID
Deposit Balance
DS_DSC DT_DSC
DS_... DT_...
DB_ID
DB_Fact_1
Entscheidung: PK
Deposit
D_IT
FK1
DB_Fact_2
D_IT
Schrittweise Generalisierung des FK1
D_DSC
DT_ID
Account Status
PK
Account
A_IT
Account Balance
bestehenden Modells in Eigenentwicklung
PK AS_ID
FK2 DS_ID
FK3 PI_ID A_DSC
AS_DSC AB_ID
D_... FK1 AS_ID
AS_... AB_Fact_1
FK2 PI_ID
AB_Fact_2
A_...
FK1 A_IT
Product Product Instance Product Balance
PK P_ID PK PI_ID
P_DSC PI_DSC PB_ID
P_... FK1 P_ID PB_Fact_1
PI_... PB_Fact_2
FK1 PI_ID
6
Erfolgsfaktoren.
Integration von DWH-, CRM- und ECM-System
Analyse der Fachanforderungen
über den gesamten
Data Warehouse Lebenszyklus:
Beispiele für Effizienzgewinn durch Integration:
Kampagnenmanagement:
Integration von DWH-Kamagnenanalyse,
Kampagnensteuerung, operativem CRM und
Erfolgskontrolle
Anti Money Laundering Workflow:
Integration von DWH-Szenarienanalyse,
Risikoklassifizierung, operativem CRM, Workflow-
Tool und Analyse potentieller Treffer
Data Integration Platform
7
Anwendung: Closed Loop CRM
für Kampagnenmanagement
Kundensegmentierung
und Zielgruppen-
vorselektion
Data
Data Warehouse Data Warehouse Data Mining
Ware-
Data
house
Mining
Data
Ware-
Verfeinerung der
Messung des house Kam-
Zielgruppen-
Kampagnenerfolgs pagnen
manage- selektion
ment
Operatives
CRM
Operatives
CRM
Website/
Mailer
Ansteuern der
Kampagnen-
Operatives CRM maßnahme Campaign Management
8
Anwendung: Closed Loop CRM
für Kampagnenmanagement - Beispiel
Beispiel eines
Zielgruppenselektionsbaums
9
Architektur
Hub and Spoke
Performance- und Anti Money Laundering
Risikodaten Data Mart
Performance- Geldwäscheszenarien
B2B Standard-
kennzahlen auf Monats- und prüfrelevante schnittstelle
Kampagnen-Data Mart und Jahresebene Ereignisse Standardisierte
Volatilitätskennzahlen Datenbasis für AML Schnittstelle für
~900 Kennzahlen für Vermögensverwalter,
Kampagnenplanung Datenbasis für Personal Workflow
Fondsvermittler,
und Analyse Investment Report
Vermögensberater
Datenbasis für Datenbasis für
Kampagnen- Portfoliooptimierungs-
managementsystem Tools und Portfolio-
managementsoftware
von B2B Partnern
Single Source of Truth
10Architektur
Toolauswahl: Best of Breed
Plattform- und herstellerunabhängige Auswahl der am
besten geeigneten Technologie, Architektur und
Softwarekomponenten unter Berücksichtigung
optimaler Integrationsfähigkeit.
(RDBMS)
Skalierbare, etablierte stabile Plattform, Support
Nachholbedarf bei Innovationen
im vgl. zu Wettbewerbern
Integrierte Plattform, leistungsfähige Engine
Enduser-Komplexität, Preismodell, Lizenzmodell
Benchmark in statistischer Analyse und Data Mining
Offenheit der Architektur, Lizenzmodell
Interaktive Visualisierung, Enduser Ad-hoc Analyse
Performance, Skalierbarkeit
Kampagnenmanagement & Business Rule Modeling
Spezielle Anwendungsszenarien
11Kundenservices:
Personal Investment Report
Der Personal Investment Report
Monatliche Übersicht über die
Entwicklung der Depotwerte
bei Cortal Consors.
In zwei Teile gegliedert:
Monatsreport und
Jahresreport.
Berechnung der monatlichen
und jährlichen Performance
bereinigt um
Kapitalmaßnahmen.
Ermittlung von
Risikokennziffern auf Basis
der 30- und 360-Tage
Volatilität
Architektur:
Generierung der Performance und Risikokennzahlen mittels PL/SQL Package (massive Parallelisierung, Caching)
Generierung von 400.000 bis 500.000 kundenindividuellen PDF Dokumenten mittels Document Processing Framework (Java)
Mass Customization!
12Cortal Consors Orderdaten
Die Cortal Consors Orderdaten
Übersicht über die vom
Kunden jährlich
durchgeführten
Wertpapiertransaktionen.
Schnittstellen für Orderdaten
in Depotverwaltungstools
(z.B. WiSo Mein Geld)
Besonderheit
Sehr hohe Anforderungen an
die Datenqualität und
Vollständigkeit, gewährleistet
durch voneinander
unabhängige Verarbeitung
von unterschiedlichen
Quelldaten aus dem Backend.
Kostenpflichtiges Produkt!
13Herausforderungen
des Cortal Consors Data Warehouse Ansatzes
Granularität vs. Performance
Problem: Niedrige Granularität als Berechnungsbasis für Kundenservices notwendig. Niedrige
Granularität kann negative Auswirkungen auf Abfrageperformance haben.
Lösung: Zusätzliche Aggregate
Nachteil: Höhere Komplexität
Single Source of Truth vs. Data Security
Problem: Einheitlicher, konsolidierter Datenbestand für flexible Einsatzszenarien notwendig.
Herausforderung für Zugriffssicherheit und Datenschutz.
Lösung: Zusätzlicher Security Layer: Oracle Virtual Private Database; Access Logging
Nachteil: Höhere Komplexität; Performanceeffekte
Internationale Entwicklung vs. Time to Market
Problem: Zusätzlicher Abstimmungsbedarf auch in rein nationalen Entwicklungsprojekten
Lösung: Generischer Datenmodellierungsansatz
Nachteil: Höhere Komplexität
14Herausforderungen
des Cortal Consors Data Warehouse Ansatzes
Best of breed vs. "Kleintierzoo"
Problem: Jede weitere spezialisierte Applikation bringt erhöhten
Betriebs- und Wartungsaufwand mit sich.
Lösung: Standardisiertes Vorgehensmodell vor der Investitionsentscheidung außerhalb von IT und
Fachbereich: TCO und ROI Betrachtung vor der Toolentscheidung
Nachteil: Ggf. langwierige Entscheidungsprozesse; Komplexe IT Landschaft
Flexibilität vs. Komplexität
Problem: Hoher Grad der Flexibilität und Integration führt automatisch zu Komplexität
Lösung: Keine
Aber Erfahrung zeigt: Komplexität ist handhabbar.
15Last but not least
Danke für Ihre Aufmerksamkeit!
Fragen?
Diskussionsbedarf?
Gerne!
Ernst Heller
Cortal Consors S.A.
IT Development
Data Warehouse
E-Mail: ernst.heller@cortalconsors.de
16Sie können auch lesen
