Engineered system: Techniek, organisatie & gebruik

Transcriptie

1 Engineered system: Techniek, organisatie & gebruik Door Sébastien Oldenbroek NL Oracle User Group - 17 augustus 2017

2 Introductie Wie ben ik? Opleiding TU Delft / Universiteit Leiden Bachelor Molecular Science & Technology Master Chemistry Werk Delta Lloyd Gestart in 2015 Functie: IT Management trainee Verandering Nu: Onderdeel van NN-group Sébastien Oldenbroek - Projectleider Implementatie Data Lake Delta Lloyd Group merken en activiteiten OHRA Particuliere klanten Schadeverzekeringen Zorgverzekeringen Delta Lloyd Particuliere en zakelijke klanten Schadeverzekeringen Zorgverzekeringen Levensverzekeringen Pensioenen Asset Management Bank (hoofdzakelijk hypotheken) ABN AMRO Verzekeringen Particuliere en zakelijke klanten Joint Venture met ABN AMRO Bank Schadeverzekeringen Levensverzekeringen BeFrank Premium Pension Institution (PPI) Engelse en Nederlandse klantbediening Alleen pensioenen, online

3 Agenda 1) Techniek / Data Lake Aanleiding en doel Exadata & BDA Projectverloop 3) Use cases Data Lineage voor Solvency II model Werkgeversrapportage Productanalyse 2) Organisatie Bottom-up aanpak Verschil IT & Business Traditionele en big data wereld Virtueel data team CRISP-DM Oracle Workshops 4) Conclusie en vervolg Lessons learned Vervolgstappen

4 [1] Aanleiding en doel Aanleiding Groepsstrategie Become data driven IT enabler Data Lake Centraal data platform om een data gedreven organisatie te bevorderen Doel Eén centrale plek voor data-onderzoek Eén platform dat meerdere groepen voorziet in data en tooling: o o o o Actuariaat Data scientists Data analisten Self-service BI (Near-) Realtime bronnen beschikbaar stellen voor onderzoek en berekeningen Data snel kunnen ontsluiten met één waarheid Business naam Data Lake Become Data Driven

5 [1] Exadata & BDA Wat hebben we aan hardware? - BDA 1 stuks 6 nodes (starterpack) Cloudera & Oracle tooling - Exadata 2 stuks Engineerd system Ecosysteem o Sluit goed op elkaar aan o Eenvoudig en snel data heen en weer pompen (BDSQL etc.) o Veel rekenkracht en grote opslag capaciteit Exadata o Biedt hoge mate van security en high availability o Stabiele omgeving voor data warehousing BDA o Flexibele omgeving voor experimenten Diversiteit aan tooling o

6 [1] Project verloop Start Oktober 2016: Start project implementatie Data Lake December 2016: Start configuratie tooling, launching customer Januari 2017: Eerste tooling werkend Mei 2017: Basis set tooling werkend en workshops gegeven Juli 2017: Gereed voor volgende klant Beren op de weg Geen Chief Data Officer Laag intern besef van data Beperkt budget Lage prioriteit management

7 [2] Bottom-up aanpak Start klein 1 interne klant Basis set aan tools Samen ontdekken Launching customer, commerciële divisie Case: Data Lake i.p.v. nieuw DataWareHouse bouwen Basisfunctionaliteiten getest Eerste use case schadeverzekeringen Implementatie Configuratie Gebruik tools Governance Spelregels General Data Protection Regulation (GDPR) Gaande weg uitbouwen i.p.v. big design up front Architectuur Architectuur voor data, hardware etc. Gaande weg uitbouwen i.p.v. big design up front Extra beren op de weg Nieuwe technologie Data = abstract begrip 2 werelden -> Voorbeelden

8 [2] IT & Business

9 [2] IT & Business

10 [2] IT & Business

11 [2] Traditionele wereld Traditionele BI Rapporten definiëren Data verzamelen Rapportages maken Hoe werkt dat? Er is samenwerking Afstand is mogelijk Gesloten vragen U vraagt, wij draaien

12 [2] Big Data wereld Analytics Onderzoeksopdracht definiëren Data verzamelen Data exploreren Hypotheses toetsen Hoe werkt dat? Data centraal stellen Samenwerking is onvermijdelijk o IT heeft hulp van business nodig o Business heeft hulp van IT nodig o Afwijking, interessant of kwaliteitsprobleem? o Nieuwe, onverwachte inzichten Afstand is onmogelijk Open vragen Praktische aanpak Virtueel Data Team

13 [2] Virtual Data Team Klein beginnen X full time team V 1-2 dagen per week Team filosofie Hou het simpel (onderzoek) Begrijp elkaar (IT & Business) Manage verwachtingen Eigen succes verhalen inspireren anderen Hoe werkt het team? CRISP-DM = Cross Industry Standard Process for Data Mining Wekelijkse stand-up Bevorderen data-onderzoek Regel: Alleen use cases die aangedragen worden door de business

14 [2] CRISP-DM werkwijze Business begrijpen Data begrijpen Data prepareren Modelleren / analyse Evaluatie Productie model/oplossing Time 80% 20% Nieuw project

15 [2]Oracle Workshops BDA tooling Onderwerpen Big Data Discovery Spatial Graph Oracle R Advanced Analytics for Hadoop (ORAAH) Big Data SQL Doelgroep Eerste interne klant Mix van data scientists & data analisten Waarde Doel en toepassingen tooling Hands-on kennismaking Lessons learned Workshops zijn nuttig om te starten Workshop is geen opleiding Belevenis workshop verschilt op basis van: o Kennis en voorkeur verschillende talen (SQL, R, etc.) o Kennis en voorkeur voor GUI / non-gui o Toepassingsmogelijkheden eigen domein Na workshop belangrijk om zelf aan de slag te blijven gaan Ontdekkers nodig om door te pakken Weet je iets niet, durf eens te zoeken op Google!

16 [3] Use case 1: Data lineage voor Solvency II Wat is Solvency II? Europese wet- en regelgeving voor verzekeraars Strengere eisen voor solvabiliteit n.a.v. de economische crisis Keuze tussen standaard model wetgever of eigen model Eigen model doorgaans gunstiger voor solvabiliteitsratio Wat was de case? Divisie Delta Lloyd Schade, Solvency II projectteam De Nederlandse bank (DNB) had requirement o Opleveren van data lineage voor Solvency II model, binnen 3 werkdagen. o Simpel gezegd: Bewijs waar je data vandaan komt en wat onderweg de bewerkingen zijn geweest. Alleen voor de data die je gebruikt voor het Solvency II model

17 [3] Use case 1: Data lineage voor Solvency II Businessvragen Hoe kunnen we data lineage leveren? Hoe doen we dat op tijd? Hoe kunnen we dat consistent doen? Hoe kunnen we dat betrouwbaar doen? Technologie Graph onderdeel van Spatial & Graph PGQL Algoritme van PGX engine Fictief data model Rood stuk is relevant voor Solvency II-model

18 [3] Use case 1: Data lineage voor Solvency II Stappen door de Business Business wilde het met de hand doen -> Alle documenten handmatig lezen (kolommen, tabellen, bronnen) Voorspelling: Weken aan werk en inhuren veel FTE vereist IT om hulp gevraagd Stappen door IT Verkrijgen node en edge informatie van ETL tool van de mappings die data leveren voor Solvency Functie in Oracle Graph tooling gebruikt [1] Nodes en edges inladen in Graph [2] Poging voor genereren lineage. Resultaat: 1 week werk en geen mapping namen Gebruik van algoritme van ander onderdeel binnen tooling Resultaat: Vergelijkbare werk maar wel met mapping namen

19 [3] Use case 2: Werkgeversrapportage Wat was de case? Andere tooling is niet laagdrempelig in gebruik Is Big Data Discovery (BDD) mogelijk geschikt voor selfservice BI? Ontdekken wat mogelijkheden zijn voor BDD en of het als vervanger kan dienen voor andere tooling Business vragen Marketing/Propositie Pensioen Klant (werkgever) inzicht bieden in gebruik van pensioenproducten door werknemers Inzicht bieden aan werkgever t.o.v. Delta Lloyd benchmark en eigen werkgeverbestand

20 [3] Use case 2: Werkgeversrapportage Wat hebben we gedaan? Twee collega s met data kennis (geen data-scientist / - analist) Alleen BDD workshop gevolgd 10 datasets geüpload 31 basis transformaties (joins, converts, afrondingen etc.)

21 [3] Use case 2: Werkgeversrapportage Conclusie Zijn geslaagd in het maken van vergelijkbare rapporten in 1-2 weken Bottleneck: Data-verzamelen BDD is geschikt voor selfservice BI Wat zijn de vervolgstappen? Oracle tooling (Oracle Data Integrator of Golden Gate) gebruiken om de bronnen te ontsluiten Rapportage uitbreiden Deeloptie onderzoeken met werkgever onderzoeken 75 Aantal deelnemers 0 100k+ Salarisverdeling k

22 [3] Use case 3: Productanalyse schadeverzekeringen Wat was de case? Divisie schadeverzekeringen, wilde inzicht krijgen in huidige klantenbestand op basis van eigen data i.p.v. onderbuikgevoel Daarnaast wilde men weten hoe klanten waren te clusteren voor eventuele cross-sell mogelijkheden. Uiteindelijk bovenstaande combineren met sectorgegevens om de juiste groep te targetten met een nieuwe marketing campagne Businessvragen Hoe ziet onze portfolio eruit? Wat zijn de meest winstgevende producten? Welke SBI-sector is groeiend of krimpend? Hoeveel klanten hebben meerdere producten en welke clusters zijn er dan mogelijk? Technologie / mensen R studio voor Big Data Appliance (ORAAH) 5 data-analisten, part time op use case

23 [3] Use case 3: Productanalyse schadeverzekeringen Data Periode: Interne bronnen: Externe bronnen: 2015, 2016 gecombineerd Polis systemen, CRM-systeem, etc. KvK, CBS, CVS Voorbeelden sectoren Zware industrie Vastgoed Bouw Transport en opslag Zorg Adviesbranche Enz.

24 Adviesmatrix: Schaderatio vs. sectorgroei vs. sectortype vs. huidige portfolio Lage schaderatio Marketaandeel Delta Lloyd Hoog Laag Aantal bedrijven per sector in NL (x 1,000) Hoge Schaderatio 24 0 Absolute groei bedrijven (x 1,000) 150

25 [3] Use case 3: Schaderatio vs. producten en advies Product 5 Lage groei sector met hoogste aantal van product 5 Hoge groei sector met laagste aantal van product 5 Advies: Verklein of behoud portfolio Advies: Actieve werving Product 4 Product 3 Product 2 Product 1 Blauwe lijn: Acceptabele ratio Laag Ratio = Premie ( ) minus claims( ) Hoog

26 [3] Use case 3: Productanalyse schadeverzekeringen Conclusie Geen eenduidige conclusie, want: o Uitzonderlijke lokale weersomstandigheden zoals hagelstorm in Noord-Brabant, daardoor periode van 2 jaar te kort o Groei eenmansbedrijven(zzp ers) gerelateerd aan krimp grote bedrijven, verschuiving van bedrijfssamenstelling, niet zo zeer alleen absolute groei Vervolg Periode uitbreiden, van 2 naar 5 jaar Meer klanteigenschappen toevoegen Instroom en uitstroom klanten toevoegen Instroom/uitstroom koppelen aan sector en rendabiliteit

27 [4] Lessons learned Wat hebben we geleerd? Vallen en opstaan (hoort bij innovatie) Kleine onderzoeken (max. 6 weken doorlooptijd) Combinatie data-expert en business-expert essentieel Geen traditionele BI/DWH mensen gebruiken, maar vernieuwers (kennis: R, python, SQL) Elk onderzoek levert bijvangst op door beter inzicht in data (kwaliteit) o o Door gebruik andere tools Door meer dan één keer naar dezelfde data te kijken

28 [4] Vervolgstappen Techniek ODI / Golden Gate en BDA Bronnen ontsluiten van Exadata naar BDA Stream Web logfiles van klantportalen Installeren viewers voor Spatial Tom Sawyer Cytoscape R Studio on BDA Installeren en configureren van een Shiny Server Shiny server voor deployment van resultaten / rapporten voor de business gebruikers BDA Ervaring op doen door upgrade uit te voeren (van v4.5 naar v4.9) Use cases Nieuwe use case Online gedrag Analyse van klantgedrag op website en portalen Uitbreiding van use case Productanalyse schadeverzekeringen Klantprofielen Churn en nieuwe business Nieuwe use case Productanalyse levensverzekeringen Vergelijkbare analyse as getoonde use case m.b.t. schadeverzekeringen

29 Vragen?