عنوان سازمان و صنعت:
گروه ING (International Netherlands Group) یک شرکت چندملیتی در عرصه بانکداری و خدمات مالی است که با حدود 50هزار کارمند در بیش از 40 کشور جهان فعالیت می‌کند و در رتبه‌بندی معتبر DJSI جزو رهبران و پیشتازان این صنعت به حساب می‌آید.

عنوان مطالعه / تجربه:
در این گزارش از (کنفرانس جهانی استراتا+هدوپ نیویورک در فوریه 2016) به بررسی راهبرد داده‌محور این شرکت برای کسب بینش از مشتریان و ضرورت بکارگیری تحلیل عظیم‌داده و راهکارهای عملی پیاده‌سازی آن در راستای اهداف کسب‌وکار می‌پردازیم.

روش‌ها:
شرکت ING برای کسب بینش از مشتریان تصمیم دارد تا از داده‌های آن‌ها برای شناختشان استفاده کند. این شرکت سه نوع جریان داده‌ای را شناسایی کرده است: فایل‌های دسته ای (مانند داده‌های صورت‌حساب‌ها) در حجم بالا در حدود یک گیگابایت و چند ساعت یک‌بار ، افزودنی‌ها (مانند تغییر آدرس) و رویدادهای بی‌درنگ (مانند داده‌های کلیک، تراکنش‌ها و قیمت‌های سهام) که در کسر هزارم ثانیه تولید می‌شوند. همانطور که می‌دانیم این داده‌های حجیم و سریع در حوزه عظیم‌داده قرار می‌گیرند. لذا با استفاده از معماری معروف لاندا (Lambda Architecture)، برای تحلیل داده‌های جریانی و سریع (داده‌های اقدامات مشتریان) و داده‌های ساختارمند و حجیم (رکوردهای سیستم) در یک موتور تحلیلی، طرحی را بنا کردند تا همه برنامه های تحلیلی از آن الگو پیروی کنند. (شکل1)

 فناوری‌ها:
تمام داده‌های بانکی مرتبط با فرآیند گزارش‌گیری و تحلیلی پیشرفته به حوضچه‌های مختلف تقسیم شدند و برای هر حوضچه بر حسب نوع داده، نیازمندی‌های دسترسی و سطح آمادگی سازمان، فناوری خاصی انتخاب گردید که به آن‌ها اشاره می‌کنیم: (شکل2)
• جریان‌های بی‌درنگ داده‌ای : Flink و Kafka و Akka
• خوراک‌های دسته‌ای و افزودنی : Tibco و Spark و Hive
• کاتالوگ حاکمیت داده
• داده‌های بایگانی : Hadoop
• انباره داده سازمانی : Netezza
• گزارش‌ها : Cognos
• ابزارهای تحلیلی : Spark و R

 نحوه پیاده‌سازی و نتایج:

این شرکت از بینش مشتریان در سه مورد کاربردی استفاده می‌کند:
1. پیش‌بینی بی‌درنگ حساب‌ها به معنی پیش‌بینی تراکنش‌ها بر اساس تراکنش‌های پیشین
2. ارتباطات برون‌سو شامل ارائه پیام‌های شخصی بر اساس دسته‌بندی‌های هوشمند و قوانین کسب‌وکاری از طریق کانال‌های مختلف ارتباطی
3. خدمات مشاوره مالی شخصی شامل ارائه بینش‌های قابل اقدام برای مشتریان،
که متناسب با هر کاربرد نیز معماری خاصی برای تحلیل داده و ارائه آن به کاربر نهایی مورد استفاده قرار گرفته است. (شکل 3 و4)