کلان داده (بیگ‌دیتا) در صنعت بانکداری

طبق تعریف گارتنر کلان‌داده یا بیگ‌دیتا، دارایی‌های اطلاعاتی یک مجموعه یا سازمان است که، حجم بالا و تنوع زیادی دارند، با سرعت زیاد تولید می‌شوند، نیازمند شیوه‌های پردازش نوآورانه با هزینه‌ی مناسب هستند تا بتوان از آن‌ها‌ برای اتوماسیون فرآیندها، انواع تصمیم‌گیری‌‌ها و بهبود شهود و بینش در سازمان بهره گرفت. مدل‌های تحول دیجیتال سازمان بر اهمیت داده به عنوان یک عنصر اصلی سازنده کسب‌وکار دیجیتال تأکید می‌کنند. تا زمانی‌که سازمان، به ارزش حقیقی داده باور نداشته باشد و آن را به عنوان یک دارایی استراتژیک نشناسد، امکان بهره‌گیری مؤثر سازمان از داده وجود ندارد. سازمان‌هایی که قصد رهسپاری در سفر تحول دیجیتال را دارند، داده را به عنوان یک دارایی استراتژیک می‌بینند و به همین دلیل، نیاز به تحلیل، درک و هدایت دارایی داده سازمان به عنوان یک هدف، افزایش می‌یابد.

برای تبدیل داده سازمانی به یک داده ارزشمند، نیاز است تا استراتژی داده تدوین گردد. استراتژی، نقشه‌راه و برنامه سرمایه‌گذاری است که مسائل کسب‌وکار را حل می‌کند و بین امور مهم و ضروری تفکیک قائل می‌شود. داده به عنوان یک دارایی کسب‌وکار، در دو بعد کارایی عملیاتی و نوآوری کسب‌وکار، ایجاد ارزش می‌کند. توسعه یک برنامه با اهداف قابل اندازه‌گیری، به سازمان کمک می‌کند تا در این دو بعد حرکت کند.

صنعت بانکی در حال حاضر یکی از سرمایه‌گذاران برتر در زمینه کلان‌داده‌ها و تجزیه و تحلیل کسب‌و‌کار در بین صنایع است. میزان داده‌های تولیدشده توسط صنعت مالی (معاملات کارت اعتباری، برداشت‌ از خودپرداز، نمرات اعتباری) بسیار زیاد است. قابلیت استفاده از این داده‌ها برای تصمیم‌گیری در مورد کسب‌وکار و پردازش آن به طور مؤثر برای جمع‌آوری بینش‌های عملی، جهت پیروزی در رقابت‌های آینده بسیار مهم است.

با افزایش میزان داده‌هایی که روزانه توسط بخش بانکی تولید می‌شود، استخراج بینش‌هایی که بتواند به رشد فرصت‌های بیشتر کمک کند، دشوار است. پاسخ این مسئله کلان‌داده است! این فناوری بدون شک تمام داده‌های بانکی مثل معاملات تراکنش‌های اعتباری / کارت اعتباری، برداشت پول از دستگاه‌های خودپرداز، انتقال پول و غیره را که برای تصمیم‌گیری آگاهانه مؤثر بوده و پردازش آن  اطلاعات ارزشمندی را برای حفظ رقابت در آینده ایجاد می‌کند، مورد استفاده قرار داده است. کلان‌داده به بانک‌ها کمک می‌کند تا شناخت بهتری از مشتریان داشته باشند و بتوانند در زمان لازم از طریق تحلیل عادات خرید مشتری، مدیریت فروش و غیره تصمیم بگیرند. همچنین در بازاریابی بهتر، تشخیص کلاهبرداری، تجزیه و تحلیل بازخورد مشتری و در شناسایی آخرین روند بازار و ساده‌سازی فرآیندهای داخلی به منظور کاهش ریسک‌ها کمک می‌کنند.

سرمایه‌گذاری مؤسسات مالی در حکمرانی داده، نه صرفاً به عنوان یک پروژه الزامی برای تطبیق با قوانین، بلکه یک مزیت رقابتی چشمگیر محسوب می‌شود. از دیدگاه آی‌دی‌سی، مزایای حکمرانی داده برای مؤسسات مالی در پایین‌ترین سطح به مسئله تطبیق با قوانین و مدیریت ریسک برگشته و سپس در لایه‌های بعد، بهبود بهره‌وری عملیاتی را در پی دارد و در صورت توسعه معماری باز در بانک، مزیت مشتری‌محوری نیز بر مزایای قبلی حکمرانی داده خواهد افزود.

به باور کپجمینای، مؤسسات مالی در حال عبور از حکمرانی داده صرف، مبتنی بر مستندات استاندارد و سیاست‌های تطبیق با قوانین هستند و ارزش آن برای همراستایی با فناوری اطلاعات و کسب‌وکار را دریافته‌اند. حکمرانی داده یک وظیفه فناوری‌محور صرف نیست؛ بلکه کسب‌وکار بایستی جریان‌دهنده اصلی حکمرانی داده بوده و ابزارهای فناوری در خدمت آن قرار گیرند تا دستیابی به اهداف کسب‌وکاری بانک در عصر اقتصاد دیجیتال فراهم شود. برای مؤسسات مالی، مهم‌ترین دلایل و انگیزه‌ها برای برنامه‌ریزی و استقرار حکمرانی داده شامل بر موارد ذیل است:

• پشتیبانی از گزارش‌های تطبیق و مدیریت ریسک
• فراهم کردن قابلیت تحلیل داده
• فراهم کردن قابلیت تصمیم‌گیری بهتر و با کوتاه‌ترین زمان
• صرفه‌جویی در هزینه‌ها
• تطبیق با قوانین
• تقویت کیفیت خدمات مشتری
• بهبود سودآوری و اثربخشی عملیاتی

عموماً ارزش‌گذاری مالی و تحلیل هزینه و منفعت برنامه‌های حکمرانی داده جز در موارد مربوط به الزامات قانونی و مدیریت ریسک، برای ذینفعان کسب‌وکار دشوار و نامشخص است و از همین‌رو برنامه‌هایی مثل بهبود ابزارهای هوشمندی کسب‌وکار عموماً در افق درازمدت برنامه‌های حکمرانی داده قرار می‌گیرند.

کپجمینای گام‌های ذیل را برای طراحی برنامه‌های حکمرانی داده در مؤسسات مالی پیشنهاد می‌کند:

• تصمیم‌گیری در مورد اهداف حکمرانی داده بر اساس محرک‌های کسب‌وکاری تعریف شده
• جلب حمایت مدیریت ارشد و همکاری ذینفعان واحدهای کسب‌وکار و فناوری اطلاعات و سایرین
• تعریف استراتژی مدیریت داده و برنامه عملیاتی همراستا با اهداف کسب‌وکار
• تعریف دقیق تعهدات و مسئولیت‌ها
• جاری‌سازی حکمرانی داده در چرخه عمر فرآیندهای فعلی سازمان
• توسعه شاخص‌های قابل اندازه‌گیری و کسب بازخور مستمر
• ایجاد فرآیند پاداش برای واحدهای کسب‌وکار و فناوری اطلاعات تأثیرگذار در برنامه

بنابراین، همان‌طور که اشاره شد، استراتژی و حکمرانی داده برای بانک‌ها از اهمیت بالایی برخوردار است و چارچوب تدوین و اجرای آن تفاوت آشکاری با چارچوب‌های مطرح در بخش قبلی گزارش ندارد. در ادامه، برخی از کاربردهای کلان داده در حوزه بانکی و خدمات مالی و همچنین مطالعات موردی درباره پیاده‌سازی حکمرانی داده در بانک‌های جهان که دسترسی به اطلاعات آن‌ها با بیشترین جزئیات فراهم بوده، مورد بررسی قرار می‌گیرند.

برخی از کاربردهای کلان‌داده‌ها در حوزه بانکی و خدمات مالی:

• مدیریت ریسک

تمامی کسب‌وکارها باید سطوحی از ریسک را مدیریت کنند، در نتیجه ایجاد یک سیستم مدیریت ریسک قوی برای بانک‌ها از اهمیت بسیار بالایی برخوردار است؛ در غیر این صورت محکوم به ضرر و زیان هنگفتی خواهند بود. از طریق تجزیه و تحلیل داده‌های بزرگ، شرکت‌ها می‌توانند ریسک را به صورت لحظه‌ای تشخیص داده و ریسک نقدینگی در شرایط مختلف را تحلیل کنند و مشتریان را نیز از کلاهبرداری احتمالی نجات دهند.

• کشف کلاهبرداری

کاربرد دیگر کلان‌داده کشف کلاهبرداری و تقلب‌ است. عصر دیجیتال که به سرعت در حال رشد است مزایای بی‌شماری را برای ما فراهم می‌کند اما از طرف دیگر انواع مختلفی از کلاهبرداری‌ها را نیز به وجود می‌آورد. داده‌های شخصی ما اکنون نسبت به گذشته در برابر حملات سایبری آسیب‌پذیرتر هستند و این یکی از بزرگترین چالشی‌های بانک‌ها است. استفاده از تجزیه تحلیل‌های کلان‌داده‌ها با برخی الگوریتم‌های یادگیری ماشینی، سازمان‌ها را در برابر تشخیص کلاهبرداری‌ها قبل از  انجام شدن توانمند می‌کند. این کار با شناسایی الگوهای هزینه جدید یا ناآشنای کاربر، پیش‌بینی فعالیت‌های غیرمعمول کاربر و غیره انجام می‌شود و سیستم‌های تحلیلی به‌صورت آنلاین، تراکنش غیرعادی را متوقف می‌کنند.

• رضایت مشتری

با توجه به میزان بالای ریسک بانک‌ها، اطمینان از رضایت مشتری یکی از چالش برانگیزترین کارها برای بانک‌ها است. بانک‌ها برای حفظ بازار خود در حال تغییر از مدل محصول محور به مدل مشتری محور هستند. بهبود تجربه مشتری یک سفر مادام‌العمر برای شرکت‌های بانکی است؛ از حصول اطمینان از امنیت تراکنش‌ها گرفته تا ارائه مناسب‌ترین پیشنهادات. داده‌هایی اکنون بانک‌ها از مشتریان خود به دست می‌آورند، مهم‌تر از همیشه است. تجزیه و تحلیل داده‌های مشتری بر اساس پارامترهای مختلف به آن‌ها کمک می‌کند تا هدف‌گذاری مشتریان خود را با روشی به مراتب بهتر انجام دهند و گروه‌های مشتریان را به دسته‌های مشخص بخش‌بندی کنند. این کار به‌وسیله مجموعه‌ای از اطلاعات شامل محل زندگی مشتری، تراکنش‌های روزانه، تعاملات مشتری با سامانه‌های آنلاین و تلفنی و حتی داده‌های خارجی نظیر قیمت خانه مشتری صورت می‌گیرد. بانک، خدمات و محصولات خود را مبتنی بر این بخش‌بندی‌ها اصلاح و تعریف می‌کند.

بانک مرکزی آمریکا، یکی از بانک‌هایی است که به وسیله کلان‌داده‌ها رضایت مشتری را جلب می‌کند. در سال ۲۰۰۸ آن‌ها دریافتند که مشتریان‌شان با سرعت نگران‌کننده‌ای در حال کاهش یافتن هستند و به سمت بانک‌های کوچک‌تر حرکت می‌کنند. این اتفاق باعث سردرگمی آن‌ها شد و  با ناامیدی به دنبال دلایل این سقوط ناگهانی در تعداد مشتریان‌شان بودند. تحلیل کلان‌داده‌ها به نجات آن‌ها کمک کرد. آن‌ها با تجزیه و تحلیل داده‌های مشتری خود از منابع مختلفی مانند وبسایت، مرکز ارتباط با مشتری و بازخوردهای شخصی دریافتند که استفاده از سیستم مدیریت وجه نقد نهایی آن‌ها برای مشتری سخت و پیچیده است و این امر مانع دسترسی بدون دردسر و راحت آن‌ها می‌شود. این در حالی بود که بانک‌های کوچک‌تر مشکلی در این زمینه نداشتند و کار با سیستم وجوه نقد آن‌ها آسان بود. در نهایت، بانک آمریکا تصمیم گرفت به تلفیق امور باهم پایان دهد و تلاش کرد هر خدمت را جداگانه ارائه دهد تا انعطاف بیشتری داشته و کار با آن برای مشتری آسان باشد.

• بازاریابی شخصی

بازاریابی شخصی، هدفگذاری مشتریان بر اساس تحلیل عادات خرید یا مصرف پولشان، فراتر از بازاریابی مبتنی بر بخش‌بندی مشتریان است. با تحلیل تراکنش‌های خرید مشتریان از فروشگاه‌ها، اطلاعات به‌دست‌آمده از آنان در شبکه‌های اجتماعی و نظرات آن‌ها نسبت به کالاهای خریداری‌شده یا فروشگاه‌ها می‌توان تصویر کامل‌تری از نیازها و علایق مشتری به دست آورد.

نمونه‌های موردی استفاده از کلان داده در صنعت بانکداری

• بانک آی‌ان‌جی

بانک آی‌ان‌جی، داده را یک دارایی می‌داند و معتقد است که کلید تبدیل شدن به بانک دیجیتال نسل آینده، داده به همراه افراد، فرآیندها و سیستم‌ها است. این بانک در پاسخ به دنیای متغیر امروز، اقدام در حوزه‌های متعددی را مدنظر قرار داده و آغاز کرده است. این اقدامات شامل فرآیندهای یکپارچه و آسان، سیستم‌های بانکداری قابل اطمینان و مدرن، مدیریت کلی داده‌ها، تجهیز افراد با مهارت‌های مناسب و فرهنگ عملکرد همکارانه است. این بانک در حوزه مدیریت کلی داده‌ها، به طور خاص، حکمرانی یکپارچه داده را در سراسر بانک ایجاد نموده است. همچنین به منظور فراهم‌سازی داده‌های قابل اطمینان، منبع یکتایی از داده‌ها را ایجاد کرده است. از سوی دیگر، تحلیل پیش‌بینانه داده را پایه‌ریزی کرده و در تبادل داده به سوی تعالی عملیاتی گام برداشته است.

یکی از اقدامات دیگر این بانک، ایجاد پست «مدیر ارشد داده» است؛ که مسئولیت‌های کلیدی وی و انتظارات بانک از او به شرح ذیل هستند:

• • تعریف مدیریت داده: تعریف استراتژی، اصول راهنما، اصول، اهداف، شاخص‌ها، ساختار سازمانی و فناوری‌های زیرساختی مرتبط با مدیریت داده بانک آی‌ان‌جی.
  • حکمرانی سازمانی: حصول اطمینان از این‌که فعالیت‌ها و راهکارهای مرتبط با داده همراستا با چشم‌انداز، جهت و معماری بانک آی‌ان‌جی بوده و بهترین فعالیت‌ها برای طراحی، توسعه، تست و پیاده‌سازی انجام می‌گردند.
  • مدیریت فراداده‌ها: حصول اطمینان از این‌که فراداده‌های فنی و مرتبط با کسب‌وکار به طور صحیحی تعریف، اکتساب و مدیریت شده و جهت استفاده کاربران دارای صلاحیت کسب‌وکاری و فنی، قابل دسترسی هستند.
  • کیفیت داده: حصول اطمینان از این‌که اصول، سیاست‌های مناسب در توسعه و پیاده‌سازی محیط‌های داده سازمانی کاملاً به کار گرفته شده تا مسائل و ریسک‌های کیفیت داده را به حداقل برساند.
  • مدل‌های داده: حصول اطمینان از این‌که مدل‌های داده توسعه داده شده و به کار گرفته می‌شوند.
  • تطابق داده: تضمین تطابق با مدیریت ریسک و امنیت اطلاعات.
  • قابلیت‌های داده‌ای: فراهم‌سازی قابلیت سازمانی برای نواحی تمرکز مدیریت داده: مدیریت داده‌های اصلی، جابجایی داده و مدیریت یکپارچه‌سازی، هوشمندی کسب‌وکار، مدیریت محتوای سازمانی و دانش.
  • شاخص‌های عملکردی: حصول اطمینان از توسعه و گزارش شاخص‌های مدیریت داده در خصوص پیشرفت، برنامه‌ها، وضعیت و مسائل.

• بانک بی‌بی‌وی‌ای

بانک اسپانیایی بی‌بی‌وی‌ای، یکی از شناخته شده‌ترین بانک‌ها در حوزه تحول دیجیتال است. این بانک که از سال ۲۰۰۶ سفر دیجیتالی شدن را آغاز کرده، در سال ۲۰۱۷ میلادی، پست مدیر ارشد داده را ایجاد نمود که مستقیماً به مدیرعامل بانک گزارش می‌دهد. در شرح وظایف این پست، به موارد ذیل اشاره شده است:

• تعریف و پیاده‌سازی استراتژی داده در کلیه سطوح بانک
• تقویت مدل حاکمیت داده سازمانی
• ایجاد قابلیت‌های لازم در واحدهای کسب‌وکاری مختلف مرتبط با توسعه محصول مبتنی بر داده
• توسعه فرهنگ داده‌محور در راستای تبدیل شدن به یک سازمان داده‌محور

بی‌بی‌وی‌ای در راستای تقویت استراتژی حاکمیت داده خود، گروه مدیریت چرخه حیات اطلاعات را ایجاد کرده است. همچنین یک منبع واحد داده سازمانی پیاده‌سازی شده که داده از لحاظ فیزیکی ممکن است در هر جایی قرار بگیرد، اما در یک منبع واحد و یکپارچه ذخیره می‌شود. کارکنان بانک برای دسترسی به داده موردنیاز خود دیگر نیازی به مراجعه به منابع مختلف ندارند. از سوی دیگر، سیاست‌های حفظ و بازیابی داده‌ها، به تقویت مدیریت ریسک تطبیق بانک کمک کرده است.

این بانک در راستای تقویت قابلیت‌های مدیریت داده، با آی‌بی‌ام وارد همکاری شده و از راهکارهای ارائه شده توسط این شرکت در حوزه حاکمیت چرخه‌حیات اطلاعات بهره جسته است. این راهکارها بر یک پلتفرم یکپارچه داده سازمانی قرار می‌گیرند و قابلیت‌های مدیریت داده بانک را در حوزه تحلیل داده‌های ساختاریافته و ساختارنیافته، مدیریت محتوا و اسناد سازمانی بهبود می‌بخشند.

• بانک لویدز

بانک لویدز در سال ۲۰۱۷ اعلام نموده که در راستای برنامه استراتژیک تحول دیجیتال بانک، به دنبال ساده‌سازی و مدرن‌سازی داده و زیرساخت فناوری اطلاعات خود است. بانک مترصد آن است که با تحول استراتژی داده سازمانی خود، زمینه را برای یک دید ۳۶۰ درجه نسبت به مشتری فراهم آورد و در طی دو سال، به جای تعویض و بازنگری سیستم‌های موجود، یک منبع داده یکپارچه سازمانی برای کل گروه مالی ایجاد نماید.

بانک لویدز از لحاظ ساختار حاکمیتی دارای پست مدیر ارشد داده، مسئول استراتژی داده و تیم حاکمیت داده است. مسئول استراتژی داده که به مدیر ارشد داده گزارش می‌دهد، مسئولیت شناسایی اولویت‌های کلیدی مدیریت داده و چالش‌های این حوزه را بر عهده داشته و به توسعه استراتژی داده بانک همراستا با اهداف تحولی بانک کمک می‌نماید. تیم حاکمیت داده نیز در توسعه فرهنگ داده‌محور در بانک، نقش کلیدی را بر عهده دارد.

 

مقالات مرتبط:

تحلیل گری داده؛ روند توسعه، زنجیره ارزش و کاربردها

چهارچوب های مطرح استراتژی و حکمرانی داده

فناوری دیجیتال چیست؟