آخرین اخبار
facebook Telegram RSS ارسال به دوستان نسخه چاپی
کد خبر : 4221
تاریخ انتشار : 3 دی 1390 1:51
تعداد بازدید : 4531

مدیر اجرایی شرکت داده کاوان هوشمند توسن:

پیاده سازی « هوش تجاری » تنها درشش بانک خصوصی

بانک ها مهم ترین نهادهای پولی در کشور ها هستند که از زمان پیدایش تا به امروز کانال انتقال پول از سپرده گذاران به دولت یا بخش خصوصی بوده اند. در این رهگذر برای جذب هرچه بیشتر سرمایه میان بانک ها رقابت ایجاد شده و در نتیجه رضایت مشتری اهمیت خاصی پیدا کرده است. از سوی دیگر با گسترش مناسبات تجاری میان بانک ها و دیگر واحد های اقتصادی و غیر اقتصادی تحلیل سریع کل عملیاتی که در بانک اتفاق می افتد در کنار بررسی رفتار مشتریان اهمیت بسزایی یافته است. امروزه در کشورهای پیشرفته با کمک هوش تجاری که مجموعه ای از ابزارها و نرم افزار هاست در لحظه تمام اطلاعات مورد نیاز در اختیار تصمیم گیرندگان بانکی قرار می گیرد و این امکان میسر می شود که در کمترین زمان بهترین و کاراترین تصمیم را اتخاذ کنند. هوش تجاری همچنین به بانک ها کمک می کند تا با شناسایی رفتارهای مشکوک مشتریان مانع از اختلاس و پولشویی شوند.

گزارش: اقدس قلي زاده

مدیر اجرایی شرکت داده کاوان هوشمند توسن  در رابطه با علت پیدایش فناوری هوش تجاری در بانک‌ها گفت: پس از بروز بحران‌های اقتصادی در سطح بین‌المللی که به کاهش اعتماد مشتریان به بانک‌ها منجر شد فضای رقابتی شدیدی بین بانک‌ها به وجود آمد که باعث شد مدیران بانکی رویکردهای جدیدی برای مواجهه با این مشکل در نظر بگیرند. از سوی دیگر در داخل کشور نیز با توجه به تاسیس بانک‌ها و موسسات اعتباری متعدد و ظهور بانکداری الکترونیکی فضای رقابتی جدیدی در این حوزه شکل گرفته که نیاز به بازنگری در نحوه بازاریابی و ارایه سرویس‌های بانکی را برای مدیران بانکی اجتناب‌ناپذیر می‌کند چنان که در حال حاضر برخی از بانک‌ها نسبت به پیاده سازی  هوش تجاری برای تحلیل عملیات بانکی خود اقدام کرده‌اند.
ابوالفضل آریانی پارسا افزود: در چنین فضای رقابتی بانک‌ها دایما در جست‌وجوی ایجاد مزیت‌های رقابتی پایدار هستند از این رو ابزارهای مختلفی را مورد استفاده قرار می‌دهند. اما تجربه نشان داده هیچ کدام از این ابزارها در دراز مدت کارایی نداشته و پس از مدتی اثر بخشی خود را از دست می‌دهند. به منظور رسیدن به یک مزیت رقابتی طولانی مدت، شناسایی رفتار مشتریان و استفاده از این دانش برای تعامل بهتر با مشتریان می‌تواند مزیت پایدار ایجاد کرده و نه تنها در بانک که در تمام صنایع قابل اتکاست.
در حال حاضر بانک‌های بزرگ با این هدف به دنبال تحلیل رفتار تک تک مشتریان و برنامه‌ریزی برای آنها هستند. وی رسیدن به این سطح از دانش و پیشبرد چنین رویکردی را مستلزم تامین زیرساخت‌هایی مبتنی بر فناوری اطلاعات دانست و افزود: در گام اول تهیه یک انبار داده جامع و تحلیلی از اطلاعات بانک و مشتریان لازم است که در تکمیل آن هوش تجاری به عنوان ابزاری سودمند می‌تواند این فرآیند را تکمیل
کند.
آریانی پارسا با تعریف اینکه هوش تجاری، زیر ساختی مبتنی بر فناوری اطلاعات ارایه می‌دهد که می‌تواند اطلاعات مناسب را در لحظه مناسب برای افراد مناسب فراهم سازد در تعریف  بیشتر هوش تجاری گفت: هوش تجاری فرآیندی است که طی آن داده‌های خام در یک سازمان به اطلاعات مفید و دانش سودمندی برای تصمیم‌گیری مدیران تبدیل می‌شود.
مدیر اجرایی شرکت داده کاوان هوشمند توسن در خصوص ضرورت به کارگیری هوش تجاری در بانک‌ها گفت: در گذشته رویکرد بانک‌ها بیشتر محصول گرا بود و مشتریان با این سطح از جزییات، چندان مورد توجه نبودند. اما امروزه مشتریان با دسترسی به اینترنت و سرویس‌های بانکداری الکترونیکی از درک بالاتری نسبت به سرویس‌ها و خدمات بانکی و مالی برخوردارند و لذا بانک‌ها به دنبال جایگزین‌های جدیدی برای حفظ و افزایش مشتریان خود هستند. قطعا هوش تجاری می‌تواند بهترین پاسخ برای این چالش در بانک‌ها باشد، البته باید در این راه مفهوم عمیق هوش تجاری به عنوان یک مزیت رقابتی پایدار مد نظر قرار گیرد و مهم‌ترین نکته در این مسیر آن است که پیاده سازی چنین مفهومی در بانک کار سخت و پر زحمتی خواهد بود و صرفا با تهیه چند ابزار نرم افزاری و پیاده سازی فنی نمی‌توان جوهره هوش تجاری را در بانک جاری کرد باید توجه داشت که هر مزیتی که به آسانی توسط یک بانک رقیب قابل تقلید باشد، نمی‌تواند یک مزیت رقابتی با دوام به شمار آید. لذا دست یافتن به درک بالا نسبت به مشتریان بانک، عملکرد بانک، وضعیت فعلی صنعت بانکداری و رقبا یک مزیت رقابتی با دوام و واقعی برای بانک ایجاد می‌کند.
آریانی پارسا با بیان اینکه ارایه سرویس‌های متعدد از سوی بانک‌ها در بانکداری الکترونیکی یکی از نقاط اتصال هوش تجاری و بانکداری الکترونیکی است، افزود: برای بانک‌ها لازم است تا سطح رضایت مشتریان خود را از خدمتی سنجیده و همچنین نسبت به نیاز آنها آگاهی پیدا کنند تا خدمات جدیدی در اختیارشان
قرار دهند.
وی افزود: در عمل به وسیله تجزیه و تحلیل رفتار مشتری، بانک می‌تواند درباره اولویت‌ها و عوامل موثر بر رفتارهای مشتریان خود دانش موردنیاز را بیاموزد. این دانش می‌تواند برای شخصی سازی کردن محصولات و خدمات مورد استفاده قرار گیرد.
 به عنوان مثال، تجزیه و تحلیل الگوهای رفتاری در عملکرد مشتریان وفادار و مشتریانی که بانک را ترک کرده‌اند می‌تواند عوامل موثر در حضور مشتری یا عدم حضور او را مشخص کند. سپس این اطلاعات می‌تواند برای ایجاد یک مدل پیشگیری ریزش مشتریان(Predicting Customer Churn) مورد استفاده قرار گیرد و خروج مشتریان را در آینده نزدیک پیش بینی کند. بر اساس این دانش کسب شده، ارسال یک پیشنهاد مناسب یا تغییر در سرویس فعلی برای حفظ این دسته از مشتریان قبل از اینکه بانک را ترک کنند، در جلوگیری از خروج مشتریان بسیار موثر است.
به گفته مدیر اجرایی شرکت داده کاوان هوشمند توسن، این شرکت تنها ارایه دهنده سرویس هوش تجاری است که بانک‌های سامان، سرمایه، انصار، شهر، موسسه مالی اعتباری مهر و صندوق قرض‌الحسنه طرف قرارداد آن هستند و هر یک در مرحله‌ای از راه‌اندازی هوش تجاری قرار دارند.

مراحل پیاده سازی هوش تجاری
در راستای پیاده سازی هوش تجاری در بانک، می‌تواند تعریف برنامه استراتژی بانک بر اساس رسیدن به درک مشتری باشد که باید جایگزین روش‌های سنتی سرویس محور و شعبه محور شود. سپس تکنولوژی‌های وابسته‌ای نظیر انبار داده و تجزیه و تحلیل داده‌ها می‌تواند مورد استفاده قرار گیرد که بانک‌ از آنها برای دست یافتن به درک کامل مشتریان استفاده کند. در تهیه برنامه استراتژی مسایل و مشکلات بانک و نقطه ضعف‌های موجود باید مد نظر قرار گیرد و سپس فازهای پیاده‌سازی هوش تجاری به ترتیب اجرا شود.
به طور کلی هوش تجاری به دو لایه اصلی شامل دسترسی و گزارش‌گیری(Access &Reporting) و سپس تحلیل‌ها (Analytics) تقسیم می‌شود.
در بخش اول، مسایلی از قبیل گزارش‌های استاندارد، گزارش‌های درخواستی فوری، جست‌وجو در داده، حرکت در داده‌ها از کلیات به جزییات (Drill Down) و هشدارها مد نظر قرار می‌گیرد. این سطح از هوش تجاری در پایین‌ترین سطح در ایجاد مزیت رقابتی قرار دارد و هر چه به سمت فازهای بعدی حرکت کنیم و وارد فاز تحلیلی شویم مزیت رقابتی پایدارتر و قوی‌تری به دست خواهد آمد. در فاز تحلیلی، مسایلی از قبیل تحلیل‌های آماری، پیش‌بینی، مدل‌های پیش‌گویی و بهینه‌سازی مورد توجه است که البته پیچیده‌تر و مفیدتر از فاز اول هستند.
معماری فنی
معماري فنی برای یک سيستم هوش تجاری بانکی شامل بخش‌های مختلفی است که در بخش اول آن داده‌های بانکی از منابع داده‌ای مختلف با کمک فرآیند ETL (استخراج، تبدیل، بارگذاری)  وارد انبار داده می‌شوند. هدف در این مرحله بارگذاري انبارداده‌ با اطلاعات تغییر شکل یافته، صحیح، يکپارچه و سازماندهي شده است. تغییراتی که در فرآیند ETL بر روی داده ‌ها اعمال می ‌شود شامل کدگشايي اطلاعات کد شده، تغيير ساختار اطلاعات به ساختار متناسب با کسب و کار، خلاصه سازي اطلاعات و ايجاد تغييرات لازم براي هماهنگ‌سازي داده‌هاست. در این فرآیند علاوه بر يکپارچه‌سازي سيستم‌هاي داده‌ای مختلف، داده‌ها از نظر کیفیت داده‌ای بررسی و تصحیح می‌شود تا داده‌های موجود در انبار داده مشکل منطقی یا ساختاری نداشته باشند.بخش بعدی در معماری فنی هوش تجاری، موتور OLAP است که با استفاده از تجمیع شاخص‌ها و شکستن آنها بر روی ابعاد مختلف، یک شمای متناسب با نیازهای گوناگون در بخش‌های مختلف بانک را در اختیار مدیران ارشد قرار می‌دهد. مدیران با استفاده از برنامه‌های کاربردی هوش تجاری و یا به طور مستقیم می‌توانند به مراکز‏ داده‏ای و یا موتور OLAP وصل شده و گزارش‌های مختلف خود را به صورت پویا و به سادگی ساخته و نتایج را با سرعت بسیار بالاتر نسبت به سیستم‌های گزارشگیر OLTP  موجود دریافت کنند.
بخش دیگری از معماری هوش تجاری شامل الگوریتم‌ها و مدل‌های داده کاوی است که بر اساس نیازهای مختلف در فاز تحلیلی، روشی با استفاده از یک الگوریتم هوشمند در اختیار کاربران قرار می‌دهد. داده کاوی به تنهایی می‌تواند برای پاسخ به مسایل موجود در بانک مورد استفاده قرار گیرد ولی در سامانه هوش تجاری یک موتور داده کاوی مورد نیاز است که با استفاده از تکنیک‌هایی نظیر شبکه‌های عصبی، استنتاج قواعد، درخت‌های تصمیم و رگرسیون منطقی بتواند نیازهایی از جنس کلاس بندی، ارزیابی، پیش‌بینی و یا گروه بندی بر اساس وابستگی، خوشه بندی و توصیف وضعیت فعلی را در بانک پاسخ دهد.هنگامی‌که تعداد آیتم‌های تاثیرگذار زیاد باشد که در بانک‌ها همین‌طور است، برای کاربران خیلی سخت است که با استفاده از جست‌وجوی داده‌ها و یا تجزیه و تحلیل چند بعدی بتوانند یک الگوی رفتاری را کشف یا همبستگی بین داده‌ها را تشخیص دهند. بر همین مبنا می‌توان گفت داده کاوی فرآیندی است که با پردازش حجم زیادی از داده‌های خام می‌تواند توصیفی از وضعیت فعلی ارایه کند یا دانش و الگوهای پنهان در داده‌ها را با هدف پیش‌بینی و پیشگیری یا هر گونه تصمیم سازی کشف و در اختیار کاربر قرار دهد.به عنوان نمونه، کلاس بندی مشتریان با هدف قرار دادن مشتری جدید در یکی از کلاس‌های از پیش تعریف شده، می‌تواند در بانک مورد استفاده قرار گیرد و خصوصیات کلاس‌های از پیش تعریف شده  هم می‌تواند بر اساس داده‌های گذشته در بانک تعیین شود. برای مثال از کاربرد کلاس بندی در بانک‌ها می توان به کلاس بندی یک نرم افزار تعیین ریسک تسهیلات به سه قسمت کم ریسک، ریسک متوسط و ریسک بالا و قرار دادن مشتری جدید در یکی از این کلاس‌ها اشاره کرد.


نظر شما



نمایش غیر عمومی
تصویر امنیتی :