شش روند ساختاری که مدیریت ریسک بانک را در ده سال آینده تغییر خواهد داد (قسمت دوم)

روند 2) تغییر در انتظارات مشتریان

طی دهه‌ی آینده، انتظار می‌رود تغییر در انتظارات مشتریان و تکنولوژی منجر به تغییرات گسترده‌ای در بانکداری شود و به آن شخصیتی جدید ببخشد. تا آن زمان، احتمالاً استفاده‌ی گسترده از تکنولوژی یک امر عادی برای مشتریان باشد. نسل‌های جوان که با تکنولوژی بزرگ شده‌اند، تا سال 2025 بزرگ‌ترین منبع درآمد بانک‌ها خواهند بود. زیرا بانک‌ها بیشترین درآمد خود را از مشتریان با سن بالاتر از 40 دریافت می‌کند. به طور همزمان، انتظار می‌رود مشتریان مسن‌تر بانک با نرخ بالاتری به استفاده از تکنولوژی روی آورند. استفاده از تکنولوژی توسط مشتریان بانک‌ها هم در کشورهای توسعه‌یافته و هم در حال توسعه رو به افزایش چشمگیری است (تصویر 1).

طی 5 سال گذشته میزان نوآوری در صنعت بانکداری افزایش قابل توجهی داشته و سرمایه‌گذاری در استارتاپ‌های نوآور مالی پیوسته در حال افزایش بوده است. نوآوری تمام بخش‌های زنجیره‌ی ارزش را تحت تأثیر قرار می‌دهد، اما احتمالاً مهم‌ترین اختلال در فرآیند فروش بانک رخ خواهد داد. فینتک‌ها نمی‌خواهند به بانک تبدیل شوند. به جای آن، قصد دارند تا رابطه‌ی مستقیم با مشتری را در اختیار بگیرند و در سودآورترین قسمت‌های زنجیره‌ی ارزش قرار گیرند: ابتدای زنجیره، فروش و توزیع.

بررسی مدل‌های پایه‌ی بانک‌ها، منطق اقتصادی این موضوع را مشخص می‌نماید. تقریباً 60 درصد از سود بانک‌ها از ابتدای زنجیره، فروش، توزیع و سایر فعالیت‌های در ارتباط با مواجهه‌ی رودررو با مشتری بوجود می‌آید. همچنین، آن‌ها 22 درصد از بازدهی سهام (ROE) خود را از همین فعالیت‌ها بدست می‌آورند.

استارتاپ‌های فینتک، پیشنهادهای گسترده، رقابتی و بی‌نقصی را ارائه می‌دهند. نرم‌افزارهای جدید و خدمات آنلاین آن‌ها در حال از بین بردن فشاری بوده است که همواره بانک‌ها بر مشتریان تحمیل می‌کردند. یکی از مهم‌ترین استراتژی‌هایی که آن‌ها استفاده می‌کنند این است که از مشتریان می‌خواهند تنها بخشی از فعالیت مالی خود را در هر زمان انتقال دهند. برخی پلتفرم‌ها از جمله NerdWallet، یک استارتاپ آمریکایی و پلتفرمی هندی بنام BankBazaar.com خدمات بسیاری از بانک‌ها در حوزه‌ی وام، کارت اعتباری، سپرده، بیمه و غیره را بصورت ادغام‌شده ارائه می‌دهند. چنین خدمات جدیدی، افتتاح حساب برای مشتریان را به شکل قابل توجهی راحت می‌سازد. هنگامی‌که حساب افتتاح شود، مشتریان تنها با یک کلیک می‌توانند ارائه‌دهندگان خدمات را انتخاب کنند.

اگر بانک‌ها می‌خواهند جنگ برای ارتباط با مشتری را ببرند، باید اتفاقات زیادی رخ دهد. مشتریان انتظار دارند تا تجربیات شهودی داشته باشند، در هر زمان و روی هر دستگاهی به خدمات دسترسی داشته باشند، پیشنهادات سفارشی و مخصوص دریافت کنند و تصمیم‌گیری‌ها به سرعت انجام شود. جهت برآورده کردن انتظارات مشتریان، بانک‌ها بایستی سازمان خود را بازطراحی کنند و به سمت دیجیتالی شدن حرکت نمایند. به منظور دستیابی به این هدف، عملکرد ریسک بایستی از مهم‌ترین عوامل باشد و به شکلی نزدیک با کسب و کارها تعامل و همکاری نماید. این امر به احتمال زیاد بر دو اولویت تمرکز خواهد داشت:

• تصمیم‌های فوری خودکار

بانک‌ها بایستی به درخواست‌ها و انتظارات مشتریان خود (از جمله درخواست وام و افتتاح حساب) با فرآیندهایی دقیق به سرعت پاسخ دهند. جهت دستیابی به این امر، عملکردهای ریسک نیازمند یافتن راه‌هایی برای کمک به بانک جهت ارزیابی ریسک و تصمیم‌گیری بدون دخالت انسان خواهد بود. نرم‌افزار Kabbage در آمریکا و انگلستان یک مثال مناسب در این زمینه است. این نرم‌افزار فرم درخواست وام آنلاین بدون نیاز به ارائه‌ی تعداد زیادی مدارک و با حجم بالا را ارائه می‌دهد. در عوض، Kabbage به بررسی داده‌های مختلف ( تراکنش‌های PayPal، آمازون و eBay و حجم مرسولات سامانه‌ی UPS ) می‌پردازد. برخی بانک‌ها در حال طراحی فرآیند افتتاح حساب با استفاده از داده‌هایی هستند که برای عموم موجود است. این کار، تجربه‌ی افتتاح حساب را آسان، بی‌نقص و تا حد ممکن کوتاه می‌سازد. در چنین شرایطی، چالش عملکردهای ریسک این است که یک رویکرد امن و مشتری‌پسند را جهت تایید هویت فرد انتخاب نمایند.

• بانک شخصی

با پیچیده‌تر شدن تقسیم‌بندی مشتریان و ارائه‌ی پیشنهادات، بانک‌ها می‌توانند بانک‌های شخصی را برای هر مشتری طراحی کنند. این بانک‌ها قیمت‌ها و محصولات را برای هر فرد شخصی‌سازی و ارائه می‌کند. به هر حال، به دلیل پیچیده‌تر بودن فرآیند پشتیبانی، هزینه‌ی این اقدام برای بانک بشدت بالاست. همچنین، ممکن است قانون‌گذاران بانک‌ها را جهت حمایت از مشتریان در برابر قیمت‌گذاری نامتعارف و تصمیمات نادرست محدود نمایند.

روند 3) تکنولوژی و تجزیه و تحلیل به عنوان بازویی برای ریسک

تکنولوژی نه تنها رفتار مشتری را تغییر می‌دهد، بلکه تکنیک‌های جدید مدیریت ریسک که معمولاً همراه با تجزیه و تحلیل‌های پیشرفته است را نیز به وجود می‌آورد. افزایش سریع تکنولوژی‌های جدید منجر به ایجاد فضای ذخیره‌سازی داده و نیروی محاسباتی ارزان‌تر و سریع‌تر می‌شود. به همین دلیل فرآیند ادغام و پشتیبانی از تصمیمات ریسک به نحو بهتری صورت می‌گیرد. با وجود اینکه نوآوری‌های ناشناخته‌ی بسیاری در 10 سال آینده ظهور خواهند کرد، ما همین حالا در حال تجربه‌ی اثرات برخی از این نوآوری‌ها هستیم. اثراتی که کاربردهای فراوانی برای مدیریت ریسک دارند که شامل موارد زیر نیز می‌شود.

داده‌های کلان (Big Data)

امروزه، حجم بالایی از داده‌های مشتریان در دسترس بانک‌ها قرار دارد. توان محاسبه‌ی سریع‌تر و ارزان‌تر به بانک امکان دستیابی به اطلاعات جدید جهت استفاده در تصمیم‌گیری‌های ریسک خود را می‌دهد. از جمله این اطلاعات می‌توان به رفتار مصرفی، فعالیت در فضای مجازی و تاریخچه‌ی حضور در اینترنت اشاره کرد. دسترسی به داده‌های خارجی و سازماندهی‌نشده این امکان را فراهم می‌کند تا ریسک اعتباری به درستی بررسی گردد و همچنین نظارت بر سبد دارایی، کشف جرائم مالی و پیش‌بینی زیان عملیاتی به راحتی صورت پذیرد.

بانک‌ها تنها در ابتدای این مسیر هستند و چالش‌های زیادی باقی مانده است. یک سوال بزرگ این است که آیا بانک‌ها می‌توانند تأیید قانونی و مشتری برای مدل‌هایی که از داده‌های اجتماعی استفاده می‌کنند را دریافت نمایند؟ اگر این امکان وجود دارد، چه حجمی از مصرف قانونی و قابل پذیرش است؟ استفاده از تکنولوژی می‌تواند کمک کند.

برای آشنایی بیشتر با نقش داده‌های کلان در بانکداری و استفاده‌هایی که برای بانک‌ها دارد می‌تواند به مقاله‌ی داده‌های کلان در بانک‌های مدرن رجوع کنید.

یادگیری ماشین

بکارگیری مداوم انواع مدل‌های جدید، بینش عمیق‌تری نسبت به داده ارائه می‌کند. یادگیری ماشین الگوهای پیچیده و غیرخطی در داده‌های بزرگ را شناسایی و آن‌ها را به مدل‌های ریسک دقیق‌تری تبدیل می‌کند (تصویر 1). این مدل‌ها با هر اطلاعات جدیدی که بدست می‌آورند نکتۀ جدیدی می‌آموزند و طی زمان توان پیش‌بینی خود را ارتقا می‌دهند. بسیاری از بخش‌ها همین حالا از تکنیک‌های یادگیری ماشینی استفاده می‌کنند. بعنوان مثال می‌توان به پیش‌بینی آب و هوا، پیشنهاد محصول آمازون، تشخیص ایمیل‌های Spam در گوگل و پیشنهادات نتفلیکس اشاره کرد. بعضی از بانک‌ها نیز استفاده از این تکنیک‌ها را به طور آزمایشی برای تشخیص کلاهبرداری در کارت‌های اعتباری آغاز کرده اند که نتایج جالب توجهی نیز داشته است (شکل 2).

انتظار داریم عملکردهای ریسک بانک‌ها از یادگیری ماشینی در حوزه‌های مختلفی استفاده نمایند. این حوزه‌ها عبارتند از: کشف جرائم مالی، پذیره‌نویسی اعتبار، سیستم‌های هشداردهنده و مجموعه‌هایی در بخش‌های خرده‌فروشی و شرکت‌های کوچک و متوسط (SMEs). به هر حال، از آن‌جایی که مدل‌های خودآموز نمی‌توانند به روش سنتی مورد تایید قرار گیرند، بکارگیری گسترده‌ی آن‌ها ممکن است با چالش‌های قانونی و نظارتی روبرو شود. حتی اگر قانون‌گذاران اجازه‌ی استفاده از این مدل‌ها را برای اهداف نظارتی بر سرمایه ندهند، باز هم انتظار داریم بانک‌ها از این مدل‌ها برای مقاصد دیگر استفاده نمایند.

جمع‌سپاری

اینترنت امکان جمع‌سپاری ایده‌ها را فراهم می‌سازد. امکانی که بسیاری از شرکت‌ها از آن جهت ارتقای تأثیرگذاری خود در حوزه‌های معین استفاده می‌کنند. یک شرکت بیمه به نام Allstate چالشی طراحی کرد تا الگوریتمی برای بیمه‌ی تصادفات رانندگی را جمع‌سپاری کند. این شرکت در عرض سه ماه توان پیش‌بینی مدل‌های خود را تا 271 درصد افزایش داد.

بسیاری از این نوآوری‌های تکنولوژیک می‌توانند هزینه و جریمه‌های ریسک را کاهش دهند. بانک‌هایی که خیلی زود چنین تکنیک‌هایی را مورد استفاده قرار می‌دهند می‌توانند از مزیت رقابتی برخوردار شوند. به هر حال، به نظر می‌رسد حریم خصوصی داده‌ها و حفاظت از آن‌ها یکی پیش شرط مهم و اساسی باشد.

---

در قسمت بعدی این مقاله به بررسی سه روند نهایی که زمینه‌سازی تغییرات در مدیریت ریسک بانک در 10 سال آینده را فراهم می‌کنند، می‌پردازیم.