خزانه‌داری آینده، خود مسئولیت مدیریت خود را بر عهده دارد: خودکارسازی کامل فرآیندها در کنار استفاده از داده‌ی ساختاریافته و بدون ساختار به واحد خزانه‌ی بانک امکان می‌دهد نمایی کلی از تمامی شاخص‌های عملکردی کلیدی (KPI) مرتبط بانک را به صورت برخط در هر زمانی مشاهده کند. در این دنیای خودکار، مدل‌های مورد استفاده، که با یکدیگر در تعامل و هماهنگی به سر می‌برند، از طیف وسیعی از داده‌ها استفاده می‌کنند تا رفتار مشتری را مدل‌ کرده و ریسک را با دقت بالاتر اندازه‌گیری کنند.

به علاوه، تصمیمات فنی عملیاتی، مثلاً پیشنهادات معاملات و پوشش ریسک نیز می‌تواند بر اساس برنامه‌ریزی‌های سرمایه‌ای و اشتهای ریسک بانک خودکارسازی شوند. در نتیجه، استفاده‌ی هدف‌مند از راهکار‌های دیجیتال می‌تواند منجر به کاهش هزینه، مدیریت کارایی بهتر و خلق ارزش شود.

گام به گام با مدیریت خزانه‌ی خودکار

در نتیجه‌ی دیجیتال‌سازی و خودکار شدن فرآیندها، نقش خزانه‌دار نیز عوض خواهد شد: بانک‌داری خودکار نیاز به دخالت انسانی در قالب فعالیت‌های تکراری و دستی را از بین خواهد برد. به جای آن، خزانه‌دار باید مسئولیت کالیبره کردن و نظارت بر مدل‌های جدید و تفسیر و انتقال نتایج را بر عهده بگیرد.

هنگامی که کار به تفسیر تعداد زیادی از شبیه‌سازی‌های مختلف می‌رسد، هوش مصنوعی نمی‌تواند جای هوش انسانی را بگیرد. در یک خزانه‌داری خودکار، خزانه‌دار و کارمندان خزانه بیش از پیش نقش مشاور کلیدی و استراتژیک مدیر ارشد مالی را بر عهده می‌گیرند. آن‌ها همچنین می‌توانند با کمک زیرساخت‌های هوشمند فناوری سناریوها و گزینه‌های استراتژیک را به سرعت تحلیل کنند.

موارد استفاده در خزانه: فناوری به عنوان یک دستیار

بر خلاف قسمت‌هایی که با مشتری به صورت مستقیم سروکار دارند و تجربه‌ی مشتری اولویت شماره‌ی یک است، موارد استفاده‌ی فناوری در مدیریت بانک به صورت واضح قابل مشاهده نیست. دلیل این مسئله آن است که صرفاً یک رابط کاربری میان مشتریان و نرم‌افزارهای کاربری وجود ندارد، بلکه تعداد بسیار زیادی از روابط و وابستگی‌ها میان داده و سیستم‌ها وجود دارد.

مورد اول: بهینه‌سازی مدیریت LCR و مدل‌سازی رفتار مشتری با هوش مصنوعی در خزانه

مقدار زیاد دارایی‌های نقدی که بانک‌ها باید نزد خود نگه دارند تأثیر منفی قابل توجهی بر سودآوری آن‌ها داشته است. پایین آمدن نرخ بهره و مشکلات اقتصادی دیگر نیز این تأثیر را دوچندان کرده‌اند. اگر پیش‌بینی‌ها برای آینده از دقت کافی برخوردار نباشند بانک‌ها مجبور خواهند شد ذخیره‌های بزرگ‌تری از دارایی‌های نقد باکیفیت را نگهداری کنند، که تاثیر منفی بر سودآوری سبد سرمایه‌گذاری‌شان خواهد داشت.

یکی از کاربردهای بسیار جالب در این سناریو، پیش‌بینی جریان‌های نقدی و موجودی با کمک هوش مصنوعی است. بهبود پیش‌بینی به روش‌های مختلف قابل دستیابی است. برای مثال، استفاده از الگوریتم‌های یادگیری ماشین که قادر به مدل‌سازی تعداد زیادی داده از جمله حساب، مشتری و داده‌ی بازار برای پیش‌بینی رفتار آینده‌ی مشتریان (برای مثال، بستن حساب، زودپرداخت وام، برداشت از حساب) هستند.

یکی از کاربردهای جامع‌تر این رویکرد، استفاده از داده‌ی مشتری و کسب‌وکار تمامی حساب‌های مشتریان یا حتی تراکنش‌های آن‌ها برای مدل‌سازی تمامی محصولات مرتبط با LCR است. یک مثال خوب در این زمینه، پایش تراکنش‌های حساب‌های جاری یک مشتری به منظور پیدا کردن یک الگوی تکرارشونده برای بهبود دقت پیش‌بینی است. هرچه دقت پیش‌بینی بالاتر باشد، مقدار سپر نقدینگی مورد نیاز کمتر می‌شود. این بدین معناست که بانک می‌تواند این نقدینگی آزادشده را در دارایی‌های پربازده‌تر سرمایه‌گذاری کند.

مورد دوم: خودکارسازی گزارش‌دهی در خزانه

به دلیل جزیره‌ای بودن سیستم، اکثراً کارشناسان بانک مجبورند حجم زیادی از داده را هر روز به صورت دستی جمع‌آوری کرده و به صورت مستقل آماده کنند. چنین فعالیت‌هایی منابع زیادی را درگیر می‌کند، در معرض خطا قرار دارد و فرآیند تصمیم‌گیری را کند می‌سازد.

سازمان‌هایی که همچنان به این منوال کار می‌کنند می‌توانند با گزارش‌گیری خودکار و آماده‌سازی روزانه‌ی محاسبات از فشار کاری کارمندان خود بکاهند. چنین کاری نه تنها در هزینه‌های صرفه‌جویی می‌کند، بلکه وقت را برای انجام کارهای ضروری‌تر آزاد می‌سازد.

مورد سوم: شبیه‌سازی سریع‌تر جریان‌های نقد با پردازش ابری

فناوری ابری این امکان را در اختیار بانک قرار می‌دهد که حجم زیادی از پردازش داده را به سرعت انجام دهد. برای مثال، شبیه‌سازی جریان‌های نقد تعداد بسیار زیادی حساب با توجه به نرخ بهره و داده‌ی بازپرداخت در حال حاضر چندین ساعت زمان می‌طلبد، به‌طوری‌که معمولاً انجام آن را برای زمان شب برنامه‌ریزی می‌کنند.

اگر این محاسبات به قسمت‌های کوچک‌تر تقسیم شده و با استفاده از پردازش موازی ابری انجام شود، زمان انجام آن به چندین دقیقه کاهش پیدا می‌کند. با این کار می‌توان محاسبات بیشتری انجام داد (یا حتی محاسبات قبلی را با پارامترهای مختلف تکرار کرد) و اطلاعات تکمیلی و بیشتری جمع‌آوری کرد.

چالش‌های خزانه در مسیر دیجیتال‌سازی

تحول دیجیتال در مدیریت بانک‌ پیچیدگی‌های خاص خود را دارد زیرا فعالیت آن‌ها در حوزه‌ای بسیار حساس است که نیازمند پاسخگویی به نه تنها مدیریت ارشد بلکه نهادهای نظارتی نیز می‌باشد. بسته به پیچیدگی تکنولوژی مورد استفاده، سوالاتی در مورد شفافیت روش‌ها و تفسیرپذیری نتایج بالقوه به وجود می‌آید.

تا به این جا رویکردهای علمی مختلفی توسعه پیدا کرده‌اند، اما تعداد کمی از آن‌ها موفق شده‌اند در توصیف الگوریتم‌های جعبه‌سیاه قدمی بردارند. در بهترین حالت آن‌ها صرفاً اطلاعاتی مبهم ارائه می‌کنند. بسته به مورد استفاده‌ی خاص آن‌ها، بانک‌ها (با مشاوره‌ی مستقیم نهادهای نظارتی) باید با دقت مدلی که تعادلی متناسب میان دقت پیش‌بینی و شفافیت/تفسیرپذیری و همچنین مدیریت‌پذیری برقرار می‌کند را انتخاب کنند.

یکی از اصول واضحی که بانک باید آن را رعایت کند، توجه به امنیت و حفاظت داده است. در قدم اول، هم در انتخاب روش فنی و هم در انتخاب داده، بانک باید از داده‌هایی استفاده کند که وجود آن‌ها برای تحلیل ضروری است (اصل اساسی رعایت حریم خصوصی)، و در صورت نیاز، داده‌های حساس شخصی را به صورت ناشناس استفاده کند.

مزایای بالقوه‌ی رویکرد چابک

برای مقابله با چالش‌هایی که ذکر شد و در عین حال پیاده‌سازی صحیح موارد استفاده‌ی بیان‌شده، نیاز است که مهارت‌های عملی و نظری را به صورت توامان و ذره‌ذره پیاده کرد. برای این کار بهتر است بانک تیمی متشکل از مهندسان داده، متخصصان هوش مصنوعی و کارشناسان خزانه گرد هم آیند و از همان ابتدا دانش خود را در این زمینه به اشتراک بگذارند. اساس درست اجرا شدن این امر استفاده از رویکرد چابک است. به طور خاص، اصل «شکست سریع» (اگر روشی به هدف مورد انتظار منتهی نشود یا ادامه‌ی آن عملی نباشد، به سرعت در همان ابتدا مشخص می‌شود) اجازه می‌دهد فرآیندها را به آسانی تعدیل و بهبود بخشید.

نمونه‌سازی فرآیند تکراری و چندمرحله‌ای است. در شروع فرآیند ، یعنی مرحله‌ی اول، باید تیم نیازهای مختص موسسه را شناسایی کند. این کار با بررسی کسب‌وکار بانک و تحلیل داده‌های موجود امکان‌پذیر است. یک تیم چندتخصصی نیز فرضیاتی در مورد عوامل موثر بر موفقیت مدل را آزمایش می‌کنند.

در فاز پیاده‌سازی، متدها و الگوریتم‌های متناسب انتخاب و داده آماده‌سازی می‌شود. این کار با همکاری دپارتمان فناوری اطلاعات بانک و با تکیه بر توانایی‌های کامپیوتری آن‌ها انجام می‌شود. در همین حین مزایا و معایب استفاده از مدل‌های مختلف نیز مشخص خواهد شد.

فاز سوم نمونه‌سازی شامل ارائه‌ی نتیج حاصل‌شده و بحث در مورد کاربرد آن‌ها است. این به بانک اجازه می‌دهد پتانسیل پیاده‌سازی وسیع‌تر این روش‌ها را مورد بررسی قرار دهد و در صورت نیاز و امکان پروژه را گسترش دهد.

نتیجه

راهکارهای جدید نوآورانه‌ی دیجیتال طیف وسیعی از ابزارهای جدید را در اختیار بانک قرار می‌دهد. اما بهتر است تمرکز بر خود تکنولوژی نباشد، بلکه توجه را بر چالش‌های معمولی گذاشت که خزانه‌ی بانک هر روز با آن‌ها دست‌وپنجه نرم می‌کند. می‌توان با توجه به مورد استفاده‌ی بانک، آن روشی را که بهترین راه‌حل را ارائه می‌دهد انتخاب نمود. این راه‌حل هم می‌تواند استفاده از یک فناوری دیجیتال باشد، یا هم که از ترکیبی از روش‌‌های آماری سنتی استفاده نمود.

با در پیش گرفتن یک رویکرد چابک، خزانه‌ی بانک می‌تواند توسعه‌ی نمونه‌سازی مدل‌های جدید را به دقت بررسی کرده و بهترین روش را انتخاب کند. در این مسیر، خزانه‌دار و کارشناسان خزانه درک جدیدی از نقش خود پیدا می‌کنند و منابع جدیدی که آزاد شده است برای وظایف کاربردی دیگر استفاده خواهند شد.

---

علاوه بر مواردی که در این مقاله ذکر شد، یکی از استفاده‌های مهم هوش مصنوعی در خزانه‌ی بانک، کمک به بهتر نمودن پیش‌بینی‌ها است. در مقاله‌ی «آزمون‌های فرابحران برای مدیریت استراتژیک خزانه» از نقش هوش مصنوعی در بهبود اجرای آزمون بحران در فرآیندهای خزانه صحبت شده است که به مدیران بانک دیدی جامع از این موضوع کابردی ارائه می‌کند.