نقش داده‌های کلان در بانکداری: بانک‌های مدرن چطور از داده‌های کلان استفاده می‌کنند؟

اخیراً، لفظ داده‌های کلان (Big Data) بیشتر و بیشتر به گوش‌مان می‌خورد. در دنیای دیجیتال امروزی، این تکنولوژی در صنعت مالی نیز مورد استفاده قرار می‌گیرد. می‌خواهیم مسائلی که توسط داده‌های کلان حل می‌شوند را بیشتر مورد بررسی قرار دهیم و استفاده‌ی داده‌های کلان در امنیت سایبری و افزایش وفاداری مشتریان را مرور کنیم.

مدیریت داده، گذشته و حال

حدود 50 سال پیش را در نظر بگیرید، یک مشتری عادی بانک – که اسمش را مایکل می‌گذاریم – وارد شعبه‌ای از بانک در شهر خودش می‌شود و به کارمندی مراجعه می‌کند. آن کارمند مشتری خود را می‌شناسد زیرا چندین سال است که به مایکل خدمات ارائه می‌کند. او می‌داند مایکل کجا کار می‌کند و نیازهای مالی او چیست – و بالطبع می‌داند چطور به او خدمت کند.

چنین مدلی برای سال‌های سال عملیاتی بود. بانک‌ها وفاداری مشتریانی که با کارمندانش در تماس بودند را به دست می‌آورد و آن را حفظ می‌کرد.

اما امروز، مایکل ممکن است در شرکتی بین‌المللی شاغل باشد که در چندین کشور دفتر دارد. کاملاً محتمل است که او دو سال را در لندن زندگی کند، سپس برای یک سال به برلین برود، سپس برای دو سال دیگر به دبی برود و مقصد بعدی او سنگاپور باشد.

اگر طرح قبلی تا به امروز برقرار بود، به‌هیچ‌وجه با واقعیت فعلی همخوانی نداشت. هیچ کارمند بانکی اطلاعات دقیقی در مورد مراودات مالی مایکل نداشت و نمی‌دانست چطور باید نیازهای مالی او را برطرف کند.

ما در دنیایی زندگی می‌کنیم که صنایع زیادی، از جمله صنعت بانکداری، مسائل خود را با توجه به مدل خدماتی جدید برطرف می‌کنند. علم داده در بانکداری به افراد اجازه می‌دهد به‌طور پیوسته تمامی اطلاعات را از منابع دیجیتال و سنتی جمع‌آوری کرده و یک ردپای دیجیتالی برای هر مشتری بسازد. در این‌جاست که فناوری داده‌های کلان به کمک بانک می‌آید.

داده‌های کلان چیست؟

داده‌های کلان به حجم روزافزون اطلاعات ساختارمند یا غیرساختاریافته‌ای که در قالب‌های مختلف در زمینه‌ای مشخص وجود دارند، اطلاق می‌شود. مشخصه‌های اصلی این فناوری حجم، سرعت، تنوع، ارزش و دقت است.

چنین مجموعه‌داده‌هایی از منابع مختلف فراتر از قدرت مدیریت سیستم‌های پردازش داده‌ی فعلی هستند. با این حال، شرکت‌های بزرگ در حال حاضر از داده‌های کلان برای روبرویی با چالش‌های غیراستاندارد کسب‌وکارهای خود استفاده می‌کنند.

طبق گفته‌ی رویترز،  در سال 2019، هیئت ثبات مالی[1] گزارشی مبنی بر اهمیت نیاز پایش مداوم نحوه‌ی استفاده‌ی شرکت‌ها از ابزارهای داده‌های کلان منتشر کرد. مهم‌ترین این شرکت‌ها عبارتند از مایکروسافت (Microsoft)، آمازون (Amazon)، ای‌بی (eBay)، بایدو (Baidu)، اپل (Apple)، فیسبوک (Facebook) و تنسنت (Tencent) که پایگاه‌داده‌های عظیم آن‌ها بدون شک مزیتی بزرگ به آن‌ها داده است. علاوه بر عملیات‌های اصلی خود، تعدادی از این شرکت‌ها در حال حاضر نیز به مشتریان خود خدمات مالی همچون مدیریت دارایی، خدمات پرداخت و وام‌دهی را پیشنهاد می‌دهند.

اهمیت داده‌های کلان برای بانک‌ها

شرکت‌های غیربانکی می‌توانند به‌دلیل وجود داده‌های مورد نیاز وارد حوزه‌ی کاری موسسات مالی شود. پس تکلیف داده‌های کلان فینتک‌ها در بانک‌ها چه می‌شود؟

مجله‌ی اَمریکن بنکر فهرستی از روندهای اصلی در حوزه‌ی بانکداری در دهه‌ی پیش رو تهیه کرده است. متخصصان نقش روزافزون داده‌ی کاربران را یکی از مهم‌ترین عوامل این حوزه می‌دانند. در نهایت، بهترین حالت سرویس‌دهی بانک این است که به هر مشتری دقیقاً همان خدمت یا توصیه‌ای را ارائه کند که در حال حاضر به آن نیاز دارد.

برخی بانک‌ها از برنامه‌های مبتنی بر هوش مصنوعی استفاده می‌کنند که در آن کاربر می‌تواند توصیه‌هایی در زمینه‌ی سواد مالی، مدیریت هزینه‌ها، پس‌انداز کردن و سرمایه‌گذاری دریافت کند – و تمام این‌ها بر اساس درخواست‌های شخصی کاربر است.

برای مثال، در سال 2019، بانک هانتینگتون نرم‌افزار Heads Up را معرفی کرد. این برنامه به کاربر در مورد احتمال پوشش هزینه‌های برنامه‌ریزی‌شده در آینده، با توجه به نحوه‌ی خرج‌کردهایش، اخطار می‌دهد. پس از اتمام دوره‌ی رایگان استفاده از نرم‌افزار، برنامه به کاربر در مورد اتمام این دوره و هزینه‌های استفاده از نرم‌افزار اعلان می‌دهد. ویژگی دیگر این نرم‌افزار این است که در مورد تراکنش‌های مشکوک به کاربر اطلاع می‌دهد، مثلاً زمانی که در رستوران یا فروشگاه پرداختی انجام می‌دهد.

این نرم‌افزارهای با استفاده از تحلیل پیش‌گویانه[2] تراکنش‌ها را به صورت لحظه‌ای پایش کرده و عادت‌های کاربر را شناسایی می‌کنند، سپس با استفاده از این داده‌ها اطلاعات مفیدی در اختیار وی قرار می‌دهند.

چرا نقش داده‌های کلان روزبه‌روز بیشتر می‌شود؟

امروزه، دیدگاه مشتریان نسبت به بانک‌ها تغییر کرده است. مایکل از مثال قبلی را به خاطر بیاورید – در اوایل کار خود او برای رفع مشکلاتش باید در شعب بانک حضور فیزیکی می‌داشت، اما حالا می‌تواند پاسخ تمامی سوالات خود را به صورت آنلاین پیدا کند.

نقش شعب بانک در حال تغییر است. آن‌ها حالا می‌توانند روی وظایف مهم‌تر تمرکز کنند. در عوض مشتریان از نرم‌افزارهای موبایل استفاده می‌کنند، دسترسی آنلاین به حساب‌های خود دارند و می‌توانند هر عملیاتی را از طریق گوشی‌های هوشمند خود انجام دهند.

نکته‌ی مهم دیگری که باید مد نظر قرار بدهیم این است که، در دنیای مدرن افراد تمایل بیشتری نسبت به به‌اشتراک گذاشتن اطلاعات خود دارند. آن‌ها در مورد محصولات و خدمات مختلف نظر می‌دهند، موقعیت خود را منتشر می‌کنند و در شبکه‌های اجتماعی حساب باز می‌کنند. چنین حد تحملی برای ریسک و تمایل برای انتشار اطلاعات خصوصی منجر به ایجاد مقادیر بسیار زیادی از داده در مسیرهای مختلف شده است. این بدین معنی است که نقش داده‌های کلان در حال افزایش است.

بانک‌ها چگونه از داده‌های کلان استفاده می‌کنند

با استفاده از فناوری که در بالا گفته شد، بانک‌ها می‌توانند در مورد دسته‌بندی مشتریان و ساختار درآمد و هزینه‌هایشان اطلاعاتی به دست بیاورند، مسیرهای تراکنش‌ها را درک کنند، بر اساس نظرات مشتریان بازخورد کسب کنند، ریسک‌های محتمل را ارزیابی کنند و از وقوع کلاهبرداری پیش‌گیری کنند.

در ادامه چندین مثال از استفاده‌ی داده‌های کلان که برای بانک مزیت ایجاد می‌کنند را مرور خواهیم کرد.

• تحلیل درآمدها و هزینه‌های مشتریان

بانک‌ها به منبع عظیمی از داده‌های درآمد و هزینه‌های مشتریان دسترسی دارند. این اطلاعات شامل درآمد سالانه آن‌ها برای بازه‌ای خاص و جریان نقد که به حساب آن‌ها وارد شده است می‌شود. یک موسسه مالی می‌تواند این اطلاعات را تحلیل کرده و نتیجه‌گیری کند که آیا درآمد افزایش یا کاهش پیدا کرده، کدام منابع درآمدی پایدارتر هستند، چه خرج‌هایی صورت گرفته است و مشتری برای انجام برخی تراکنش‌های خاص از چه مسیرهایی استفاده کرده است.

با مقایسه‌ی این داده، بانک‌ها در مورد احتمال افزایش اعتبار مشتریان تصمیم‌گیری می‌کند، ریسک‌ها را ارزیابی می‌کند و تعیین می‌کند که مشتری به دریافت سود علاقه دارد یا سرمایه‌گذاری.

• دسته‌بندی مشتریان

پس از ارزیابی اولیه‌ی ساختار درآمد-هزینه، بانک مشتریان خود را بر اساس یک سری شاخص معین در دسته‌های مختلف قرار می‌دهد. این اطلاعات کمک می‌کند در آینده به مشتریان خدماتی مناسب ارائه شود. و این بدان معناست که کارمندان موسسه مالی قادر خواهند بود با استفاده از پیشنهادی شخصی‌سازی‌شده محصولات جانبی بیشتری به مشتریان بفروشند. به‌علاوه، بانک می‌تواند هزینه‌ها و درآمدهای قابل انتظار مشتری در ماه بعد را تخمین زده و برنامه‌هایی دقیق برای حصول اطمینان از دریافت سود و بیشینه‌سازی درآمد طراحی کند.

• ارزیابی ریسک و پیشگیری از کلاهبرداری

دانستن الگوهای عادی رفتارهای مالی افراد به بانک کمک می‌کند که بفهمد کجا کار به مشکل خورده است. برای مثال، اگر یک «سرمایه‌گذار محتاط» سعی کند تمامی پول خود را از بانک برداشت کند، می‌تواند بدین معنا باشد که کارت بانکی او به سرقت رفته و توسط کلاهبرداران استفاده می‌شود. در این صورت، بانک می‌تواند با مشتری تماس گرفته و موقعیت را شفاف‌سازی کند.

تحلیل انواع دیگر تراکنش‌ها نیز می‌تواند احتمال کلاهبرداری را به مقدار قابل توجهی کاهش دهد. برای مثال، علم داده در بانکداری می‌تواند برای ارزیابی ریسک‌ها در زمان معامله‌ی سهام یا برای تعیین ارزشمندی اعتباری یک متقاضی وام مورد استفاده قرار گیرد. همچنین تحلیل داده‌های کلان در فرآیندهایی که نیازمند تعیین انطباق، حسابرسی یا گزارش‌دهی است نیز به کمک بانک می‌آید. این کار عملیات‌ها را ساده می‌کند و هزینه‌های سربار را کاهش می‌دهد.

• مدیریت بازخورد برای افزایش وفاداری مشتری

امروزه، مردم از طریق گوشی هوشمند یا استفاده از سایت بازخوردهای خود نسبت به موسسه مالی را اعلام می‌کنند یا در شبکه‌های اجتماعی نظر خود را منتشر می‌کنند. متخصصان این ارجاعات عمومی را با استفاده از علم داده بررسی می‌کنند. در نتیجه، بانک می‌تواند پاسخ‌هایی متناسب و درخور به نظرات بدهد. و این در نهایت منجر به افزایش وفاداری مشتریان می‌شود.

در دنیای امروز، داده‌های کلان چشم‌اندازهای جدیدی برای توسعه‌ی بانک ترسیم می‌کند. موسسات مالی که از این فناوری استفاده می‌کنند نیازهای مشتریان را بهتر درک می‌کنند و تصمیمات دقیق‌تری می‌گیرند. در نتیجه می‌توانند کاراتر باشند و در پاسخ به نیازهای بازار موفق‌تر عمل کنند.

---

[1] Financial Stability Board

[2] Predictive Analysis