نقش داده های بزرگ در صنعت بانکداری
مسعود خرقانی؛معاون فناوری اطلاعات و ارتباطات شرکت صنایع یاس ارغوانی
طی دهه های گذشته صنعت بانکداری در راه تکامل خود با فراز و نشیب هایی در اجرای عملیات و ارائه خدمات مواجه بوده است. با کمال تعجب،بسیاری از بانک ها در بهره برداری و استفاده صحیح و مناسب از اطلاعات موجود در پایگاه داده خودشان ناموفق بوده اند. و این در حالی است که تقریبا همه بانک ها در فرآیندهای خود مقادیر زیادی داده ایجاد و گاها هزینه های گزافی برای جمع آوری و نگهداری آن ها صرف می کنند. برخی از کارشناسان صنعت بانکی رشد هفت برابری حجم موجود داده ها را تا سال 2020 برآورد می نمایند.امروزه فن آوری داده های بزرگ به عنوان راه حلی برای بهره برداری و استفاده این حجم از اطلاعات مطرح می باشد. داده های بزرگ برای بانک ها چه مفهومی دارد؟
علت تعلل استراتژی های مدیریت داده و راه حل های ذخیره سازی داده به شکل رایج و سنتی،در اجرای پروژه های بیگ دیتا چیست. طبق بررسی های انجام شده توسط واحد کسب و کار شرکت آی بی ام با همکاری یک از موسسات مطالعاتی تحقیقاتی اروپایی،عنوان شده است،در 63درصد از بانک ها مهارت در داده های بزرگ،به عنوان یک مزیت رقابتی شناخته شده است. این در حالی است که 91درصد از آنها فاقد مهارت های کلیدی برای اجرای موثر این کار هستند،و تنها 3درصد گزارش کرده اند که در سازمان خود زیرساخت بهره برداری از داده های بزرگ را بطور مستمر مستقر کرده اند.بانک های بسیاری در حال تلاش در این زمینه می باشند،اما به نظر می رسد تعداد کمی از آنها در این کار موفق باشند. چه عاملی تلاش بانک ها در این زمینه را خنثی می کند؟
در اکثر مواقع بانک ها در مواجهه با الزامات یک کار جدید مانند ورود به پروژه داده های بزرگ،تنها به تجربه های قبلی در به کار گیری فن آوری ها و متدولوژی هایی که در چرخه عمر توسعه و استقرار نرم افزار دارند توجه و اکتفا می کنند. تکنولوژی های سنتی،و بویژه رایج ترین آنها در ذخیره داده ها (مثل پایگاه های داده رابطه ای)، برای به اجرا درآوردن مدل های ساختاریافته و بهینه سازی عملکرد پردازش در یک محیط سخت افزار محدود طراحی شده بودند. در نتیجه،خیلی از کارشناسان فن آوری بانک ها به تبدیل داده های مورد استفاده جهت پاسخگویی به این محدودیت ها می پردازند،از جمله تجمع برای برآورده ساختن محدودیت مقیاس پذیری و نرمال سازی داده ها برای برآوردن محدودیت های مدل داده ای. در این مسیر،ادغام و نرمال سازی داده می تواند نقاط ضعف متعدی را موجب شود:
- شماهای داده ای ثابت،انعطاف پذیری در پاسخ گویی به تغییرات داده ای را پشتیبانی نمی کند.
- اصل و نسب (خطوط اصلی) داده ها ممکن است بعد از تجمع و خلاصه سازی از دست برود.
- حاکمیت و نظارت داده ها،زمانی که جریان داده ها در چند مرحله مورد توسعه قرار می گیرد و باید پاسخ گوی نیازهای مراحل مختلف باشد ضعیف می گردد.
این نقاط ضعف،باعث اختلال در موفقیت طرح داده های بزرگ است،که در آن موضوعاتی مانند انعطاف پذیری ساختار داده،دانه بندی مناسب و دقیق تر داده ها،و بهبود قابلیت ردیابی داده ها،لازمه اصلی و بنیادین برای اثربخشی تحلیلی داده ها می باشد. در نتیجه معماری مدیریت اطلاعات به شکل سنتی معمولا در این زمینه مناسب نیست. به علاوه اینکه غالبا،رویکردهای سنتی برای مدیریت پروژه،پیاده سازی و استقرار،و مدیریت تغییرات،در این طرح ها کافی نیست. در دهه های گذشته،سامانه ها با فرض پایداری نسبی،توسعه یافته و سپس مستقر می شدند،بطوریکه تغییرات قابل ملاحظه ای در طول زمان در پلتفرم آنها بعید به نظر می رسید. در حالی که از الزامات پروژ های بیگ دیتا، بررسی و دقیق شدن در خود داده ها و در طول زمان است که باعث هدایت کار تکامل طرح می گردد. بنابراین،هر گونه سفتی و عدم انعطاف،در رویکرد استقرار می تواند به سرعت موجب ریسک ایستایی و رکود،و شکست در تطبیق پذیری با هدف طرح باشد. نیاز به رویکرد جدید
فن آوری داده های بزرگ نشان دهنده راه جدیدی برای بانک ها است که امکان تعامل و استفاده از داده های خود را برایشان فراهم می کند. در نتیجه بانک ها،نیازمند تغییر الگوهای خود برای طراحی،توسعه،استقرار و پشتیبانی راه حل های داده های بزرگ هستند. موجی از فن آوری در ارائه قابلیت های انعطاف پذیری و مقیاس پذیری مورد نیاز، جهت این تغییرات پدید آمده است. روش های جدید برای ذخیره سازی داده ها (به عنوان مثال، پایگاه داده های NoSQL) می تواند بار از بین بردن تعریف ساختار و توانایی ذخیره سازی ارزان داده ها را متحمل شود. نرم افزارهای توزیع داده ها و محاسبات روی آن ها (مانند هادوپ) به درجه ای از بلوغ رسیده اند که می تواند عملکرد مورد انتظار از یک پلتفرم مدرن را ، در حالی که این حجم از داده قبلا هرگز مورد استفاده واقع نشده است، ارائه نماید. این چنین زیرساختی برای گزارش و عینیت بخشیدن داده ها،دیدگاه جدیدی به اطلاعات ایجاد میکند که قبلا فراهم نبوده است. و ابزارهایی برای این کار وجود دارد که می تواند تقریبا در اختیار همگان قرار داده شود. دقیقا زمانی که بانک ها نیازمند ارزیابی مجدد فن آوری ها هستند،روش های پیاده سازی و اسقرار داده های بزرگ نیز باید تغییر یابد. متدولوژی های توسعه ای چابک جهت ایجاد امکان توسعه و استقرار سریع،تکرار شونده،و افزایشی بوجود آمده اند که می توانند در راستای دستیابی سریع به داده ها به طوریکه مورد سنجش،درک،و تجزیه مناسب قرار گرفته باشند،مورد استفاده واقع شوند. امروزه اجزا تشکیل دهنده چارچوب های جامع داده های بزرگ در دسترس و آماده استفاده است و به نظر میرسد که زمان ورود بانک ها به این تکنولوژی فرا رسیده است. حرکتی از مفهوم به واقعیت
با معرفی و پیدایش هر چارچوب جدیدی،سرمایه گذاری زیادی را در حوزه نیروی انسانی،فرآیندها،ابزارها و تکنیک،برای رسیدن به سطح قابل قبولی از مهارت و قابلیت به سوی آن جلب می شود. در این مسیر بانک ها نیز باید تمایل جدی به تغییر داشته و کسب این تکنولوژی را، با روی باز پذیرا باشند،و ضمن رعایت احتیاط کافی،ریسک شکست احتمالی،حداقل در مقیاس پروژه های کوچک را بپذیرند. بدین ترتیب است که آمادگی لازم برای توسعه و تعمیم فن آوری داده های بزرگ بوجود می آید و شانس موفقیت افزایش می یابد. تحقق داده های بزرگ یک فرصت با ارزش است و به هیچ عنوان افسانه ای دور از دسترس نمی باشد. فقط باید با فکری باز و رویکردی متفاوت،و انتخاب صحیح و آگاهانه فن آوری های مناسب،از مفهوم به تحقق تبدیل شود. بررسی جامع پیشرفت
تجزیه و تحلیل داده ها و اینترنت،کار نظارت و ارزیابی پیشرفت بانک ها را در حال حاضر نسبت به گذشته بسیار ساده تر کرده است،که این امر بواسطه دسترسی به حجم انبوهی از اطلاعات شخصی مشتریان امکان پذیر است. اما هم اکنون با فن آوری داده های بزرگ بانک ها قادر خواهند بود از این اطلاعات به طور مداوم برای نظارت رفتارهای تراکنشی و معاملاتی مشتریان خود،در زمان وقوع (و تقریبا بصورت بلادرنگ) استفاده نمایند،واین به بانک ها در ارائه خدمات و منابع مناسب تر کمک می کند. این سرویس های بلادرنگ موجب افزایش سود آوری کلی برای آن ها می گردد. متناسب با میزان افزایش مشتریان بانک ها،الزام به ارائه خدمات متاثر از درخواست ها و نیازهای آن ها نیز بیشتر می شود. لیکن مسئولیت حفظ امنیت وجوه و اطلاعات شخصی مشتریان از مهم ترین موضوعات برای بانک ها محسوب می شود. مزایای استفاده از داده های بزرگ برای صنعت بانکداری
مهم ترین ویژگی و مزیت اصلی پیاده سازی،استقرار و بهره برداری از فن آوری و سامانه های مبتنی بر داده های بزرگ، تسهیل،افزایش کارایی و بهره وری در دو حوزه:
- تشخیص و اعلام رخدادها در لحظه وقوع
- تحلیل،کشف و استخراج اطلاعات مبتنی بر تکنیک های داده کاوی می باشد.
حتی در برخی مواقع،مثل کشف و جلوگیری از تقلب در تراکنش های مالی،نه تنها موجب تسهیل بلکه بدون این تکنولوژی شاید غیر ممکن باشد. برخی از مهم ترین کاربردهای داده های بزرگ در صنعت بانکی عبارتند از:
- تغییر در سطح سرویس دهی
- تشخیص و پیشگیری از کلاهبرداری
- توسعه امکان گزارش گیری پیشرفته و مبتنی بر تحلیل
- بخش بندی مشتریان
- بازاریابی و مدیریت ارتباط با مشتری
- مبارزه با پولشوئی
- ارائه امکانات شخصی سازی محصولات به مشتری
- مدیریت ریسک
- بازرسی و نظارت
نقش داده های بزرگ در صنعت بانکداری
