-
کیمیاگری داده های بزرگ
بانک ها چگونه میتواند بیشترین ارزش را از داده های مشتریان خود بدست آورند؟
مسعود خرقانی؛معاون فناوری اطلاعات و ارتباطات شرکت صنایع یاس ارغوانی
در حال حاضر بانک ها در تلاش هستند تا به نحوی از داده های در حال افزایش، بهره مند گردند بیش از 70 درصد مدیران بانکی در سراسر جهان می گویند که مشتری محوری برایشان مهم است. اما، دستیابی بیشتر به مشتری مداری نیازمند شناسایی و درک عمیق تر نیاز های مشتری می باشد.بر اساس تحقیقات انجام شده (Capgemini and EFMA, Retail Banking Voice of the Customer Survey) تنها 37 درصد مشتریان بر این باور هستند که بانک ها به اندازه کافی نیازها و ترجیحات آنها را درک می کنند. افزایش حجم و تنوع داده های مشتریان می تواند موجب غافلگیری بانک ها گردد. استفاده مکرر از شبکه های وب و تلفن همراه به افزایش مداوم در تعداد تعاملات مشتری، و در نتیجه منجر به افزایش حجم داده های مشتری می شود. با این حال، تنها از بخش کوچکی از این داده ها برای ایجاد بینش، از تجربه مشتری در بانک ها استفاده می شود. برای نمونه، در سایر کشورها تحقیقات نشان می دهد که کمتر از نیمی از بانک ها، داده های خارجی مشتریان، از جمله فعالیت های رسانه های اجتماعی و رفتار آنلاین آن ها را تجزیه و تحلیل می کنند. علاوه بر این، تنها 29 درصد از آن ها سهم از کیف پول مشتریان را که یکی از اقدامات کلیدی رابطه یک بانک با مشتریان خود است را تجزیه و تحلیل می کنند. و این در حالی است که از بانک های داخلی تقریبا هیچ یک، چنین کاری را انجام نمی دهند. این قطعا عجیب و غریب است با توجه به اینکه ارزش داده های بزرگ برای رهبران کسب و کار در سراسر صنعت خدمات مالی روشن است. بیش از 60 درصد از موسسات مالی در شمال امریکا، بر این باورند که تجزیه و تحلیل داده های بزرگ، یک مزیت رقابتی قابل توجه به آن ها ارائه می دهد. علاوه بر این، بیش از 90 درصد بر این باورند که با طرح های مبتنی بر big data ، موفق به تعیین برندگان آینده خواهند بود. با این حال، داشتن آگاهی نسبت به تاثیرات داده های بزرگ، لزوما به معنی سرمایه گذاری موفق در این زمینه نشده است، و تنها 37 درصد از بانک ها بصورت عملی پیاده سازی big data را تجربه کرده اند. در حالی که اکثر بانک ها هنوز بر روی پایلوت های آزمایشی تمرکز دارند. طی بررسی های صورت گرفته برخی از دلایل فاصله بین اراده و تصمیم برای تجربه عملی و دستیابی به طرح های مبتنی بر big data ، با اقدامات مشخص و واضحی که باید انجام شود، عبارتند از: نیاز به پرکردن خلاء مهارت های مورد نیاز، برای پیاده سازی و توسعه بانک ها باید به مجموعه مهارت های جدید برای تجزیه و تحلیل داده های بزرگ مجهز شوند. مهارت های جدید مدیریت داده ها، از جمله برنامه نویسی، ریاضی، و مهارت های آماری فراتر از آنچه برای برنامه های کاربردی تجزیه و تحلیل سنتی لازم است. به عنوان مثال: "دانشمندان داده"، که باید نه تنها آشنایی خوبی، در فهم مسائل، تجزیه و تحلیل و استنتاج تحلیلی، و فناوری اطلاعات داشته باشند، بلکه باید توانایی برقراری ارتباط موثر با تصمیم گیرندگان را نیز دارا باشند. اما، این ترکیبی از مهارت های کمیاب است، و در واقع سه چهارم از بانک ها منابع مناسب برای به دست آوردن ارزش از big data را ندارد. بانک ها همچنین با چالش آموزش کاربران نهایی داده های بزرگ مواجه هستند، که ممکن است خود کارشناسان داده نباشند، اما نیاز به استفاده از داده ها به منظور تصمیم گیری دارند. عدم تمرکز استراتژیک نگرش به big data فقط به عنوان یکی دیگر از پروژه های فناوری اطلاعات داده های بزرگ نیاز به فن آوری و فرآیندهای جدید برای ذخیره، سازماندهی، و بازیابی حجم زیادی از داده های ساخت یافته و غیر ساخت یافته دارد. روش های متداول (سنتی) مدیریت داده توسط بانک ها، الزامات داده های بزرگ را برآورده نمی کنند. به عنوان مثال، روش های موجود بر روی یک مدل داده ای رابطه ای که در آن روابط در داخل سیستم ایجاد شده بستگی دارد و سپس تجزیه و تحلیل بر روی آن انجام می شود. اما در big data، ایجاد روابط رسمی با انواع داده های بدون ساختار و انجام عملیات روی آن ها دشوار است. برهمین منوال، در بسیاری از پروژه های مدیریت داده های رایج، داده ها از یک منظر ثابت/گذشته نگر (بدون تغییر و یا تغییرات در زمان گذشته) مشاهده و مورد تحلیل واقع می شوند. اما تحلیل داده های بزرگ تا حد زیادی با هدف نزدیک بودن به زمان حال انجام می گردد. در حالیکه دو جنبه ثبات و مقیاس، پیشران اکثر پروژه های فناوری اطلاعات می باشند، big data خواستار توانایی اکتشاف و کاوش در داده های موجود و جدید با قابلیت چابکی است. در نتیجه، در نظر گرفتن یک رویکرد مبتنی بر فناوری داده به شکل مرسوم، سازمان را در بهره مندی از پتانسیل داده های بزرگ محدود خواهد کرد. در واقع مثل این است که ما با ازای هر 100 واحد هزینه ای که صرف داده های بزرگ می شود به طور متوسط بازگشتی معادل 55 واحد را شاهد باشیم. نگرانی های حریم خصوصی، محدود کننده ضوابط و قواعد تجزیه و تحلیل داده مشتری است استفاده از داده های مشتری همواره موجب بروز مسائل حریم خصوصی است. در تجزیه و تحلیل داده های بزرگ، آشکار شدن ارتباط بین قطعات به ظاهر نامرتبط داده ها، به طور بالقوه می تواند باعث فاش شدن اطلاعات حساس اشخاص گردد. تحقیقات نشان می دهد که 62 درصد از بانکداران به دلیل مسائل حریم خصوصی در استفاده از داده های بزرگ محتاط هستند. علاوه بر این، برون سپاری فعالیت های تجزیه و تحلیل داده ها و یا توزیع داده های مشتری در دپارتمان های مختلف سازمان برای ایجاد بینش غنی تر در آن ها، نیز موجب تقویت ریسک امنیتی می باشد. با این اوصاف بانک ها چگونه می توانند به طور موثر به این چالش ها غلبه کنند؟ زمینه های اصلی که آنها باید درآن تمرکز داشته باشند چیست؟
کیمیاگری داده های بزرگ
