الزامات رگلاتوری برای بانک‌ها و مؤسسات مالی، مستقیماً تحت تأثیر نیازهای مشتریان این صنعت است. تجربه ورشکستگی و برآورده نشدن انتظارات مشتریان توسط بانک‌ها و مؤسسات مالی در طول تاریخ صنعت بانکی در جهان منجر به کاهش اعتماد مشتریان و درنتیجه افزایش انتظارات در حوزه امنیت و مدیریت ریسک شده است؛ تا جایی که نبود تضمین امنیت داده، مالی، وعده‌های درآمدی و غیره منجر به ورشکستگی و سقوط بانک یا مؤسسات مالی می‌شود.
همگام با تغییرات تکنولوژی، تغییرات دموگرافیک و تغییر انتظارات مشتریان، قوانین جدید به‌صورت مستمر تعریف و تبیین شده است. اجرای این قوانین دیگر به‌عنوان یک مزیت رقابتی نیست بلکه لازمه بقا و ماندگاری در صنعت است. لازمه اجرایی شدن بسیاری از این قوانین استفاده از میلیون‌ها داده‌ای است که هرروز در هر بانک تولید و نگهداری می‌شود.
تطابق با قوانین در فرصت معین و حتی پیشی گرفتن از آن برای داشتن توان رقابت‌پذیری، نیازمند مدیریت چابک داده‌های حجیم است. سامانه‌های مبتنی بر «هوش تجاری» ابزار تسریع و تضمین کیفیت اجرای قوانین در انبوه داده‌های تولیدشده، هستند. این مفهوم دیرآشنای صنعت بانکی در جهان، از زمان پیدایش اولین ابزار ذخیره‌سازی داده، در کنار مفاهیم دیگری مانند انبار داده، تحلیل بر خط و غیره ایجادشده است.
باوجوداینکه قانون‌گذار، بستری برای کاهش ریسک بانک‌ها و مؤسسات مالی و افزایش اعتماد مشتریان ایجاد کرده است، مدیریت ریسک و تضمین امنیت برای هر بانک و موسسه مالی نمی‌تواند فقط محدود به قوانین تعیین‌شده باشد. شناخت ریسک‌ها و خطرات منحصربه‌فرد هر موسسه و مقابله با آن جزء، از نیازهای اساسی و حیاتی مؤسسات و بانک‌هاست.
ابعاد مختلف آن ازجمله ریسک‌های نقدینگی، اعتباری، شهرت، بازار و … در صنعت بانکی، توسط متخصصان ریسک در حوزه مالی و بانکی قابل‌تشخیص است. تحلیل و مدیریت ریسک در هر سازمان مبتنی بر داده‌های صنعت است. داده‌های داخل و خارج از سازمان شامل اطلاعات سایر بازیگران صنعت، نرخ ارز، روندهای رفتاری مشتریان و … بر تحلیل ریسک تأثیر می‌گذارد.
باهدف حداقل کردن زمان و هزینه آماده‌سازی داده‌ها و تضمین کیفیت و صحت آن‌ها و تهیه شاخص‌های کلیدی تحلیل ریسک، استخراج دانش و تهیه گزارش‌های مبتنی بر استانداردها و چارچوب‌های مدیریت ریسک (BASELIII، CAMELS و …)، استفاده از ابزارهای هوش تجاری گریزناپذیر است.
در میان اقدامات واحد مدیریت ریسک در بانک‌ها و مؤسسات که شامل تهیه انباره ریسک، تعیین حدود برای هر ریسک، تدوین استراتژی مدیریت ریسک و پروسه‌های موردنیاز برای اجرایی کردن آن، ارزیابی داخلی ریسک، برنامه‌ریزی برای سرمایه و نقدینگی بانک، آزمون‌های بحران و گزارش دهی است، وظیفه هوش تجاری تنها به جمع‌آوری و یکپارچه‌سازی داده‌ها و به‌طور خاص در مدیریت ریسک، به تهیه انباره ریسک خلاصه نمی‌شود.
در یک پروژه مدیریت ریسک، متخصصان حوزه‌های داده، آمار، مالی و ریسک، نقش اصلی در تعیین شاخص‌ها، حدود ریسک و نحوه اندازه‌گیری آن‌ها دارند. متخصصان در قالب واحد مدیریت ریسک بانک با استفاده از قوانین داخلی و بین‌المللی حدود ریسک را برای بانک یا موسسه مالی خود بومی‌می‌کنند و استراتژی مدیریت ریسک را تدوین می‌کند.
ابزارهای هوش تجاری در کنار جمع‌آوری و افزایش سطح کیفی داده‌ها، ارزیابی انواع شاخص‌های ریسک در کوتاه‌ترین زمان و باکیفیت موردنیاز فراهم می‌کند. همچنین با استفاده از ابزارهای داده‌کاوی و هوش مصنوعی می‌توان به پیش‌بینی، تعریف سناریو و انجام آزمون‌های بحران پرداخت.
اقدامات فوق باید باهدف ایجاد بینش نسبت به وضعیت سازمان از منظر انواع ریسک در حوزه‌های مختلف سرمایه‌گذاری، نقدینگی، دارایی و بدهی، تسهیلات و … صورت گیرد. همچنین باعث بهبود و تسریع فرآیند تصمیم‌گیری در خصوص تخمین سرمایه موردنیاز و نقدینگی کافی برای مقابله با ریسک‌های موجود برای بانک یا موسسه مالی شود.
در راستای اجرایی کردن پروژه مدیریت ریسک مبتنی بر هوش تجاری در بانک، علاوه بر گزارش‌ها و داشبوردهای شاخص‌های کلیدی عملکرد، سامانه‌های متعددی با به‌کارگیری تکنیک‌های داده‌کاوی و هوش مصنوعی طراحی‌شده‌اند. ازجمله این سامانه‌ها می‌توان به سامانه مبارزه با پول‌شویی (AML: Anti Money Laundering)، سامانه ذی‌نفع واحد، سامانه کشف تقلب و سامانه مدیریت دارایی و بدهی (Asset Liability Management) اشاره کرد.
این سامانه‌ها علاوه بر توانمندسازی سازمان در مقابله، انتقال و کاهش ریسک، به بهبود عملکرد در حوزه سودآوری نیز کمک می‌کند. برای مثال سامانه «مدیریت دارایی و بدهی» درواقع مکانیزمی‌است برای رویارویی با ریسک‌های ناشی از ناهم‌خوانی دارایی و بدهی‌ها به علت تمرکز این سامانه بر سودآوری بادوام؛ و در کنار آن ارزیابی ریسک نرخ بهره و حاشیه سود خالص (Net Interest Margin) صورت می‌گیرد. امنیتی که از طریق این سامانه فراهم می‌شود فرصت‌های بهبود ارزش ویژه (Net Worth) را پیش روی بانک قرار می‌دهد.
در حال حاضر بر اساس الزامات بانک مرکزی برخی از سامانه‌های مدیریت ریسک مانند سامانه مبارزه با پول‌شویی در بانک‌ها و مؤسسات مالی کشور پیاده‌سازی شده است؛ اما هنوز جای خالی داشبوردها و گزارش‌های شاخص‌های کلیدی مدیریت ریسک، سامانه‌های «کشف تقلب»، سامانه «مدیریت دارایی و بدهی» و سامانه‌های مبتنی بر هوش مصنوعی برای پیش‌بینی و اجرا کردن «آزمون‌های بحران» در بسیاری از بانک‌های داخلی احساس می‌شود.
شرکت مهندسی فن آفرین حصین، فعال در ارائه راهکارهای مدیریت ریسک، با تکیه‌بر تخصص فنی خود در حوزه مدیریت و تحلیل داده بخشی از این سامانه‌ها را به بانک‌ها و شرکت‌های پرداخت الکترونیک ارائه کرده است و آمادگی توسعه و ارائه راهکارهای کامل‌تر با تکنولوژی‌های روز داده‌کاوی و هوش مصنوعی را در راستای فراهم کردن بستر مدیریت ریسک در صنعت بانکی دارد.
منبع: https://hasin.ir
