ماهنامه پیوست؛ مسعود خرقانی / طی دهه‌های گذشته صنعت بانکداری درراه تکامل خود با فراز و نشیب‌هایی در اجرای عملیات و ارائه خدمات مواجه بوده است. باکمال تعجب، بسیاری از بانک‌ها در بهره‌برداری و استفاده صحیح و مناسب از اطلاعات موجود در پایگاه داده خودشان ناموفق بوده‌اند. این در حالی است که تقریباً همه بانک‌ها در فرایندهای خود مقادیر زیادی داده ایجاد و گاه هزینه‌های گزافی برای جمع‌آوری و نگهداری آن‌ها صرف می‌کنند.
برخی از کارشناسان صنعت بانکی رشد هفت برابری حجم موجود داده‌ها را تا سال ۲۰۲۰ برآورد می‌کنند. امروزه فناوری کلان‌داده به‌عنوان راه‌حلی برای بهره‌برداری و استفاده این حجم از اطلاعات مطرح است.
کلان‌داده جیست؟
کلان‌داده‌ه‌هاا،دارایی‌های داده‌ای‌اند بسیار انبوه، پرشتاب و یا گوناگونی هستند که نیاز به روش‌های پردازشی تازه‌ای دارند تا تصمیم‌گیری، بینش تازه و بهینگی پردازش پیشرفته را فراهم آورند.کلان داده‌ها مسیر حرکت کسب و کار و فرایند چرخش کار در سازمان‌ها را مشخص می‌کنند. در کلان‌داده‌ها با داده‌های متمایز و بزرگ که دائماً از لحاظ حجم، نرخ تولید داده و تنوع در حال تغییر هستند سروکار داریم.
مفهوم کلان‌داده‌ها برای بانک‌ها
علت تعلل استراتژی‌های مدیریت داده و راه‌حل‌های ذخیره‌سازی داده به شکل رایج و سنتی در اجرای پروژه‌های مربوط به کلان‌داده چیست. طبق بررسی‌های انجام‌شده توسط واحد کسب‌وکار شرکت آی‌بی‌ام با همکاری یک از مؤسسات مطالعاتی تحقیقاتی اروپایی، عنوان شده است در ۶۳ درصد بانک‌ها مهارت در کلان‌داده‌ها به‌عنوان یک مزیت رقابتی شناخته شده است.
این در حالی است که ۹۱ درصد از آن‌ها فاقد مهارت‌های کلیدی برای اجرای مؤثر این کار هستند و تنها سه درصد گزارش کرده‌اند که در سازمان خود زیرساخت بهره‌برداری از کلان‌داده‌ها را به‌طور مستمر مستقر کرده‌اند. بانک‌های بسیاری در حال تلاش در این زمینه هستند، اما به نظر می‌رسد تعداد کمی از آن‌ها در این کار موفق باشند.
چه عاملی تلاش بانک‌ها در این زمینه را خنثی می‌کند؟
در اکثر مواقع بانک‌ها در مواجهه با الزامات یک کار جدید، مانند ورود به پروژه کلان‌داده‌ها، تنها به تجربه‌های قبلی در به‌کارگیری فناوری‌ها و متدولوژی‌هایی که در چرخه عمر توسعه و استقرار نرم‌افزار کسب کرده‌اند توجه و اکتفا می‌کنند. تکنولوژی‌های سنتی، به‌ویژه رایج‌ترین آن‌ها در ذخیره داده‌ها (مثل پایگاه‌های داده رابطه‌ای)، برای به اجرا درآوردن مدل‌های ساختاریافته و بهینه‌سازی عملکرد پردازش در یک محیط سخت‌افزار محدود طراحی شده بودند.
درنتیجه، خیلی از کارشناسان فناوری بانک‌ها به تبدیل داده‌های مورداستفاده جهت پاسخگویی به این محدودیت‌ها می‌پردازند، ازجمله تجمع برای برآورده ساختن محدودیت مقیاس‌پذیری و نرمال‌سازی داده‌ها برای برآوردن محدودیت‌های مدل داده‌ای.
در این مسیر، ادغام و نرمال‌سازی داده می‌تواند نقاط ضعف متعدی را موجب شود: شماهای داده‌ای ثابت، انعطاف‌پذیری در پاسخگویی به تغییرات داده‌ای را پشتیبانی نمی‌کند، اصل و نسب (خطوط اصلی) داده‌ها ممکن است بعد از تجمع و خلاصه‌سازی از دست برود، حاکمیت و نظارت داده‌ها، زمانی که جریان داده‌ها در چند مرحله مورد توسعه قرار می‌گیرد و باید پاسخگوی نیازهای مراحل مختلف باشد، ضعیف می‌شود.
این نقاط ضعف باعث اختلال در موفقیت طرح دلان‌داده‌ها است که در آن موضوعاتی مانند انعطاف‌پذیری ساختار داده، دانه‌بندی مناسب و دقیق‌تر داده‌ها و بهبود قابلیت ردیابی داده‌ها، لازمه اصلی و بنیادین برای اثربخشی تحلیلی داده‌هاست. درنتیجه معماری مدیریت اطلاعات به شکل سنتی معمولاً در این زمینه مناسب نیست.
نیاز به رویکرد جدید
فناوری کلان‌داده‌ها نشان‌دهنده راه جدیدی برای بانک‌هاست که امکان تعامل و استفاده از داده‌های خود را برایشان فراهم می‌کند. درنتیجه بانک‌ها نیازمند تغییر الگوهای خود برای طراحی، توسعه، استقرار و پشتیبانی راه‌حل‌های کلان‌داده‌ها هستند. موجی از فناوری در ارائه قابلیت‌های انعطاف‌پذیری و مقیاس‌پذیری موردنیاز جهت این تغییرات پدید آمده است.
روش‌های جدید برای ذخیره‌سازی داده‌ها (به‌عنوان‌مثال پایگاه داده‌های NoSQL) می‌تواند بار از بین بردن تعریف ساختار و توانایی ذخیره‌سازی ارزان داده‌ها را متحمل شود. نرم‌افزارهای توزیع داده‌ها و محاسبات روی آن‌ها (مانند هادوپ) به درجه‌ای از بلوغ رسیده‌اند که می‌تواند عملکرد مورد انتظار از یک پلتفرم مدرن را، درحالی‌که این حجم از داده قبلاً هرگز مورداستفاده واقع نشده است، ارائه کند.
دقیقاً زمانی که بانک‌ها نیازمند ارزیابی مجدد فناوری‌ها هستند، روش‌های پیاده‌سازی و استقرار کلان‌داده‌ها نیز باید تغییر یابد. متدولوژی‌های توسعه‌ای چابک به‌منظور ایجاد امکان توسعه و استقرار سریع، تکرارشونده و افزایشی به وجود آمده‌اند که می‌توانند در راستای دستیابی سریع به داده‌ها، به‌طوری‌که موردسنجش، درک و تجزیه مناسب قرار گرفته باشند، مورداستفاده واقع شوند. امروزه اجزای تشکیل‌دهنده چارچوب‌های جامع کلان‌داده‌ها در دسترس و آماده استفاده است و به نظر می‌رسد زمان ورود بانک‌ها به این تکنولوژی فرا رسیده است.
بررسی جامع پیشرفت
تجزیه‌وتحلیل داده‌ها و اینترنت، کار نظارت و ارزیابی پیشرفت بانک‌ها را در حال حاضر نسبت به گذشته بسیار ساده‌تر کرده که این امر به‌واسطه دسترسی به حجم انبوهی از اطلاعات شخصی مشتریان امکان‌پذیر است؛ اما هم‌اکنون با فناوری کلان‌داده‌ها بانک‌ها قادر خواهند بود از این اطلاعات به‌طور مداوم برای نظارت رفتارهای تراکنشی و معاملاتی مشتریان خود، در زمان وقوع (و تقریباً به‌صورت بلادرنگ) استفاده کنند و این به بانک‌ها در ارائه خدمات و منابع مناسب‌تر کمک می‌کند.
این سرویس‌های بلادرنگ موجب افزایش سودآوری کلی برای آن‌ها می‌شود. متناسب با میزان افزایش مشتریان بانک‌ها، الزام به ارائه خدمات متأثر از درخواست‌ها و نیازهای آن‌ها نیز بیشتر می‌شود. لیکن مسئولیت حفظ امنیت وجوه و اطلاعات شخصی مشتریان از مهم‌ترین موضوعات برای بانک‌ها محسوب می‌شود.
مزایای استفاده از کلان‌داده‌ها برای صنعت بانکداری
برخی از مهم‌ترین کاربردهای کلان‌داده‌ها در صنعت بانکی عبارت‌اند از: تغییر در سطح سرویس‌دهی، تشخیص و پیشگیری از کلاه‌برداری، توسعه امکان گزارش‌گیری پیشرفته و مبتنی بر تحلیل، بخش‌بندی مشتریان، بازاریابی و مدیریت ارتباط با مشتری، مبارزه با پول‌شویی، ارائه امکانات شخصی‌سازی محصولات به مشتری، مدیریت ریسک، بازرسی و نظارت و…
بکارگیری کلان‌داده‌ها در بانکداری
موانع زیادی در تأثیرگذاری کلان‌داده‌ها وجود دارند و مطمئناً شرکت‌ها و بانک‌های زیادی وجود ندارند که بتوانند ازاینجا به آنجا برسند. حداقل این کار در کوتاه‌مدت شدنی نیست. چون اعتقاد بر این است که کسب توانمندی در جذب و آنالیز داده‌های رفتاری و گفتاری در سیستم‌های بانکی و بازاریابی و … تغییر ایجاد خواهد کرد. مشکل دیگر این است که عملاً سوءتعبیر و عدم استفاده صحیحی از عبارت کلان‌داده‌ها آن‌قدر فراگیر شده است که مفهوم اصلی آن را بی‌معنی کرده است.
منبع: https://way2pay.ir
