نشریه آفتاب خاورمیانه

علی پسادست

متصدی امور بانکی - شعبه تبریز بانک خاورمیانه

 

توانایی جمع‌آوری، پردازش و تحلیل داده‌ها برای تصمیم‌گیری‌ استراتژیک، یک ضرورت برای سازمان‌هاست. امروزه با پیشرفت فناوری اطلاعات، دانش به‌دست‌آمده از داده‌ها (از درون و بیرون ‌سازمان‌ها) نقشی اساسی در تصمیم‌گیری مدیران سازمان‌های پیشرو ایفا می‌کند. در این مطلب به فرآیندهای موسوم به هوش تجاری که این نیازها را با کمترین زمان ممکن و در سطح گسترده برطرف می‌کنند، می‌پردازیم و کاربرد آن در صنعت بانکداری را بررسی می‌کنیم.

 

هوش تجاری چیست؟

هوش تجاری (BI: Business Intelligence) به تجمیع حجم بالای داده‌ها از منابع گوناگون برای شناسایی، توسعه یا ایجاد فرصت‌های کسب‌وکار و پایش وضعیت سازمان‌ها گفته می‌شود. هدف از هوش تجاری، استفاده از داده‌ها به شیوه‌های جدید، برای تصمیم‌گیری و حل مسائل سازمان است. به‌طور خلاصه، هوش تجاری ابزار و فرایند تصمیم‌گیری و مدیریت مبتنی بر داده‌ها و اطلاعات است.

ابزارهای هوش تجاری با ایجاد نمودار و تصویری کردن اطلاعات به آنها نظم داده و پیچیدگی آنها را کمتر می‌کنند. از هوش تجاری می‌توان برای تحلیل اطلاعات درونی و بیرونی سازمان مانند وب‌سایت‌ها و اپلیکیشن‌ها بهره برد تا در کنار تحلیل اقدامات گذشته، در تصمیم‌گیری برای اقدامات آینده نیز کمک کنند.

 

تاریخچه و مفهوم هوش تجاری

اصطلاح هوش تجاری نخستین بار در سال ۱۸۶۵ توسط ریچارد میلر در کتاب دانشنامه تجارت مطرح شده است. او این واژه را برای یک بانکدار به‌ کار برد کـه بـا دریافت و تحلیــل اطلاعــات، تــوانسته بود از رقبــای خــود پیشی‌ گرفته و رشد قابل‌‌توجهی را تجربه کند. تاکید میلر بر استفاده از شواهد تجربی برای توسعه استراتژی‌های کسب‌وکار، در زمان خود اهمیت فوق‌العاده‌ای داشت. در دهه‌های بعدی، این مفهوم توسط افرادی مانند فردریک تیلور و هنری فورد که تلاش می‌کردند با تحلیل تکنیک‌های تولید، رفتار کارکنان و تقسیم کار، بهره‌وری کارکنان خود را افزایش دهند، توسعه یافت.

در میانه قرن بیستم و با گسترش رایانه‌ها، هانس پیتر لون در مورد سیستم‌هایی که در زمینه هوش تجاری فعالیت کنند، نظریه‌پردازی کرد. در سال‌های آتی با اینکه تا مدت زیادی کامپیوترها، ماشین‌های عظیمی بودند که یک طبقه یک ساختمان را اشغال می‌کردند، اما از آنها برای راهنمایی مدیران استفاده می‌شد.

در ابتدای قرن بیست‌ویکم، برنامه‌های هوش تجاری در میان شرکت‌های بزرگ به یک جزء ضروری تبدیل شده بود. با رواج استفاده از اینترنت، حجم داده‌هایی که شرکت‌ها می‌توانستند گردآوری کنند، به‌شدت افزایش یافت و از سوی دیگر، ابداعات جدید در حوزه فناوری اطلاعات، قابلیت‌های هوش تجاری در زمینه ذخیره و تحلیل داده‌ها را چندین برابر کرد.

ابزارهای هوش تجاری، داده‌ها را از منابع مختلف به‌ویژه پایگاه داده‌های عملیاتی (مشتریان، محصولات، تراکنش‌ها و غیره) استخراج می‌کنند. این داده‌ها وارد پایگاه داده بزرگی می‌شوند که ساختار آن برای تحلیل و گزارش‌گیری طراحی شده و عملکرد و سرعت بسیار بالاتری نسبت به پایگاه داده‌های عادی و عملیاتی دارد.

در نهایت با استفاده از ابزارهای تحلیلی و گزارش‌گیری، خروجی نهایی یا همان دانش موردنیاز در قالب داشبوردها و گزارش‌ها جهت ارائه به مدیران سازمانی به دست می‌آید. براساس این ابزارها، مدیران می‌توانند با ارزیابی اقدامات قبلی خود، تصمیمات جدیدی اتخاذ کنند. مطالعات نشان می‌دهد که استفاده از هوش تجاری، می‌تواند فرآیند تصمیم‌گیری را تا پنج‌برابر سریع‌تر کند.

 

اگرچه شباهت ظاهری دو واژه هوش تجاری و هوش مصنوعی، ممکن است این تصور را ایجاد کند که مفاهیمی مشابه هستند، اما در واقع به دو ابداع کاملا متفاوت اشاره می‌کنند.

هوش مصنوعی (AI: Artificial Intelligence) به‌‌دنبال تقلید از قابلیت‌های هوش انسانی مانند حل مساله، یادگیری و داوری است. این فناوری به‌طور گسترده در کسب‌وکارها در حوزه‌های گوناگون مانند ارتباط با مشتریان، خودکارسازی فرآیندها و تصمیم‌گیری مورد استفاده قرار می‌گیرد. در مقابل، هوش تجاری به استفاده از فناوری‌ها و ابزارهای گوناگون برای گردآوری و تحلیل داده‌های کسب‌وکار، اشاره می‌کند. هدف اصلی هوش تجاری، فراهم کردن اطلاعات مفید و تحلیل آنها برای کمک به تصمیم‌گیری است.

واژه "هوش" در این دو اصطلاح، معنایی متفاوت دارد؛ کلمه هوش، در هوش مصنوعی به هوش رایانه‌ای اشاره می‌کند که در حالت ایده‌آل، می‌تواند توانایی هوش انسانی را داشته باشد اما منظور از این واژه در اصطلاح هوش تجاری، تصمیم‌گیری هوشمندتر با استفاده از تصویرسازی و تحلیل داده‌هاست. البته هوش مصنوعی به ابزارهای هوش تجاری کمک می‌کند که در سطور آتی به این هم‌افزایی می‌پردازیم.

 

همانطور که مرور شد، اگرچه ابزارهای هوش تجاری در چند دهه گذشته وجود داشته‌اند، اما پیشرفت‌های جدید در حوزه فناوری اطلاعات، ظرفیت‌های آنها را به‌شدت افزایش داده است. هوش مصنوعی که در سال‌های اخیر توسعه فوق‌العاده‌ای پیدا کرده است، می‌تواند به هوش تجاری کمک کند اطلاعات را بهتر پردازش کند. سیستم‌هایی که از هوش مصنوعی استفاده می‌کنند می‌توانند در زمان کوتاه، داده‌های حجیم را با دقت بالا پردازش کنند. هوش مصنوعی ابزارهای هوش تجاری را توانمندتر کرده و امکان بررسی حجم بیشتری از داده‌ها و تعامل با تعداد بیشتری از مشتریان را فراهم می‌کند.

رایانش ابری (Cloud computing) نیز به هوش تجاری کمک می‌کند داده‌های حجیم خود را در فضای ابری (اینترنت) ذخیره‌سازی و تحلیل کنند. به این ترتیب، نیاز به سرورهای بزرگ و گران‌قیمت برطرف شده و شرکت‌ها با کمترین امکانات، می‌توانند بسیاری از نیازهای خود را برطرف کنند.

 

محیط کسب‌وکار بانک‌های مدرن، بازاری پویا با رقابت شدید دارد که حضور در آن به کنترل دقیق و مدیریت ریسک، نیاز دارد. هدف استفاده از هوش تجاری در این بانک‌ها، استفاده از داده‌ها و گزارش‌های مالی، حسابداری و مدیریتی و تبدیل آنها به ارزش تجاری موثر است.ابزارهای هوش تجاری امکان بررسی فرآیندهای سودآور ناشی از سرمایه‌گذاری، مدیریت داخلی بانک‌ها، اطمینان از سلامت فرآیندهای مالی و ارتقای کیفیت خدمات بانکداری الکترونیکی را به‌راحتی فراهم می‌کنند. از سوی دیگر به دلیل رویارویی با حجم زیاد داده‌های ناشی از عملیات روزانه سیستم‌های عملیاتی، استفاده از هوش تجاری در بانکداری به ضرورتی اجتناب‌ناپذیر تبدیل شده است.

 

گزارش‌های مختلف از بانک‌های معتبر دنیا نشان‌دهنده استقبال از هوش تجاری در صنعت بانکداری به‌عنوان یک مزیت رقابتی است. برای مثال بانک جی‌پی ‌مورگان به‌طور گسترده از داده‌کاوی و یادگیری ماشین استفاده کرده و شاهد تاثیر قابل‌توجه آن در بهبود فرآیندها و افزایش رضایت مشتریان خود بوده است. از کاربردهای هوش تجاری در بانک‌ها می‌توان به موارد زیر اشاره کرد:

 

صنعت بانکداری با ریسک‌های قابل‌توجهی مواجه است که باید در مدیریت پس‌اندازها و اعطای وام، بر آنها فائق شود. ابزارهای هوش تجاری به بانک‌ها کمک می‌کنند که اطلاعاتی مانند رفتار مشتریان و بازار را رصد کنند و اعتبارسنجی دقیقی از مشتریان گوناگون داشته باشند. همچنین آنها می‌توانند شرایط اعطای تسهیلات را با توجه به رفتار مشتریان، تنظیم کنند.

 

تحلیل‌های پیشرفته به بانک‌ها کمک می‌کند که تراکنش‌های کلاهبردارانه را در کانال‌های گوناگون مانند پلتفرم‌های آنلاین و اپلیکیشن‌های تلفن همراه شناسایی کنند. این توانایی از آنجا اهمیت دارد که کلاهبرداران ممکن است با انتقال پول در چند حساب گوناگون، تلاش کنند ناظران را فریب دهند.

 

بانک‌ها وظیفه دارند که از استانداردها و قوانین متعدد از مراجع داخلی و بین‌المللی پیروی کنند. با استفاده از هوش تجاری، مدیران می‌توانند از اجرای قوانین و مقررات جدید در همه سطوح بانک‌های خود آگاه باشند. علاوه‌براین، با نظارت دائم و همه‌جانبه، بانک‌ها می‌توانند رفتارهای مشکوک به پولشویی را در لحظه شناسایی کنند.

 

هوش تجاری می‌تواند حجم قابل‌توجهی از اطلاعات در مورد تک‌تک مشتریان، گردآوری کرده و امکان دسته‌بندی آنها با رفتارهای مالی مشابه را فراهم کند. با این قابلیت بانک‌ها می‌توانند براساس رفتار، علایق و نیازهای مشتریان، سایر محصولات خود را به آنها معرفی کنند.

علاوه‌براین هوش تجاری امکان طراحی کارآمد محصولات جدید یا محصولات فعلی بانک‌ها (مانند ارائه تسهیلات با شرایط و میزان مشخص برای گروهی از مشتریان) را فراهم می‌کند. با استفاده از این ابزارها، بانک‌ها می‌توانند عوامل ریزش مشتری را شناسایی کرده و از آن جلوگیری کنند.

 

تحلیل دقیق رفتار مشتریان، رقبا و سایر شرکت‌ها از منابع متعدد به بانک‌ها امکان شناخت بازار را می‌دهد. با این دانش بانک‌ها می‌توانند روندها و الگوهای بازار را بشناسند و بتوانند در حوزه‌های جامانده حضور پیدا کنند.

 

با استفاده از تحلیل‌های پیشرفته هوش تجاری، بانـک‌ها می‌تـوانــند دارایـــی‌های خـــود را بهتــر مدیــریـــت کـــرده و از ناترازی، جلوگیری کنند.

 

ابزارهای هوش تجاری امکان آگاه کردن مشتریان از رفتارهای مالی‌شان را نیز فراهم می‌کند. بانک‌هایی که این ابزارها را با سامانه‌های الکترونیکی خود ادغام می‌کنند، به مشتریان کمک می‌کنند که بتوانند با توجه به نیازها و تمایلات خود، هزینه‌های خود را بهتر مدیریت کنند.

 

همه مواردی که در بالا به آنها اشاره شد، نقش مهمی در کارآمدی عملیاتی و کاهش هزینه‌های بانک‌ها دارند. ابزارهای هوش تجاری به بانک‌ها کمک می‌کنند که با نظارت دائمی بر رفتار کارکنان و بهینگی استفاده از منابع، کارآیی خود را افزایش دهند. این ابزارها می‌توانند، عملکرد کارکنان بخش‌های مختلف، از جمله متصدیان شعبه‌ها را تحلیل کنند. همچنین این امکان فراهم می‌شود که بانک بتواند از میزان استقبال مشتریان از محصولات و خدمات گوناگون خود آگاه شده و در صورت نیاز، میزان سرمایه‌گذاری خود در موارد محبوب‌تر را افزایش دهد.

• امکـان تعیـیـن اهـداف استـراتـژیک و شاخـص‌های کلیدی
• عملکردی (KPI)
•  سنجش میزان تحقق اهداف سازمانی
• نمــایــش وضعـیــت فعــلی، الگـــوی رفتـــاری در طـــول زمــان و مقــایــسه
• کمیت‌های مختلف
• پیش‌بینی وضعیت آتی شاخص‌های مختلف
• نمایش توزیع جغرافیایی داده‌ها
• شناسایی ناهنجاری‌ها و داده‌های خارج از محدوده مورد انتظار
• شناسایی همبستگی و ارتباط معنادار بین شاخص‌ها
• خوشه‌بندی افراد با ویژگی‌های مشابه
• تحلیل سناریو و تحلیل ریسک
• داده‌کـاوی و اجـرای محاسبات پـیچـیده بــر روی داده‌هــا بــرای پاسخ به سوالات مدیران

 

اثر هوش تجاری بر عملکرد مالی بانک‌ها

یکی از کلیدی‌ترین قابلیت‌های سیستم‌های هوش تجاری، تعیین شاخص‌های کلیدی عملکردی و پایش مداوم آنهاست. مدیران بانکی می‌توانند پس از تعریف اهداف مالی سالیانه، میزان تحقق این اهداف و شاخص‌ها را به‌صورت دوره‌ای و طی بازه‌های زمانی کوتاه‌مدت و بلندمدت مشاهده کنند. بررسی‌ها بر روی عملکرد بانک‌های متعدد نشان می‌دهد به‌‌کارگیری هوش تجاری و تصمیم‌گیری مبتنی بر داده‌های دقیق می‌تواند با بهبود عملکرد، بر بازده دارایی و نسبت وام به دارایی اثر مثبت و معنی‌دار بگذارد. از سوی دیگر، هوش تجاری زمینه افزایش بازده سرمایه را از طریق شناخت بهتر فرصت‌ها و تهدیدهای پیش رو فراهم می‌‌آورد. از سوی دیگر، این فناوری می‌تواند با شناخت دقیق‌تر از درآمدها و هزینه‌ها به مدیریت آنها کمک کند.

امروزه فرآیند مدیریت شکل پیچیده‌تری به خود گرفته و تصمیم‌گیری بر مبنای دانشی دقیق و جامع‌، ضرورت یافته است. با توجه به وابستگی صنعت بانکداری به داده‌های مالی، ضروری است تا مدیران بانکی نیز، از فناوری‌های به‎‌روز و پیشرفته هوش تجاری بهره گیرند تا با تصمیم‌گیری براساس بینشی دقیق، عملکرد سازمانی خود را بهبود ببخشند.