داتا
منو موبایل

داتا

تحلیل داده؛ مزیتی پنهان یا گنجی دسترس‌ناپذیر؟

گفت‌وگو با فعالان حوزه فناوری اطلاعات، درباره چرایی و ضرورت توسعه تحلیل داده در صنایع بانکی و پرداخت کشور

عصر تراکنش: امروزه در نظام بانکداری جهانی، تحلیل داده اساس و بنیان بانکداری دیجیتال را تشکیل می‌دهد؛ مقوله‌ای که خطاهای انسانی را در عملیات مالی به حداقل می‌رساند و با کمک به پیش‌بینی‌پذیر شدن بحران، این امکان را برای مدیران فراهم می‌کند تا بتوانند رویکرد مناسبی را برای جلوگیری از حادث شدن آن اتخاذ کنند و همچنین در مسیر ایجاد تجربه‌های شخصی‌سازی‌شده برای مشتریانشان قدم بردارند. با این حال بسیاری از فعالان صنعت بانکی و پرداخت کشور بر این باورند که تحلیل داده هنوز در ایران به‌طور کامل رشد نکرده و تاحدودی در ایران معنایی ندارد. در همین راستا به سراغ مجید کیوان، مشاور بانکداری باز؛ علی گل‌زاده، مدیرعامل شرکت داتا (زیرمجموعه هلدینگ تفتا بانک تجارت)؛ مسعود حسینی، مدیرعامل شرکت تفکر پیشرو عصر داده؛ فرهاد بهمنی، عضو هیئت‌مدیره پست‌بانک؛ علی حاجی‌زاده مقدم، مدیرعامل شرکت آدانیک و نوش‌‏آفرین مؤمن واقفی، معاون فناوری اطلاعات بانک دی رفتیم تا طی گفت‌وگو با آنها تحلیلی از موقعیت کنونی تحلیل داده در کشور و ضرورت توسعه آن ارائه کنیم. به عقیده این افراد، بانکی که قصد حرکت به سمت تحول دیجیتال را دارد باید داده را به‌عنوان یک دارایی اصلی در نظر بگیرد و این مهم نیازمند سرمایه‌گذاری در راه‌اندازی زیرساخت کلان‌داده است تا از این طریق بتوان به تحلیل‌های دقیقی دست یافت و در ارائه خدمات و تصمیمات از آنها استفاده کرد؛ با این حال چالش‌های این مسیر نیز کم نیستند؛ چالش‌هایی از جنس حفظ حریم شخصی، مالکیت و امنیت داده که به باور این افراد با همراهی رگولاتور بهتر می‌توان این مسیر را طی کرد. در ادامه گزارشی از این گفت‌وگوها را می‌خوانید.

در زمینه تحلیل داده به بن‌بست رسیده‌ایم

مسعود حسینی، مدیرعامل شرکت تفکر پیشرو عصر داده، باور دارد که تحلیل داده در صنعت بانکی و پرداخت کشور هنوز به بلوغ کامل نرسیده و یکی از موانع رشد آن، کمبود سرمایه‌‌گذاری کلان در زیرساخت‌های فناوری و نرم‌افزارهای تخصصی است. حسینی در این باره می‌گوید: «فقدان نیروی انسانی آموزش‌دیده در زمینه علم داده و تحلیل داده در مؤسسات مالی، بانک‌ها و فین‌تک‌ها، باعث شده که ما نتوانیم از تمام قابلیت‌های تحلیل داده استفاده کنیم. یکی دیگر از مواردی که در این زمینه مغفول مانده، محدودیت‌های قانونی برای دسترسی به داده‌ها و استفاده از آنها است که نبود چهارچوب‌های قانونی مشخص برای تعیین مالکیت داده‌ها و حفاظت از آنها هم به این مشکل دامن زده است. تاکنون تلاشی برای ارائه تعریفی دقیق از داده و مالک داده‌ها صورت نگرفته است و معلوم نیست که مالک داده‌ها، پلتفرم‌ها هستند یا کاربرهای پلتفرم‌ها. در سایر کشورها و در سیستم‌های مشابه، قوانینی که در این زمینه تدوین شده‌اند از یک سو رویکرد سخت‌گیرانه‌ای را در حفاظت از اطلاعات کاربرها اتخاذ کرده‌اند و از سوی دیگر ذیل اجازه کاربرها، این جواز را به پلتفرم‌ها داده‌اند تا هرگونه داده‌ای را با مؤسسات مختلف به اشتراک بگذارند.»

حسینی بزرگ‌ترین چالش قانونی مرتبط با تحلیل داده را مسئله حفظ حریم شخصی، مالکیت و امنیت داده می‌داند، زیرا معتقد است این دست از موارد، مانع از آن می‌شوند که بانک‌ها و مؤسسات اعتباری به‌طور کامل از داده‌های جمع‌آوری‌شده برای تولید خدمات بهینه و شخصی‌سازی‌شده استفاده کنند. او می‌گوید: «برای رفع این مشکل لازم است نهادهای دولتی و نظارتی با ایجاد و تحکیم چهارچوب‌های قانونی، از داده‌ها حفاظت کنند و دسترسی به داده‌ها را برای فعالیت‌های تجاری ممکن سازند. این مسئله بدون برگزاری جلسات مشاوره با کارشناسان فناوری و حقوقی و آگاهی از نظرات آنها غیرممکن است و حتماً باید تشکل‌های بخش خصوصی نیز در این جلسات مشارکت داشته باشند. درنهایت ما در زمینه تحلیل داده به بن‌بست رسیده‌ایم و در شرایطی قرار داریم که هیچ داده‌‌ای در اختیار هیچ‌کسی نیست؛ زیرا به دلیل مشخص نبودن مالک داده‌ها ممکن است نشت اطلاعات رخ دهد.»

حسینی معتقد است برای افزایش بلوغ داده‌محوری در صنایع بانکی و پرداختی کشور باید زیرساخت‌ها را در حوزه فناوری اطلاعات به‌روز کنیم تا توان تحلیلی درون‌سازمانی‌مان افزایش یابد که به نظر او احتمال وقوع این مسئله کم است و چنین چیزی اساساً باید در نوعی آرمان‌شهر رخ دهد. او می‌گوید: «به دلیل تحریم‌های خارجی و همین‌طور محدودیت‌های داخلی، توسعه برنامه آموزشی برای کارمندان و پرسنل در زمینه علم تحلیل داده عملاً دچار اختلال است. ما به دلیل وجود تحریم‌ها و افزایش مداوم نرخ ارز، به دانش و سکوهای پردازش جدید دسترسی نداریم و امکان واردات سیستم‌های پردازش ابری که بتوان به کمک آنها در مقیاس بزرگ مدل‌سازی کرد و تحلیل‌های گسترده‌ای انجام داد وجود ندارد. با این حال، می‌توان طی همکاری‌های نوآورانه و خلاقانه با استارتاپ‌ها و شرکت‌های فناوری که در تحلیل داده تخصص دارند و با به اشتراک گذاشتن داده‌ها و منابع، به‌صورت خیلی محدود به رشد و تسریع بلوغ تحلیل داده کمک کرد و پیشرفت محسوسی را رقم زد، اگرچه به‌طور کلی مشکلات اساسی این حوزه کماکان پابرجا خواهند بود.»

او توضیح می‌دهد که هوش مصنوعی و فناوری‌های مرتبط نقش بسزایی در تقویت تحلیل داده در صنعت بانکی و پرداخت دارند و می‌توانند به بانک‌ها کمک کنند تا با استفاده از یک دامنه بزرگ داده تحلیل‌های کارآمدی ارائه دهند و بینش عمیق‌تری از رفتار مشتری‌ها به دست آورند. حسینی می‌گوید: «با توجه به اینکه بخش بزرگی از صنعت پرداخت ایران همچنان رویکردهای سنتی دارند، شاید این حرف کمی خوش‌بینانه باشد، اما استفاده از هوش مصنوعی در فرایندهای اعتبارسنجی خودکار، شناسایی و جلوگیری از تقلب و بهینه‌سازی محصولات و خدمات بانکی می‌تواند باعث افزایش کارایی و کاهش هزینه‌ها شود و این امکان را برای بانک‌ها فراهم کند که سرویس مشتری‌ها را شخصی‌سازی و تجربه کاربری بهتری ارائه کنند.»

حسینی در آخر، ضمن جمع‌بندی صحبت‌هایش می‌گوید: «کاملاً واضح است که تحلیل داده عنصری حیاتی در تحول دیجیتال است و این مسئله با توجه به رشد ابعاد تولیدی و انتظار مشتری‌ها برای تولید خدمات سریع‌تر و شخصی‌سازی‌شده‌تر و تحقق درک بهتر از نیازها و توقعات مشتریان امری ضروری است. پیشرفت در زمینه تحلیل داده می‌تواند به ایجاد محصولات و خدمات نوآورانه و به تبع آن به کاهش ریسک، افزایش رضایت و جلب اعتماد مشتری‌ها و افزایش امنیت منجر شود و به بانک‌ها کمک کند شاخص‌های مختلف، ازجمله وفاداری مشتری را بهبود بخشند. نهایتاً نمی‌توان از وضعیت فعلی تحلیل داده رضایت داشت و باید این نکته را در نظر گرفت که شاید بسیاری از نهادهای اعتباری ما ذیل تعریف بانک هم نگنجند؛ چه رسد به اینکه بخواهند رشدی در زمینه‌هایی نظیر تحلیل داده داشته باشند و شاخص‌های مرتبط با این مسئله را تغییر دهند.»

داده‌محور شدن بدون یک برنامه راهبردی هدفمند امکان‌پذیر نیست

علی گل‌زاده، مدیرعامل شرکت داتا نیز معتقد است تحلیل داده در شرکت‌های فناوری‌محور، خصوصاً شرکت‌های فعال ایران در حوزه تجارت الکترونیک رشد کرده است، اما در صنایع بانکی و پرداخت، این مسئله هنوز جای کار دارد. گل‌زاده در این زمینه می‌گوید: «در چند سال اخیر به موضوع تحلیل داده در بعضی صنایع، مانند صنعت بانکی و پرداخت توجه جدی‌تری شده و مدیران تاحدودی به این موضوع پی برده‌اند که تصمیمات را براساس داده و اطلاعات بگیرند، ولی هنوز تا حالت مطلوب و داشتن سازمان‌های داده‌محور، فاصله داریم. دلیل اول عدم رشد تحلیل داده در هر سازمان این است که هنوز استفاده از فرایند تحلیل داده در سازمان‌ها جاری نشده است. دلیل بعدی که می‌تواند فنی نیز باشد، این است که در سازمان‌های بزرگ سیستم‌های متفاوت و متنوع زیادی به‌صورت جزیره‌ای وجود دارند و گاهی کیفیت داده‌های تولیدی آنها پایین است؛ درنتیجه به راه‌اندازی زیرساختی برای یکپارچگی این داده‌ها نیاز است که امری پرهزینه و زمان‌بر است و البته معمولاً ابزارهای سنتی در این شرایط جواب‌گو نیستند و اتخاذ رویکردهای جدید ضروری است.»

دسترسی به داده‌های خصوصی نیازمند سلسله‌مراتب مشخص و رعایت قوانین حریم خصوصی است؛ از نظر گل‌زاده دلایل زیادی برای قانون‌گذار وجود دارد تا با وضع قوانین و مقررات در حفظ حریم خصوصی و امنیت داده‌ها ورود کند، اما درباره دسترسی به داده‌های عمومی‌تر که می‌شود در تحلیل‌های مختلف از آنها استفاده کرد به تدوین فرایندهای مشخص، جمع‌آوری داده‌ها توسط نهادهای ذی‌ربط و فراهم کردن زیرساخت‌های مناسب نیاز داریم که در این زمینه سازکار مشخصی وجود ندارد. از نهادهای تنظیم‌گر این حوزه می‌توان بانک مرکزی، وزارت اقتصاد و وزارت فناوری اطلاعات را نام برد. گل‌زاده در ادامه می‌گوید: «داده‌محور شدن بدون یک برنامه راهبردی هدفمند و منسجم امکان‌پذیر نیست. ما به برنامه‌ای نیاز داریم که در تدوین آن مؤلفه‌های متعددی مدنظر قرار گرفته باشد. به نظر من اولین مرحله، ارزیابی سطح بلوغ داده در آن بانک یا سازمان است.

ارزیابی سطح بلوغ داده و تعیین مختصات وضعیت فعلی و هدف‌گذاری وضعیت مطلوب، یکی از اقدامات راهبردی در این زمینه است. در این مرحله با توجه به مدل‌های موجود و مطرح دنیا، به فراخور ساختار سازمانی هر بانک و سازمان مدلی برای ارزیابی وضعیت موجود ارائه و سطح بلوغ آن مشخص می‌شود. مرحله بعدی تعیین برنامه‌های مشخص و عملیاتی برای ارتقا به سطح بعد است. این نکته مهمی است که اگر سازمانی در سطح مشخصی از بلوغ داده قرار دارد، نباید انتظار داشت که ناگهان چند سطح بالاتر برود؛ این امر باید پله‌پله اتفاق بیفتد و در هر مقطع ارزیابی دوره‌ای انجام شود. قطعاً هوش مصنوعی می‌تواند در تحلیل‌های پیشرفته کمک شایانی کند،‌ اما اول باید دید به‌اندازه کافی داده باکیفیت و زیرساخت مناسب برای استفاده از هوش مصنوعی وجود دارد یا خیر. همان‌طور که می‌دانید هوش مصنوعی مطرح این حوزه که امروزه استفاده از آن رایج است، هوش مصنوعی محدود (Narrow AI) است که کاربری آن سه پیش‌نیاز دارد: داده کافی، زیرساخت مطلوب و الگوریتم مناسب. با توجه به رشد مناسب الگوریتم‌های هوش مصنوعی اگر در صنعتی داده کافی و باکیفیت و زیرساخت مناسب سخت‌افزاری وجود نداشته باشد، عملاً استفاده از فناوری‌های هوش مصنوعی ناممکن خواهد بود.»

یکی از عناصر مهم تحول دیجیتال و تغییر در هر سازمانی استفاده از داده و دانش پنهانی است که از آن استخراج می‌شود. مدیرعامل داتا در این زمینه می‌گوید: «در تحول دیجیتال مشتریان انتظار خدمات سریع، متمایز و شخصی‌سازی‌شده را دارند؛ این امر در صنعت بانکی و پرداخت که حجم و تنوع داده تولیدشده آنها زیاد است جز با تحلیل‌های پیشرفته مقدور نیست. بانکی که قصد حرکت به سمت تحول دیجیتال را داشته باشد باید داده را یک دارایی اصلی در نظر بگیرد و این مهم نیازمند سرمایه‌گذاری در راه‌اندازی زیرساخت کلان‌داده است تا بتوان تحلیل‌های دقیقی را استخراج و در ارائه خدمات و تصمیمات از آنها استفاده کرد.»

ضرورت ایجاد بسترهای امن اشتراک داده

فرهاد بهمنی، عضو هیئت‌مدیره پست‌بانک نیز باور دارد که مسئله تحلیل داده در ایران هنوز جای کار بسیار دارد. بهمنی درباره دلایل این موضوع می‌گوید: «در پلتفرم‌هایی نظیر فیس‌بوک، گوگل و… داده‌ها به‌سادگی جمع‌آوری می‌شوند، اما ما در ایران چنین مکانیزم‌هایی نداریم. هرچند در بانک‌ها اطلاعات زیادی از کاربران از طریق کانال‌های مختلف جمع‌آوری می‌شود (که موضوع صحت‌سنجی آنها بحث دیگری است)، ولی عملاً بخش عمده‌ای از آنها قابل ‌استفاده نیست. ضمناً چالش نگهداری داده‌ها و تهیه سخت‌افزار لازم برای این کار هم دردسرهای زیادی ایجاد می‌کند. در حال حاضر عمده داده‌هایی که در دسترس است صنعت‌محور و محدود هستند و از طرفی تحلیل داده هنوز یک مزیت رقابتی دانسته نمی‌شود و صنایع بانکی هنوز به این مسئله پی نبرده‌اند که چقدر این مسئله در توسعه عملکردشان می‌تواند مؤثر باشد. کمبود سرمایه انسانی متخصص هم مزید بر علت شده و درنتیجه، در حوزه تحلیل داده با مشکلات زیادی روبه‌روییم.»

بهمنی باور دارد بحث محرمانگی داده موضوع بسیار مهمی است که باید ذیل تعیین مسئله مالک داده به آن توجه شود. او در این باره می‌گوید: «بحث محرمانگی داده، هم برای مردم و هم برای دولت اهمیت زیادی دارد، زیرا هر دو طرف این حق را دارند که داده‌های خود را محرمانه نگه دارند؛ بنابراین هر نوع تحلیلی باید در ذیل حفظ این محرمانگی باشد و در عین حال این مسئله نباید مقوله تحلیل داده را منتفی کند.

ضمناً لازم است مجازات‌های سخت‌گیرانه‌ای برای جرم افشای اطلاعات مقرر شود تا این مسئله به‌راحتی رخ ندهد. در صنعت بانکی وزارت اقتصاد و بانک مرکزی به‌عنوان رگولاتورهای اصلی باید این مسئله را پیگیری کنند. همچنین باید بسترهای امن اشتراک داده را فراهم کنیم. شاید تأسیس یک نهاد مرکزی برای مدیریت و پایش داده مؤثر باشد. تحلیل داده می‌تواند یک مزیت رقابتی ارزشمند باشد و صنایع بانکی می‌توانند محصولات منطبق بر داده تولید کنند. با همراهی رگولاتور بهتر می‌توان به این سمت حرکت کرد.»

بهمنی می‌گوید وقتی با کلان‌داده سروکار داریم مشخصاً باید از هوش مصنوعی برای جمع‌آوری، تحلیل، ماین و کارهای مختلف استفاده کنیم. او توضیح می‌دهد: «هوش مصنوعی در اینجا در جایگاه متخصص قرار دارد، اما مسائلی که ما در این حوزه در داخل کشور با آنها مواجهیم با هوش مصنوعی ارتباطی ندارند و ما مشکلات بزرگ‌تر و عمیق‌تری داریم. اگر به ترازنامه اکثر بانک‌ها نگاه کنید متوجه می‌شوید که عمده درآمد آنها از تسهیلات به دست می‌آید، در حالی که در تعریف تحول دیجیتال آمده که مبتنی بر تجربه مشتری است؛ پس دستیابی به این تحول نیازمند دریافت و ضبط داده است تا بتوان نیازهای شناسایی‌شده را برطرف کرد و تجربه بهتری برای مشتری رقم زد. این مسئله به دریافت داده باکیفیت از مشتری، تولید ارزش از داده و ساده‌تر شدن مداوم این روند نیاز دارد.»

متولی داده می‌تواند کنسرسیومی از میان بانک‌های کشور باشد

علی حاجی‌زاده مقدم، مدیرعامل شرکت آدانیک، باور دارد که وضعیت تحلیل داده در صنعت بانکی و پرداخت، در مقایسه با سایر صنایع و حوزه‌های عمومی، دولتی و خصوصی کشور چندان بد نیست، زیرا خدمات دیجیتالی در حوزه بانکی و پرداخت از قدمت و توان نسبتاً خوبی برخوردار است. او می‌گوید: «پرداخت شاید از اولین حوزه‌هایی باشد که زیرساخت مناسبی برای خدمات الکترونیک ایجاد کرده و حالا بخش زیادی از پرداخت‌های تجاری و شخصی مردم از طریق سیستم‌های الکترونیکی انجام می‌شود. حرکت بانک‌ها به سمت سامانه‌های متمرکز کربنکینگ و ایجاد سرویس‌ها و شبکه‌های پرداختی و بانکی مثل شتاب، شاپرک، پایا، ساتنا، دیجیتالی‌شدن بخشی از خدمات چک و… موجب شده تا در حوزه بانکی، سطح تولید و نگهداری از داده و درنتیجه تحلیل داده نسبت به بسیاری از صنایع بالاتر باشد.

از قدیم هم همه بانک‌ها و سیستم‌های فناوری اطلاعات بانکی، موضوعاتی نظیر داده‌کاوی و ایجاد دیتا ورهاوس و هوش تجاری را موردتوجه قرار داده‌اند. لااقل طی دوازده سال اخیر این مسئله بحث جاری و باز سازمان‌های بانکی و پرداختی کشور بوده است؛ بنابراین با یک حوزه رشدنیافته و عقب‌مانده طرف نیستیم، اما در مقیاس کلان، یعنی در سطح قوانین و رویه‌های حاکمیتی و بین‌بانکی یا فرابانکی، این رشد بلوغ آن‌قدری که باید رخ نداده و به عبارتی بحث داده در فضای بین‌بانکی متولی نداشته است. به نظر من متولی اصلی این حوزه می‌تواند کنسرسیومی از میان خود بانک‌ها و شرکت‌های بانکی باشد و تعیین چنین نهادی نباید نوعی وظیفه حاکمیتی تلقی شود.»

حاجی‌زاده مقدم درباره بحث چالش‌های قانونی مرتبط با مقوله تحلیل داده، این‌طور اظهارنظر می‌کند: «در وهله اول ممکن است این‌طور برداشت شود که وقتی قوانین سخت‌گیرانه‌ای برای حفاظت از داده‌ها وضع نمی‌شود، دست همه باز است و می‌توان روی داده به‌راحتی کار کرد؛ در حالی که خلاف این مسئله صادق است و وقتی داده سطح‌بندی ندارد و داده‌های حساس، شخصی و هویتی (داده‌ای که مالکیت آن به شخصی حقیقی یا حقوقی تعلق دارد) از داده‌های رفتاری، عمومی و فاقد هویت مجزا نشود، همه داده‌ها حساس، نگران‌کننده و امنیتی محسوب می‌شوند و اساساً دسترسی به داده به یک موضوع بسیار بحرانی و حساسیت‌زا تبدیل می‌شود.

موضوع تعریف بهتر سطوح حساسیت و قانونمند شدن داده‌ها و تعیین مالکیت داده و تعیین محدوده داده حساس می‌تواند به دستیابی به داده بهتر کمک کند تا داده‌هایی تحت عنوان داده باز برای همه قابل‌ دسترسی باشد؛ داده‌هایی نظیر موارد مربوط به شفافیت عملکرد دولت و شرکت‌های دولتی، سازمان‌های عمومی، شهرداری‌ها، داده‌های کلان آماری و ملی و… که باید تمام شرکت‌های حوزه فناوری و فین‌تک به چنین منابع عمومی داده‌ای به‌طور برابر و یکسان دسترسی داشته باشند و این مسئله می‌تواند به رشد حوزه تحلیل و داده‌کاوی کمک کند. البته آن بخشی از موضوع که به حفظ حریم خصوصی مربوط است ذیل بحث حقوق فردی می‌گنجد و شاید یکی از چالش‌هایی که موجب شده در این حوزه پیشروی نکنیم همین باشد که ما در موضوع حقوق فردی مسئله داریم.»

او می‌گوید که خیلی جاها مرز مالکیت شخص یا اشخاص و سازمان ارائه‌دهنده خدمت روی داده‌ها مشخص نیست. این مسئله فقط درباره سازمان‌های خصوصی و بانک‌ها و مؤسسات اعتباری مطرح نیست؛ بلکه برای خود نهادهای حاکمیتی و دولتی نیز مسئله حفظ حقوق افراد و پایبندی و التزام به آن و عدم افشای اطلاعات و چالش‌های حقوقی مرتبط با این مقوله به‌خوبی تبیین و قانونمند نشده است: «البته مسئله فقط وضع قوانین مناسب نیست، بلکه در سطح خود سازمان‌ها، بانک‌ها و مؤسسات بانکی، این نهادها می‌توانند چه به‌صورت جداگانه و چه به‌صورت مشترک بین خودشان، نوعی چهارچوب و الزام قانونی یا صنفی خاص را در بحث مالکیت و امنیت و تحلیل داده تنظیم کنند. هرچند که به دلیل نبود زیرساخت‌های کلان در این قالب هم ممکن است حفره‌هایی به وجود آید، اما چنین چیزی در عین حال برخی از ضعف‌های موجود را نیز پوشش می‌دهد و می‌تواند الگویی برای سایر بخش‌های خصوصی و حاکمیتی شود.»

به گفته حاجی‌زاده مقدم، از یک طرف هوش مصنوعی برای تکامل نحوه عملکردش به داده‌های کلان نیاز دارد و از طرف دیگر تحلیل عمیق داده‌ها بدون استفاده از چنین فناوری‌هایی ممکن نیست. با این حال به نظر او، اولین قدمی که باید در حوزه تحلیل داده برداشت، ایجاد نوعی رگولیشن مشابه GDPR یا PIPEDA (قانون حفظ داده کانادایی) است تا با سطح‌بندی نوع حساسیت و مالکیت بتوان اساساً به داده نزدیک شد و آن را از قفس‌هایی که درونشان قرار گرفته خارج کرد: «اگر چنین اتفاقی رخ دهد از مواردی نظیر نشتی گسترده اطلاعاتی هم جلوگیری می‌شود و ابزار لازم برای اخذ ارزش از داده هم در دسترس قرار می‌گیرد. بدون داشتن داده و ابزار تحلیل آن، هر نوع تصمیم‌گیری تجاری و کلان مدیریتی و حتی حاکمیتی ناکامل و ضعیف خواهد بود و وضعیت شبیه راه رفتن در تاریکی است، در حالی که داده‌ها همان نوری هستند که می‌توانند این مسیر را روشن کنند.»

ضرورت بلوغ کشور در حوزه فناوری‌های مبتنی بر تحلیل داده

نوش‌آفرین مؤمن واقفی، معاون فناوری اطلاعات بانک دی، باور دارد علت عدم بلوغ تحلیل داده را باید در نبود فرهنگ استفاده از داده و عدم اعتقاد مدیران سنتی به اهمیت تصمیم‌گیری براساس اطلاعات مبتنی بر تحلیل داده جست‌وجو کرد. مؤمن واقفی می‌گوید: «حتی در بسیاری از سازمان‌هایی که در آنها زیرساخت‌های مناسب و تیم‌های تخصصی تحلیل داده شکل گرفته، نتایج و خروجی این داده‌های تحلیلی مبنای تصمیم‌گیری‌های استراتژیک مدیران ارشد سازمان قرار نمی‌گیرد. کمبود منابع و ضعف در زیرساخت‌های سخت‌افزاری و نرم‌افزاری لازم، کمبود متخصص و تحلیل‌گر داده و ضعف و ابهام در قوانین مرتبط با حوزه داده‌کاوی، از نکات مهم دیگری هستند که در عدم بلوغ کشور در حوزه داده‌کاوی بسیار مؤثر بوده‌اند. حاکمیت داده و الزامات حریم خصوصی در کشور هنوز به‌صورت شفاف موردتوجه قرار نگرفته و همین مسئله کشور را در معرض دو آسیب جدی قرار داده است: اول آنکه مانع سرمایه‌گذاری جدی و توسعه فناوری در حوزه داده‌کاوی و ایجاد سیستم‌های خبره مبتنی بر آن شده و دوم آنکه عدم توجه کافی به تعریف چهارچوب‌ها و قوانین مرتبط با حاکمیت داده کشور را در معرض ریسک‌های جدی امنیت در حوزه نشت اطلاعات محرمانه قرار داده است.»

مؤمن واقفی معتقد است نقش نهادهایی نظیر شورای ‌عالی فضای مجازی در این حوزه بایستی مورد تأکید بیشتری قرار گیرد. همچنین از دیدگاه او لازم است در راستای افزایش بلوغ داده‌محوری در کشور، به فرهنگ‌سازی و به ارتقای سطح دانش مدیران توجه بیشتری شود. او اضافه می‌کند: «علاوه‌بر اینها، برای اینکه تحلیل‌ها و پیش‌بینی‌ها صحیح و قابل ‌اعتماد باشند توجه به مواردی نظیر دسترسی به داده‌های دقیق، قابل‌ اعتماد و صحیح، ایجاد سیستم‌ها و زیرساخت‌های کارآمد و به‌روز، تقویت تیم‌های تخصصی تحلیل‌گران داده، شفاف‌سازی قوانین و الزامات حاکمیت داده در کشور و تعریف چهارچوب‌های حریم خصوصی و الزامات آن و توجه به نیاز واقعی مشتری از اهمیت ویژه‌ای برخوردار است. فناوری هوش مصنوعی و تکنیک‌های تحلیل داده زیربنای داده‌محور شدن هستند. در شناسایی و مدیریت ریسک، الگوریتم‌های هوش مصنوعی می‌توانند تحلیل دقیقی ارائه دهند. تشخیص تراکنش‌های مشکوک، جلوگیری از تقلب و پول‌شویی، استفاده از ربات‌ها در اتوماسیون فرایندها و پاسخ‌گویی به مشتری و… از نمونه‌های دیگر کاربرد هوش مصنوعی در صنعت بانکی و پرداخت است.»

او داده‌محور بودن سیستم‌های بانکی را یکی از ستون‌های اصلی در مسیر تحول دیجیتال می‌داند و می‌‌گوید که ارائه سرویس‌های شخصی‌سازی‌شده و ایجاد تجربه منحصربه‌فرد برای مشتری جز با ایجاد سیستم‌های هوشمند مبتنی بر تحلیل داده ممکن نیست. او توضیح می‌دهد: «آینده صنعت بانکی در گرو بلوغ کشور در حوزه فناوری‌های مبتنی بر تحلیل داده است. صنعت بانکی از تحلیل داده برای بهبود عملکرد، شناخت و دسته‌بندی مشتریان، طراحی سیستم‌های ضد پول‌شویی، تشخیص و جلوگیری از تقلب، مدیریت ریسک و پیش‌بینی روندها استفاده می‌کند. داده‌محوری اساس افزایش امنیت، ارتقای بهره‌وری و ارائه محصولات و سرویس‌های متنوع و شخصی‌سازی‌شده به مشتریان بانکی است و ضرورت آن واضح و انکارناپذیر است.»

سطح بلوغ داده‌محوری صنعت بانکی نمره قبولی نمی‌گیرد

مجید کیوان، مشاور بانکداری باز، مقوله تحلیل داده را براساس عرف بین‌المللی در چهار سطح تحلیل توصیفی، تشخیصی، پیش‌بینی‌کننده و تجویزی طبقه‌بندی می‌کند و می‌گوید که تحلیل نوع توصیفی پایین‌ترین سطح تحلیل و نوع تجویزی بالاترین سطح آن است. نکته مهم این است که هر چقدر سطح تحلیل داده بالاتر باشد، پیش‌نیازهای اجرای آن سخت‌تر و پیچیده‌تر می‌شود. کیوان معتقد است آنچه ما در حال حاضر در صنعت بانکی و پرداخت کشور شاهدش هستیم، عمدتاً از جنس تحلیل‌های سطح اول، یعنی تحلیل توصیفی است؛ یعنی در گذشته اتفاقاتی رخ داده و براساس تحلیل داده‌های تاریخچه‌ای این رویدادها، تصاویری پیش روی ذی‌نفعان قرار می‌گیرد. او در این باره می‌‌گوید: «این سطح از تحلیل توسط واحدهای هوش تجاری بانک‌ها و شرکت‌های پرداخت در حال انجام است و بابت آن هم چند داشبورد در اختیار مدیران قرار می‌گیرد، اما در رابطه با تحلیل‌های سطوح بالاتر به‌ویژه تحلیل‌های پیش‌بینی‌کننده و تجویزی، همچنان فاصله زیادی با روندهای جهانی داریم؛ سطح بلوغ داده‌محوری در شبکه بانک و پرداخت کشور عمدتاً در سطح مقدماتی است و نمره قبولی نمی‌گیرد.»

در رابطه با عدم بلوغ داده‌محوری در صنعت بانکی و پرداخت کشور دلایل مختلف درون‌سازمانی و برون‌سازمانی وجود دارد. طبق صحبت‌های کیوان، از منظر درون‌سازمانی دلایل عدم بلوغ عمدتاً غیرفنی هستند و مواردی نظیر رهبری سازمان، فرهنگ داده‌محوری، استراتژی و چابکی را شامل می‌شوند. البته در این میان دلایل فنی هم دخیل‌اند، ازجمله: فناوری استفاده‌شده در جمع‌آوری و ذخیره داده‌ها، یکپارچگی داده‌ها و از همه مهم‌تر خود جنس داده‌ها. کیوان در همین راستا اضافه می‌‌کند: «نکته خیلی مهم دیگر این است که داده‌ها در شبکه بانکی و پرداخت کشور اصطلاحاً تمیز نیستند. شاید تعجب کنید در مواردی حتی در سطح کد ملی درست هم مشکل وجود دارد. پاکسازی داده برای انجام تحلیل، فرایندی کاملاً زمان‌بر و چالشی است و تا زمانی که این پاکسازی انجام نشود عملاً امکان حصول نتایج درست منتفی است. از منظر برون‌سازمانی نیز موضوع نیاز بازار و رقابت و نهاد تنظیم‌گر و نهاد ناظر مطرح است. اگر رقابتی در بازار شکل بگیرد که به سطوح بالاتر تحلیل داده نیاز داشته باشد، حتماً بازیگران صنعت برای حفظ سهم بازار خود و افزایش آن به سمت تحلیل داده حرکت می‌کنند. از طرف دیگر الزام قانون‌گذار به دریافت گزارش‌های لحظه‌ای یا انجام تمهیدات لازم برای پیشگیری از وقوع یک رخداد می‌تواند نوعی اجبار برای شبکه بانکی و پرداخت به شمار رود تا خودش را به تحلیل‌های توصیفی محدود نکند.»

این مشاور بانکداری باز درباره شرایط قانون‌گذاری و سیاست‌های کلان کشور در زمینه تحلیل داده نیز این‌طور می‌گوید: «به نظر می‌رسد اهتمامی جدی برای تحلیل داده در شبکه بانکی و پرداخت کشور وجود ندارد. این مسئله هم در لایه بانک‌ها و هم در لایه شرکت‌های پرداخت و از همه مهم‌تر در لایه نهادهای قانون‌گذار مشهود است؛ معضل مالکیت داده و حفظ حریم خصوصی هنوز در کشور ما برطرف نشده است. در دنیا تجربیات موفقی مانند GDPR در اروپا، CCPA در آمریکا، Data Protection Act در انگلستان و The Privacy Act در استرالیا را داریم، اما نهاد تنظیم‌گر ما تاکنون تمایلی به حل این مسئله نشان نداده است. نکته دیگر این است که بازیگران شبکه بانک و پرداخت هم عمدتاً هنوز به این بلوغ نرسیده‌اند که مالک داده مشتری است و آنها نگهدارنده و امانتدار آن هستند.»

مسئله دیگر این است که تحلیل دقیق‌تر داده در سطوح بالاتر نیازمند تجمیع و یکپارچگی داده‌ها است که کابوسی بزرگ برای بازیگران و نهادهای تنظیم‌گر شبکه بانکی و پرداخت به شمار می‌رود؛ کیوان در این زمینه توضیح می‌دهد: «وقتی در شبکه بانک و پرداخت صحبت از تجمیع و یکپارچگی داده می‌شود، شما با یک دعوای درون‌سازمانی مواجه می‌شوید که هر واحدی خود را متولی اصلی داده و مالک آن می‌داند؛ در حالی که در بانک‌های بزرگ، هلدینگ فناوری اطلاعات بانک شامل شرکت‌های زیرمجموعه‌ای می‌شود که هرکدام به بخشی از امور تخصصی رسیدگی می‌کنند و به تبع این اتفاق هرکدام بخشی از داده‌های شبکه بانک و پرداخت را در اختیار دارند. حال وقتی یک پروژه داده‌محور شدن در بانک تعریف می‌شود، اولین اقدام حل دعواهای درون‌سازمانی برای منظم کردن افراد و تیم‌ها به هدف همکاری است. این مدل جزیره‌ای انباشت داده در بخش‌های مختلف مانعی جدی برای تعریف پروژه‌های کلان داده‌محوری به شمار می‌رود. معنی این عبارت این است که وقتی یک بانک یا شرکت پرداخت در مراحل ابتدایی تحلیل داده متوقف مانده است، چه انتظاری از ارائه تحلیل در لایه ۳ و ۴ می‌رود؟»

در سمت نهاد تنظیم‌گر این مسئله شمایل جالب‌تری به خودش می‌گیرد. کیوان با بیان این موضوع می‌گوید: «سندی وجود ندارد که در آن دسترسی یک نهاد ثالث به داده شبکه بانک و پرداخت در آن تدوین شده باشد؛ بنابراین این مسئله به‌سادگی و بدون هیچ توضیح اضافه و مشخصی ممنوع اعلام شده است. از طرف دیگر، پیاده‌سازی طرح‌ها و برنامه‌های فناوران مالی، مانند رگ‌تک‌ها، نیازمند تجمیع منابع مختلف داده و تحلیل پیشرفته آنها در سطوح پیش‌بینی‌کننده و تجویزی است که در اینجا هم چون قانون مشخص نداریم فعالیت آنها در چنین سطحی اصلاً شدنی نیست یا بسیار محدود است. اگر هم بازیگرانی به این حوزه می‌پردازند، عمدتاً مبتنی بر منابع داده محدود و سطوح تحلیل لایه‌های پایین فعالیت می‌کنند. اگر مسئله تجمیع داده هم صورت بگیرد، تازه چالش‌هایی بر سر مالکیت آن داده تجمیع‌شده میان نهادهای حاکمیتی و نظارتی آغاز می‌شود. تجمیع داده یکی از پیش‌نیازهای ضروری برای تحلیل دقیق داده است، به‌ویژه در مواردی که از این مقوله در جنبه‌های متعددی از قبیل مبارزه با پول‌شویی و تأمین مالی تروریسم و همچنین مقابله با تخلف و تقلب استفاده می‌شود و وجهه‌ای چندجانبه به خودش می‌گیرد.»

کیوان اضافه می‌کند: «متأسفانه مواقعی هم که یک نهاد تنظیم‌گر از بازیگران آن حوزه خواسته راهکار و محصول مقابله با تخلف خود را ارائه کنند، باز هم به ابعاد عملیاتی شدن طرح اشراف کامل نداشته است. نهادهای تنظیم‌گری در وهله اول لازم است به یک بلوغ فکری در زمینه حرکت به سمت رگولاتور هوشمند و مترقی برسند و باور کنند که مالکیت داده متعلق به مشتری است؛ نهاد تنظیم‌گر صرفاً باید در راستای صیانت از حریم شخصی و امنیت کاربرها مقررات لازم را تدوین و ابلاغ کند. بدون شک ساده‌ترین رویکرد ممکن در این زمینه ممنوع کردن هر نوع کنش در زمینه داده است، ولی آیا این امر کمکی به توسعه طرح‌ها و برنامه‌های داده‌محور می‌کند؟ اصولاً آیا نهاد تنظیم‌گر آمده است که با ایجاد ممنوعیت طرح صیانت خود را عملی کند؟»

هوش مصنوعی یکی از موارد نوظهور در جهان دانش و فناوری است که طی همین حضور کوتاه‌مدت خود در صنایع جهان، تمام حوزه‌های فناوری، ازجمله صنعت فین‌تک را تحت‌تأثیر خود قرار داده و قطعاً مقوله تحلیل داده نیز از این قاعده مستثنا نیست. کیوان در این باره می‌گوید: «هوش مصنوعی و یادگیری ماشین راهکارهای متنوعی از دو منظر تجاری و رگولاتوری در اختیار شبکه بانکی قرار داده است. مهم‌ترین نکته در تحلیل داده از بعد تجاری، ارتقای تجربه کاربری است. موضوع اعتبارسنجی نیز یکی دیگر از مواردی است که در کشور اقداماتی در ارتباط با آن انجام شده است که اتفاقاً سهم بازیگران غیربانکی در پیاده‌سازی آن اقدامات پررنگ‌تر است. برای مثال تاکسی‌های اینترنتی براساس تحلیل داده و رفتار مشتری نوعی اعتبارسنجی انجام می‌دهند و در اختیار مسافر قرار می‌دهند، اما موضوع اعتبارسنجی زمانی جایگاه اصلی خود را پیدا می‌کند که براساس مفاهیم بانکداری و مالی باز، دسترسی به منابع داده مختلف برای یک نهاد ثالث فراهم شود؛ یعنی وضعیت آرمانی زمانی رخ می‌دهد که ما به سمت مفهوم داده باز یا Open X یا اقتصاد باز حرکت کنیم.»

طبق صحبت‌های او، هرگاه منابع داده چه از نظر نوع داده و چه از نظر منابع اخذشده تنوع و کیفیت بالایی داشته باشند، استفاده از راهکارهای هوش مصنوعی معنادارتر می‌شود. از طرف دیگر هرگاه یک بانک، شرکت پرداخت یا نهاد تنظیم‌گر چندین پروژه هوش مصنوعی داشته باشد، نیازمند یک زیرساخت MLOps است. کیوان توضیح می‌دهد: «زیرساخت MLOps یک چرخه حیاتی برای مدیریت، نگهداری و به‌روزرسانی پروژه‌های یادگیری ماشین است که هر قسمت آن یک نقش مشخص جهت بهره‌وری کاراتر ایفا می‌کند. زیرساخت MLOps  به سازمان‌ها و مدیران کمک می‌کند تا بتوانند پروژه‌های مرتبط با هوش مصنوعی و یادگیری ماشین را با هزینه کمتر، دقت و بهره‌وری بالاتر و مشارکت بهتر تیم‌های مختلف مدیریت کنند و به نتیجه برسانند. در حال حاضر آنچه در شبکه بانک و پرداخت کشور شاهد آن هستیم، تحلیل داده‌های ساختاریافته است؛ بنابراین نمونه موفقی از داده‌ای غیرساختاریافته که نیازمند راهکار دریاچه داده باشد، مشاهده نمی‌کنیم.»

تحول دیجیتال ابعاد متنوعی در شبکه بانکی و پرداخت دارد. ازجمله موارد برجسته آن، علاوه‌بر بهبود تجربه کاربری، می‌توان به یکپارچگی امنی چنل، بهره‌وری در عملیات، خدمات و محصولات نوآورانه، امنیت سایبری و حفاظت از داده، انطباق با رگولاتوری، تعامل و مشارکت با فناوران مالی و مدرن کردن زیرساخت اشاره کرد. کیوان در خاتمه صحبت‌هایش، درباره ارتباط تحلیل داده و وقوع تحول دیجیتال در نظام بانکی کشور می‌گوید: «تحول دیجیتال با ارتقای تجربه کاربری گره خورده است. ارتقای تجربه کاربری بدون تحلیل داده و سفارشی‌سازی مقدور نیست. مسئله دیگری که با آن مواجهیم، نبود تمایز محسوس در ارائه محصول و خدمات از جانب شبکه بانکی و پرداخت است که باعث می‌شود رقابت چندانی هم بین آنها شکل نگیرد. هر بازیگر سهم مشخصی دارد که معمولاً تغییرات محسوسی در آن رخ نمی‌دهد. آنچه می‌تواند وجه تمایز ایجاد کند، سفارشی‌سازی خدمات براساس دسته‌بندی و خوشه‌بندی مشتریان است که این امر بدون تحلیل دقیق داده غیرممکن است.»

کلام آخر

با بررسی تمامی صحبت‌های مطرح شده در این گفت‌وگوها، به نظر می‌رسد چالش‌هایی که در مسیر توسعه تحلیل داده در صنعت بانکی و پرداخت کشور با آن روبه‌روییم، موضوعاتی زیربنایی و عمیق‌اند که جز با همراهی رگولاتور و فعالان نمی‌توان از پس آنها برآمد. شاید ترسناک‌ترین موردی که در زمینه تحلیل داده با آن روبه‌رو باشیم همین باشد که بسیاری از مدیران ارشد این صنایع، به اهمیت تصمیم‌گیری براساس تحلیل داده توجهی ندارند و همچنان بر تفکرات سنتی خود پافشاری می‌کنند؛ بنابراین اولین گامی که باید در این مسیر برداشته شود، حصول نوعی درک درباره ماهیت تحلیل داده و مزایای آن است که ضرورت وجودش را توجیه کند. در دومین گام باید تلاش کرد تا رگولاتور در این زمینه به‌درستی قانون‌گذاری کند تا زیرساخت‌های لازم نیز مهیا شود و در ادامه آن، کمبود سرمایه‌گذاری که در زیرساخت‌های فناوری کلان‌داده با آن روبه‌روییم برطرف شود.

منبع : عصر تراکنش

مطالب مرتبط
یادداشت علی گل زاده در عصر تراکنش

نبرد متخصصان و ماشین در زمین «تحلیل داده»

هوش مصنوعی هر روز در حال فتح حوزه‌های جدید است؛ در ادامه دستاوردهایی که این فناوری در تولید انواع مختلف […]

3 دقیقه مطالعه مشاهده
شناسایی هوشمند اختلال اتیسم در کودکان زیر 4 سال

شناسایی هوشمند اختلال اتیسم در کودکان زیر 4 سال

تشخیص زودهنگام اختلال اتیسم در کودکان زیر 4 سال، از طریق تحلیل صدای گریه آنها با مدل‌های هوش مصنوعی ممکن […]

< 1 دقیقه مطالعه مشاهده
داتا؛ اعتبارسنجی از آرژانتین

داتا؛ اعتبارسنجی از آرژانتین

داتا، انتخاب «پیوست» برای نگارش گزارش بخش استارتاپ‌گردی شماره 126 این ماهنامه بود. در بازدید خبرنگاران عزیز این مجموعه از […]

6 دقیقه مطالعه مشاهده

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *