هانیه تقی‌زاده, Author at داتا - صفحه 4 از 5

اگر شما هم از شنیدن عباراتی مبنی بر پیشی گرفتن اهمیت کلان داده بر هوش مصنوعی متعجب شده‌اید، احتمالا ذهن شما در دو مساله، دارای پیش‌فرضهای نه‌چندان درست درباره کلان‌داده‌هاست:

1. کلان داده مرکز توجه تبلیغات و تاکید افراطی در دهه ابتدایی قرن جدید بود؛ زمانی که همه به دنبال نسخه‌های عظیم از هر پدیده و رویدادی بودند؛ حتی داده‌ها. اما خیلی زود همه متوجه شدند که تعریف دقیق مقیاس «بزرگ» ممکن نیست و از طرفی، اندازه داده اهمیت چندانی ندارد.
2. این اعتقاد وجود دارد که رشد و بهبود سخت‌افزار با سرعت زیادی اتفاق افتاده است و داده‌ها چقدر هم که بزرگ باشند، می‌توانند درون یک ماشین بزرگ و یا انبار داده گنجانده شود.

اما واقعیت آن است که کلان‌داده در همه جا وجود دارد و حالا اندازه آن بزرگتر از هر زمان دیگری است. کلان‌داده در حال نفوذ و پیشروی درون شرکتهای بزرگ است و آنها را قادر می‌کند تا بتوانند با اتکا به فناوری هوش مصنوعی و انواع تحلیل‌ها، دست به ابتکاراتی بزنند که تا همین چند سال پیش غیرممکن بودند. بسیاری از اقدامات هوش مصنوعی که بیشترین اهمیت را از بابت درآمدزایی و کاهندگی هزینه دارند، عموما به مجموعه‌های عظیمی از داده وابسته‌اند. به عبارتی در بسیاری از این موارد، چنانچه کلان‌داده‌ای وجود نداشته باشد، هوش مصنوعی نیز معنایی ندارد.

شاید هنوز اظهارات مطرح شده را باور نداشته باشید. اما گریزی به اعداد، به شما ثابت خواهد کرد. ابتدا به این سوال پاسخ دهید که این روزها، کلان‌داده‌ها در حدود چند پتابایت حجم دارند؟ در پرس‌وجویی از شرکتهایی که دریاچه داده دارند، احتمالا اعدادی بین ده‌ها و صدها پتابایت به شما اعلام می‌شود. حتی اکنون برخی شرکتها اظهار می‌کنند که حجم داده‌هایشان از یک اگزابایت نیز فراتر رفته است. این اعداد حالا در شرایطی عادی تلقی می‌‌شوند که حوالی سال 2010 میلادی، یک پتابایت حجم بسیار عظیمی داده به حساب می‌آمد؛ اما اکنون در پایین طیف اعدادی قرار دارد که شرکتها از میزان داده‌های خود اعلام می‌کنند. اگرچه این میزان داده، حجم بسیار عظیمی از داده است، اما در مقایسه با واحدهایی در حد اگزابایت، تا حدی مسخره به نظر می‌رسد. برای درک عظمت این میزان داده، بد نیست گریزی به آمارهای چند شرکت بزنیم. حجم داده‌های 10هزار مشتری شرکت Snowflake که یکی از بزرگترین ارائه‌دهندگان خدمات ابری در جهان است، مجموعا چیزی در حدود 2 اگزابایت است. این میزان داده همچنان حجم عظیمی از داده به حساب می‌آید، اما اگر آن را با حجم مجموع داده‌های شرکتهایی مقایسه کنید که دارای دریاچه داده هستند و هر کدام چیزی در حدود یک اگزابایت داده ذخیره دارند، در می‌یابیم که این میزان داده، همچنان در مقابل مجموع حجم داده‌های شرکتی، مقداری ناچیز است.

حجم داده‌ای که در دریاچه داده بسیاری از شرکتها قرار دارد، ده‌ها و صدها برابر حجم داده‌های موجود در انبارهای داده آنهاست. این داده‌ها ابتدا توسط موتورها و نرم‌افزارهای خاصی پردازش می‌شوند. مثلا، شرکت Databricks روزانه 9 اگزابایت داده را پردازش می‌کند و جالب اینجاست که این شرکت صرفا بخش کوچکی از بازار spark است. یعنی روزانه چیزی در حدود 4 شرکت Snowflakes. اگر به آمارهای 3 شرکت شاخص خدمات ابری دقت کنیم، درمی یابیم که درآمد سرویس Spark آنها مبالغ قابل‌توجهی است که عموما پس از پردازش و ذخیره‌سازی لحاظ می‌شود و با اضافه شدن بار کاری ناشی از هوش مصنوعی، بر میزان آن افزوده می‌‌شود. با این‌حساب به خوبی مشخص است که کسب‌وکار Spark آنها تا چه اندازه عظیم است. افزون بر این، اگرچه Spark یکی از پروژه‌های منبع باز بسیار موفق است که در انجام پروژه‌های شرکتهای متعددی به کار می‌رود، برخی شرکتها این کار رو خودشان متقبل می‌شوند و در نتیجه اعداد مجموع مدام بزرگ و بزرگتر می‌شوند. در نتیجه می‌توان دریافت که چه میزان کلان داده وجود دارد.

با تمام اینها، ابهام ادعای وجود این همه کلان‌داده در چیست؟ بسیاری از فروشندگان انبار داده، مدعی هستند که کار کلان‌داده نیز انجام می‌دهند. این ادعایی است که این گروه حسب استراتژی کسب‌وکاری خود مطرح می‌کنند و صرفا برای برنده شدن پروژه‌ها، مدعی انجام همه‌کاری می‌شوند. این درحالی است که حقیقت چیز دیگری است. از هر 100 شرکتی که با آنها صحبت می‌شود، تنها یک مورد اذعان می‌کند که انبار داده مورد ادعای آنها، صرفا یک دریاچه داده (Data lake) و یا یک Data lakehouse است. مابقی واقعا یک دریاچه داده دارند. آن یک شرکت از 100 مورد نیز در حقیقت به معنای واقعی آنچه از چنین ساختاری انتظار می‌رود را انجام نمی‌دهد و احتمالا نه آنچنان از هوش مصنوعی استفاده می‌کند و نه داده‌هایشان را حفظ و مورد بهره‌برداری قرار می‌دهند.

سوالی که مطرح می‌شود آن است که اگر داده‌های بیشتر و بیشتری در یک انبار داده قرار داده شود، پس چیزی که حاصل می‌شود کلان داده است… اما نکته‌ای وجود دارد که مانع از انجام این کار توسط عموم کسب‌وکارها می‌شود و آن این است که انجام چنین کاری، هزینه‌های انبار داده را به میزان چشمگیری بالا می‌برد. در مورد یک موتور MPP مدرن، این انتظار معقولی است که زمان کوئری به تناسب میزان داده به صورت خطی افزایش یابد. حتی افزایش غیرخطی اندک نیز قابل انتظار است و این مورد در مورد spark عموما صادق است. اما در مورد انبار داده داستان کمی متفاوت است و این تغییرات خطی صرفا تا یک نقطه مشخص اتفاق می‌افتد و از آنجا به بعد است که تغییرات غیرخطی آغاز می‌شوند. نمودار زیر مقایسه‌ای از وضعیت تغییرات Databricks و Snowflake است که تغییرات غیرخطی از یک نقطه به بعد کاملا مشهود است و از آنجا به بعد زمان کوئری (در نتیجه هزینه) به صورت قابل‌توجه افزایش پیدا می‌کند. همین مساله یکی از مهم‌ترین موانعی است که باعث می‌شود انباشتن هر میزان داده در Snowflake  و CDWها برای شرکت به صرفه و معقول نباشد.

حالا سوال بعدی آن است که چرا کلان‌داده ارزشمند است؟ داشتن داده‌های تجمیع شده aggregate)ها( کفایت نمی‌کند؟ خصوصا آنکه aggregateها با انبار داده‌های شما نیز سازگار می شوند. حقیقتا خیر… پیشنهاد مناسبی نیست. Aggregate برای گزارش‌دهی و امور هوش تجاری عالی است … زمانی که بنا باشد درآمد را بر اساس مشتری یا محصول مورد بررسی قرار دهید؛ اما اگر بنا به استفاده از هوش مصنوعی باشد، اصلا مناسب نیست. مثلا برای پیش‌بینی اینکه آیا یک مشتری در یک روز گرم حاضر به خرید یک نوشیدنی سرد خواهد شد یا نه، به تمام تراکنش‌های انفرادی وی نیاز خواهید داشت و در ادامه نیز باید برای ایجاد یک مدل، این داده‌ها را با داده‌های آب‌وهوایی ترکیب کنید. چنین مساله‌ای برای اکثر پروژه‌های هوش مصنوعی صادق است که پیش‌بینی‌ها بر اساس ورودی‌های داده‌ای خام و یا قابلیت‌های پردازشی مبتنی بر داده‌های خام انجام می‌شوند. در نتیجه مدل‌ها باید بر اساس همان داده‌های ورودی آموزش داده شوند. ‌ Data Lakehouseها چنین ورودی‌هایی را در فرمت اصلی‌شان ذخیره و نگهداری می‌کنند.

حالا احتمالا این سوال پیش بیاید که این داده چیست؟ پاسخ آن است که می‌تواند شامل خیلی چیزها باشد:

• IOT data/telemetry data – که غالبا برای موارد نگهداری و تعمیرات پیشگویانه (predictive maintenance) و کارکردهای رباتیک مورد استفاده قرار می‌گیرند.
• Click data – غالبا در CDPها و تحلیل‌های بازاریابی و تحلیل‌های پیشگویانه مورد استفاده قرار می‌گیرند.
• Log data/analytics data که غالبا در موارد نظارتی و امنیتی به کار می‌روند.
• Genomic data یا  health recordsکه غالبا در پژوهش‌های پزشکی و یا آنالیز مرحله سوم مورد استفاده قرار می‌گیرند.
• داده‌های عکس، لیدار، صوت و تصویر که در اتومبیل‌های خودران و برخی دیگر از کاربردهای مشابه هوش مصنوعی به کار می‌روند.
• داده‌های متنی و اسناد – برای مدلهای بزرگ زبانی
• داده‌های محصول – بررسی اینکه مشتریان چگونه از محصول استفاده می‌کنند.
• و موارد دیگر..

 سوال بعدی این است که مردم با چنین داده‌هایی چه کار می‌کنند؟ کارهای زیادی مانند موارد زیر:

• آموزش مدلهای هوش مصنوعی – بسیاری از ابزارهای هوش مصنوعی در شرکتها بر اساس چنین مجموعه داده‌هایی کار می‌کنند.
• ساخت مجموعه‌ داده‌هایی که می‌توانند برای ایجاد داشبورد و بینش، با داده‌های کسب‌وکارهای کوچکتر ادغام شوند -غالبا چنین مجموعه داده‌های کوچکتری در انبار داده قرار می‌گیرند و ضمن نگهداری داده‌های خام، همزمان با تغییرات کسب‌وکار در طول زمان امکان بازپردازش aggregateها را برای شما فراهم می‌کند.
• ایجاد داده‌های محصولی -کسب درآمد از داده‌هایی که دارید
• ساخت محصولات تحلیل مشتری – این یکی از ترندهای اخیری است که شرکتها به آن روی آورده‌اند و امکان دسترسی مشتریان به داده‌هایی که خودشان ساخته و انتقال داده‌اند را فراهم می‌کند. پلتفرم Adobe experience یکی از مثال‌های شاخص در این مورد است.

با این حساب دفعه بعدی که در شرکتتان مهندس داده‌ای دیدید که با Spark و یا Hadoop کار می‌کند، از وی درباره کاری که انجام می‌دهد و انواع داده‌هایی که شرکت دارد سوال کنید. احتمالا پاسخ‌های او شما را شگفت‌زده خواهد کرد. زیرا احتمالا کلان‌داده‌ها حتی در حال متحول کردن شرکت شما نیز باشند.

منبع: لینکدین

رییس اداره مدیریت ریسک بانک تجارت با اشاره به عزم جدی این بانک برای هوشمندسازی فرآیندهای سازمانی، از تکمیل نخستین فاز توسعه سامانه اختصاصی مدیریت ریسک بانک تجارت خبر داد.

به گزارش روابط عمومی داتا، امیرحسین الموتی‌نیا، با اشاره به همکاری بانک تجارت و داتا برای توسعه و پیاده‌سازی این سامانه، گفت: تسهیل فرایند مدیریت ریسک و انجام الزامات بانک مرکزی جمهوری اسلامی ایران، مبنی بر پیاده‌سازی سامانه اطلاعاتی مدیریت ریسک توسط بانک‌ها، موجب شد که توسعه سامانه هوشمندی را برای مدیریت ریسک سازمانی(ERM) در دستور کار قرار دهیم. رییس اداره مدیریت ریسک بانک تجارت با اشاره به اینکه پیاده‌سازی چنین سامانه‌ای به اجرای رهنمودهای کمیته بال (کمیته نظارت بر بانکداری) کمک خواهد کرد افزود: حسب طراحی انجام شده، به کمک این سامانه قادر خواهیم بود انواع ریسک‌های پیش‌ روی بانک (شامل ریسک‌های داخلی، محیطی و نیز ریسک های نوظهور) را شناسایی و ارزیابی کنیم و با پایش و گزارش‌دهی، نتایج را در اختیار هیأت مدیره بانک قرار دهیم.

الموتی‌نیا بر برنامه این بانک برای تکمیل این سامانه در قالب سه فاز تاکید کرد و گفت: فاز ابتدایی که طراحی سامانه است اخیرا با موفقیت به پایان رسیده است و قرار است به کمک داتا، فاز توسعه این سامانه نیز تا پایان امسال به پایان برسد؛ وی ابراز امیدواری کرد که چنانچه شرایط طبق برنامه پیش برود، انتظار داریم که فاز نهایی این سامانه که مختص بحث‌های محاسباتی و ارزیابی است نیز تا اواخر سال 1404 به پایان برسد.

رییس اداره مدیریت ریسک بانک تجارت، همکاری با داتا به عنوان یکی از زیرمجموعه‌های این بانک را فرصتی مغتنم در اجرای چنین طرحی دانست و گفت: این مجموعه با تخصصی که در زمینه‌های فنی، مدیریت داده و هوش مصنوعی دارد، توانست در مدت زمان کمی سامانه را طبق نیازمندی‌های اعلامی بانک طراحی و در بستر وب پیاده‌سازی کند؛ به گونه‌ای که ورود، مدیریت و گزارش‌دهی اطلاعات ریسک‌ها به صورت سیستمی قابل انجام باشد.

الموتی‌نیا با مرور وضعیت کشورهای توسعه یافته و در حال توسعه تصریح کرد: سازمانها و بانک‌ها در چنین کشورهایی در حال برنامه‌ریزی برای حرکت به سمت استفاده از مزیت‌های ناشی از به کارگیری فناوری‌ها/الگوریتم‌های هوش مصنوعی برای مدیریت ریسک هستند. کشور ایران نیز با توجه به این مزیت‌ها به دنبال استفاده از هوش مصنوعی در سامانه‌های خود بوده ولی تاکنون موفقیت چندانی در این زمینه حاصل نشده است. 

الموتی‌نیا پیاده سازی چنین سامانه‌هایی در کشور را با چالشهای زیادی همراه دانست و گفت: جدید بودن، زمان‌بر بودن فرآیندهای سازمانی، کمبود نیروی انسانی خبره، عدم دسترسی/فقدان داده،  وجود سامانه های متعدد جزیره‌ای و ضعف فرهنگ سازمانی و فرهنگ ریسک و در نتیجه مقاومت کارکنان/واحدها برای استفاده از فناوری، از جمله موانعی هستند که اجرای این طرح ها را با دشواری همراه می‌کند. او سامانه اخیر را که با هدف هوشمندسازی مدیریت ریسک سازمانها پیاده‌سازی شده، سامانه‌ای منحصربفرد دانست و تاکید کرد: اکنون کمتر بانکی را در ایران می‌توان یافت که چنین سامانه‌ای را بر بستر RMIS در دست طراحی و توسعه قرار داده باشد، اما خوشبختانه در بانک تجارت و با کمک داتا توانستیم این اتفاق را رقم بزنیم.

اساسا پیچیدگی و در هم تنیدگی ریسک‌ها در صنایع بزرگ، اقتضا می‌کند که مدیریت ریسک در کسب‌وکارهای چنین حوزه‌هایی از طریق راهکارهای جامع و خاصی دنبال شود. در همین راستا، داتا با طراحی و توسعه سامانه مدیریت ریسک، در تلاش است تا بخش زیادی از این پیچیدگی‌ها را پوشش دهد و شرکتهای بزرگ خصوصا بانکها را در یافتن پاسخی برای این شرایط یاری کند.

سامانه مدیریت ریسک در تسهیل انجام الزامات بانک مرکزی و شناسایی، مدیریت، گزارش‌دهی ریسک‌های بانک‌ها به صورت یکپارچه و ارائه نتایج در قالب تحلیل­های هدفمند و پیش بینی ریسک­ها کمک شایانی به بانکها و مدیران آن می‏کند. سامانه مدیریت ریسک داتا با ارائه ابزارها و داشبوردهای تحلیلی و پیش بینی ریسک­ها، باعث بهبود عملکرد و تصمیم‌گیری بانک از طریق شناسایی، ارزیابی و مدیریت ریسک‌ها می‌شود. مدیریت سامانه با تعریف دسترسی‌ها برای نماینده‌های واحدهای مربوطه، امکان تعریف ریسک و ورود اطلاعات را برای آن واحدها فراهم می‌کند و در کنار این مورد، امکان تجمیع و یکپارچه­‌سازی بلادرنگ ریسک­‌های مختلف از سامانه­‌های مختلف نیز وجود دارد.

منبع:

پیوست

راه پرداخت

ایلنا

به کمک هوش مصنوعی در حال انجام است

در افق همواره در حال تغییر صنعت بانکداری، مدیریت ریسک را باید یکی از ستون‌های اصلی به حساب آورد که از بانکها و موسسات مالی در برابر تهدیدهای بالقوه محافظت کرده و ثبات عملکردی بلندمدت آنان را تضمین می‌کند. در گذشته، اقدامات مرتبط با بحث مدیریت ریسک، عموما وابستگی زیادی به روش‌های سنتی و عملکرد متخصصان انسانی داشتند. در این میان گستردگی طیف اطلاعات مورد بررسی و تغییرات مداوم و سریع شرایط بازار، کار را برای نهادهای مربوطه بسیار دشوار کرده بود.

با این وجود، ظهور هوش مصنوعی موجب شکل‌گیری عصر جدیدی در بحث مدیریت ریسک شد و رویکرد بانکها نسبت به چگونگی کنترل و حذف ریسک‌ها به کلی تغییر داد. فناوری هوش مصنوعی با فراهم کردن زمینه برای بهره‌گیری از قدرت الگوریتم‌های پیشرفته، یادگیری ماشین و تحلیل‌های پیشگویانه، حالا دیگر نقش خود را به عنوان متحد غیرقابل‌انکار بخش‌های مختلف بانکی برای محافظت از آنها در برابر انواع ریسک‌ها تثبیت کرده است. در حقیقت توانمندی این فناوری در پردازش و تحلیل مقادیر عظیم داده،کشف الگوهای مرکب و پیچیده و همچنین کمک به اتخاذ تصمیمات داده‌محور، مبحث مدیریت ریسک را به سطوح جدیدی از موفقیت رسانده و باعث شده بانکها با قدرت و آگاهی بیشتری تصمیم‌گیری و اقدام کنند و عملکرد بی‌سابقه‌ای از خود به جای بگذارند.

نکته قابل تامل در خصوص چنین پارادایم شیفتی، صرفا نقش‌افرینی در حذف ریسک‌ها نیست؛ بلکه با شرایط حاضر فرصت‌های بی‌بدیلی برای رشد و نوآوری در صنعت بانکداری ایجاد شده است. حالا بانکها قادر شده‌اند به کمک قابلیت‌های هوش مصنوعی در پیش‌بینی رخدادها، با اعتماد بیشتری دست به سرمایه‌گذاری‌های جسورانه در حوزه‌های جدید بزنند و ضمن گسترش دامنه مشتریان خود، پا به عرصه ارائه محصولات و خدمات جدید و نوآورانه بگذارند.

در این مقاله به بررسی روشهایی که هوش مصنوعی از طریق آنها در حال متحول کردن بحث مدیریت ریسک در صنعت بانکداری است، می‌پردازیم و با ذکر مثالهایی واقعی و کاربردی، نقش قابل‌توجه این فناوری‌های جدید در ایجاد تحولی انقلابی در مدیریت نهادهای مالی را مورد تاکید قرار می‌دهیم. در ادامه نیز به چالش‌های احتمالی و ملاحظاتی پرداخته می‌شود که باید برای رعایت حدود مسئولیت و اصول اخلاقی مورد توجه قرار بگیرند.

در شرایطی که صنعت بانکداری هر روزه با پیچیدگی‌های جهان درحال‌تغییر امروزی دست به گریبان است، به‌کارگیری فناوری هوش مصنوعی برای مدیریت ریسک، زمین بازی را تغییر داده است و با تقویت انعطاف‌پذیری بخش‌های مختلف این صنعت، آنها را در مسیر دستیابی به موفقیت بلندمدت هدایت می‌کند.

به‌کارگیری هوش مصنوعی در اعتبارسنجی

به طور معمول اعتبارسنجی مشتریان از طریق تعریف شاخص‌هایی که می‌تواند شامل سابقه اعتباری، درآمد و وضعیت استخدامی باشد، انجام می‌‌شود. با این وجود هوش مصنوعی با فراهم کردن امکان تجمیع مجموعه داده‌های پیچیده‌تر (شامل متغیرهای غیرسنتی مانند پرداخت‌ها، سوابق وام و اجاره و حتی رفتارهای افراد در شبکه‌های اجتماعی) فرآیند کلی این امر را تغییر داده است. تجمیع چنین طیف گسترده‌ای از داده‌ها امکان مدیریت دقیق‌تر انواع ریسک را فراهم می‌کند و به بانکها کمک می‌کند تا بتواند افرادی که از اعتبار کافی برخوردارند اما ممکن است از دید سیستم‌های معمول پنهان مانده باشند را شناسایی کنند.

موسسه آمریکایی جی‌پی‌مورگان در مدت اخیر مدل‌های اعتبارسنجی مبتنی بر هوش مصنوعی را پیاده‌سازی کرده‌ که پا را از روش‌های سنتی فراتر گذاشته و در بررسی‌های خود مقادیر زیادی داده را مورد تحلیل و بررسی قرار داده است. با به‌کارگیری چنین منابع داده جایگزینی، آنها توانسته‌اند کاهش قابل‌توجهی در نرخ‌های ریسک ایجاد کنند و دامنه مشتریان خود را به افراد جدیدی گسترش دهند که پیش از این از چنین خدماتی بهره‌مند نشده بودند.

سیستم‌های خودکار مدیریت ریسک

فناوری‌های مرتبط با هوش مصنوعی، فرآیند مدیریت ریسک را خودکارسازی کرده و با کاهش بار کارهای دستی، خطاهای انسانی را به حداقل رسانده‌اند. این سیستم‌ها می‌توانند به سرعت طیف گسترده‌ای از داده‌ها را پردازش و تحلیل کرده و ریسک‌های بالقوه‌ای را شناسایی آنها از روش‌های سنتی عموما زمان زیادی می‌برند را با سرعت بیشتری شناسایی کنند. چنین قابلیتی ارزش ویژه‌ای در کشف ناهنجاری‌های موجود در الگوهای پرداخت دارد که ممکن است ناشی از فعالیت‌های متقلبانه و یا بی‌ثباتی‌های مالی باشند.

انطباقات رگولاتوری

انطباق با قوانین و مقررات بانکی که مدام در حال تغییرند، یکی از چالش‌های مهم بانکها به شمار می‌آید. در همین راستا، هوش مصنوعی توانسته نقش بسزایی در برآورده این خواسته و رصد آنی و دقیق الزامات رگولاتوری ایفا کند و به صورت خودکار سیستم‌ها را با قوانین و مقررات جدید سازگار کنند. مثلا سیستم‌های هوش مصنوعی می‌توانند تراکنش‌ها را با هدف کشف موارد پولشویی و مطابقت آنها با قوانین وضع شده چک کنند و مواردی که نیاز به بررسی و اقدام بیشتر دارند را علامت‌گذاری کنند.

آزمون تنش

هوش مصنوعی توانمندی بانکهای برای اجرای موثر و کاراتر آزمون‌های تنش ارتقا داده است. هوش مصنوعی با شبیه‌سازی انواع سناریوهای اقتصادی نامطلوب به بانکها در درک شرایط موجود بر وضعیت حسابهایشان کمک می‌کند و چنین اقدامی آنها را قادر می‌سازد تا بتوانند استراتژی‌هایشان برای مدیریت ریسک را با شرایط موجود سازگارتر کنند. این کارکرد هوش مصنوعی متضمن آن است که بانکها بتوانند حتی در بازارهای بی‌ثبات و پرتنش، از بحران‌های آتی مصون بمانند.

ارزیابی ریسک در زمان اعطای وام

هوش مصنوعی با فراهم کردن امکان ارزیابی دقیق‌تر میزان ریسک در زمان اعطای وام، توانمندی بانکها در این بخش را بهبود می‌بخشد. در حقیقت هوش مصنوعی با تکیه بر تحلیل‌های پیش‌گویانه، می‌تواند رفتار مالی آتی متقاضیان وام را با بررسی پارامترهای متعدد و با دقت و سرعتی فرای توانایی انسانی، پیش‌بینی کند.

چالش‌ها و ملاحظات

اگرچه ظرفیت‌های هوش مصنوعی برای متحول ساختن اقدامات مدیریت ریسک در صنعت بانکداری انکارناپذیر است، لازم است تا نیم‌نگاهی نیز به چالش‌ها و ملاحظاتی داشته باشیم که در زمینه سازگاری با این فناوری‌ها وجود دارد.

کیفیت داده: دقت و اطمینان به مدل‌های هوش مصنوعی، شدیدا به کیفیت و کامل بودن داده‌هایی بستگی دارد که قرار است برای آموزش مدل‌ها به کار برده بشوند. سوگیری‌ها و یا غیردقیق‌بودن چنین داد‌هایی می‌تواند به نتایج نادرست و غیرقابل‌اتکایی منجر شود که در نهایت از تاثیرگذاری راهکارهای مبتنی بر هوش مصنوعی برای مدیریت ریسک بکاهند.  بانکها باید از اجرای دقیق سیاست‌های حاکمیت داده در سازمان خود اطمینان حاصل کنند و به صورت مداوم، ضمن رصد وضعیت داده‌ها، برای بهبود کیفیت آنها تلاش کنند.

ملاحظات اخلاقی: استفاده از منابع داده جایگزینی مانند داده‌های شبکه‌های اجتماعی برای آموزش مدلهای اعتبارسنجی و سنجش ریسک، می‌تواند غیرمنصفانه تلقی شود و ضمن افزایش نگرانی‌های اخلاقی، حریم خصوصی کاربران را در معرض آسیب قرار دهد. بانکها باید به دقت جوانب اخلاقی مختلف چنین اقدامات و مفاهیمی را مورد بررسی قرار دهند و ضمن دقت در انتخاب منابع داده‌ای برای پیشبرد فرایندهای تصمیم‌گیری در سیستم‌های مبتنی بر هوش مصنوعی، درباره اقدامات انجام شده شفافسازی کنند و مسئولیت‌پذیر باشند.  

چارچوب‌های رگولاتوری: همزمان با تکامل برنامه‌های مبتنی بر هوش مصنوعی بانکها، باید تلاش شود تا تمامی اقدامات در چارچوب‌های تعیین شده از سوی تنظیم‌گر حوزه باقی بمانند و نظارت و حاکمیت درستی بر تمامی این تلاش‌ها انجام شود. همزمان نیاز است تا رگولاتورها نیز دستورالعمل و استانداردهای لازم برای پرداختن به موضوعاتی مانند حریم خصوصی، تفسیرپذیری مدل و حاکمیت کلی به کار رفته برای سیستم‌های مبتنی هوش مصنوعی درون نهادهای مالی را تدوین کنند.

نظارت انسانی: همزمان با آنکه هوش مصنوعی می‌تواند بسیاری از فرآیندهای مدیریت ریسک را خودکار کرده و بهبود دهد، ضروری است تا همگام ماندن نیروی انسانی و نظارت بر چنین سیستم‌هایی تداوم داشته باشد. طراحی سیستم‌های مبتنی بر هوش مصنوعی باید به گونه‌ای انجام شود در این سیستم‌ها از تصمیم‌گیری انسانی حمایت و انجام آن تقویت شود؛ نه اینکه بنا باشد سیستم‌ها به کلی جایگزین انسان‌ها شوند.

تاب‌آوری و امنیت سایبری: به‌کارگیری هوش مصنوعی در سیستمهای مدیریت ریسک، باعث ایجاد ریسک‌های جدیدی در بحث امنیت سایبری شده است. مثلا چنین سیستم‌هایی در برابر حملات بیرونی و یا دستکاری‌های اطلاعاتی آسیب‌پذیر هستند. در نتیجه لازم است تا بانکها اقدامات مناسبی تعبیه کنند تا تاب‌آوری سیستم‌های هوش مصنوعی آنها در برابر چنین تهدیداتی تقویت شود.

اساسا به‌کارگیری سیستم‌های هوش مصنوعی در ابزارهای مدیریت ریسک، تلاش پیچیده‌ای است که نیازمند در نظر گرفتن این ملاحظات برای کنار آمدن با چالش‌ها و محدودیت‌هاست. بانکها باید در برنامه‌ریزی و اجرای برنامه‌های مرتبط با هوش مصنوعی، با استراتژی کل‌نگری به مساله نگاه کنند که همزمان تمام الزامات این مساله مانند کیفیت داده، ملاحظات اخلاقی، سازگاری با مقررات و خواسته‌های رگولاتور، بحث نظارت انسانی و اقدامات امنیت سایبری را مورد توجه قرار دهد. در این میان همکاری میان نهادهای مالی، سرویس‌دهندگان بخش فناوری، رگولاتور و متخصصان موضوعات اخلاقی، برای رسیدگی همزمان به این پیچیدگی‌ها و بهره‌برداری از تمام ظرفیت‌های هوش مصنوعی برای متحول ساختن اقدامات مدیریت ریسک ضروری است تا بتوان همزمان هم بر ریسک‌های بالقوه و هم عواقب ناخواسته آن غلبه کرد.  

نتیجه‌گیری

همزمان با پیشرفت صنعت بانکداری، هوش مصنوعی بهبود قابل‌توجهی در توانمندی بانکها برای مدیریت ریسک، بهبود دقت، کارایی و اثربخشی امور در چنین دوران پرچالشی ایجاد کرده است. حالا به لطف هوش مصنوعی مزیت‌های متعددی – از فراهم شدن امکان ارزیابی دقیق‌تر انواع ریسک‌ها تا برآوردن دقیق انواع الزامات رگولاتوری و ایجاد سیستم‌های کارآمدی برای رصد ریسک- ایجاد کرده است. چنین پیشرفتهایی صرفا محدود به حذف و کنترل ریسک‌ها نیست؛ بلکه بانکها را قادر ساخته که با مسئولیت‌پذیری و اعتماد بیشتری به سراغ فرصتهای موجود بروند.

به‌کارگیری هوش مصنوعی در بحث مدیریت ریسک نه تنها متضمن سلامت نهادهای مالی خواهد بود، بلکه متضمن تاب‌آوری بیشتر مشتریان و سهامداران بانک و در پیش‌ گرفتن رویکرد «تفکر رو به‌جلو» خواهد بود. در شرایطی که بانکها در مسیر حل چالش‌های چشم‌انداز مالی امروزی قدم برمی‌دارند، هوش مصنوعی در تقویت مدیریت ریسک‌های موجود و کنترل ریسک‌های آتی نقشی اساسی ایفا می‌کند و نباید از چنین تاثیر چشمگیری غافل شد.

تحلیلی بر اهمیت این فناوری در متحول کردن صنعت بانکداری و علم داده

هوش مصنوعی از زمان روی کار آمدن، بسیاری از صنایع و همچنین ابعاد مختلف زندگی بشر را متحول کرده و در این میان، صنعت مالی و بانکداری نیز از این تغییرات بی‌بهره نمانده است. بخشی از این تغییرات با بهبودی که در تجربه کاربری بانکها ایجاد می‌شود، از سوی مشتریان و مخاطبان قابل لمس است و برخی دیگر، بیشتر جنبه استراتژیک دارد و مدیران بانکها را در مدیریت شرایط اقتصادی مختلف و تصمیم‌گیری در مواقع حساس یاری می‌کند. برخی منابع از جمله AI Development Company مدعی هستند که تا پایان سال ۲۰۲۵، حدود ۷۵ درصد از نهادهای مالی سراسر جهان از جمله بانکها، برای به‌کارگیری هوش مصنوعی در فرآیندهای خود مجموعا ۳۱ میلیارد دلار هزینه خواهند کرد. چنین آماری به خوبی گویای جایگاه والای هوش مصنوعی در صنعت بانکداری امروزی است و تاکید می‌کند که این فناوری چگونه می‌تواند بهره‌وری و کارایی عملیاتی این کسب‌وکارها را بهبود ببخشد.

آی تی ایران در گفتگویی با مجید تفاهمی، یکی از فعالان حوزه هوش مصنوعی تلاش کرده است تا به بررسی ابعاد مختلف به‌کارگیری هوش مصنوعی در صنعت بانکداری بپردازد. وی که اکنون عضو هیئت‌مدیره شرکت داتا (داده و اعتبارسنجی تجارت ایرانیان) است و انجام چندین پروژه بزرگ تحلیل داده و هوشمندسازی سامانه‌های بانک تجارت را در کارنامه دارد، در این گفتگو بر تحولات صنعت بانکداری ایران با هوش مصنوعی تاکید کرده و به تشریح آینده این صنعت در سایه هوشمندسازی پرداخته است.

چه چیزی باعث شده که اهمیت هوش مصنوعی در بحث تحلیل داده تا این اندازه جدی شود؟

قبل از هر چیز لازم است به این نکته مهم اشاره شود که تحلیل داده دارای یک مسیر بلوغ تحلیلی است و زمانی که صحبت از تحلیل داده می شود، منظور صرفا استفاده از هوش مصنوعی نیست. مهم است که بدانیم حجم و مساحت ایجاد بینش چه میزان است و چگونه می توان با استفاده از یک رویکرد راهبردی مناسب، مسیر بلوغ تحلیلی برای ایجاد بینش‌ها را با استفاده از فناوری های پیشرفته ای نظیر هوش مصنوعی و یادگیری ماشین، به سرعت و با کیفیت طی کرد.

در طی سالیان اخیر و دورانی که از آن با عنوان عصر دیجیتال یاد می‌شود، کسب‌وکارها با طیف گسترده ای از فناوری ها مواجه شده‌اند که به طور مستقیم و غیرمستقیم آنها را تحت تاثیر قرار داده است.  قطعا هوش مصنوعی یکی از این فناوری‌های پیشرو و تاثیر گذار است که بیدار شدن آن از خواب زمستانی، مدیون حجم عظیم داده‌ها و توان بالای محاسباتی است که از پیشرفت فناوری‌های سخت‌افزاری در سالهای اخیر حاصل شده است. همین امر باعث شده است که هوش مصنوعی  به عنوان یک فناوری کلیدی، در سالیان اخیر رشد غیرقابل تصور و شدیدی را تجربه کند و توانسته است بر ابعاد مختلف عموم کسب‌وکارها از جمله کسب و کارهای بانکی تاثیر بگذارد. بسیاری هوش مصنوعی را یکی از مهم‌ترین اختراعات بشر تاکنون می‌دانند و حتی برخی بر این باورند که میزان تاثیرگذاری آن بر زندگی بشر، به مراتب بیش تر و عمیق تر از اختراع آتش و برق! است.

مرور رزومه شما به همراه داتا نشان می‌دهد که این شرکت حسب پاسخ به نیازهای بانک تجارت در زمینه تحلیل داده و هوش مصنوعی تاسیس شده و همچنان برای متحول کردن این بانک در زمینه هوش مصنوعی برنامه‌های خاصی دارد. داستان تولد داتا چه بوده و چرا تصمیم به ایجاد شرکتی برای نقش‌آفرینی در این بخش گرفتید؟

بانک تجارت با آگاهی از این روندها و تاثیرگذاری داده و فناوری های پیشرفته نظیر هوش مصنوعی، تصمیم به ایجاد یک شرکت تحلیل داده گرفت که مهم ترین رسالت آن، تمرکز بر فناوری‌های پیشرفته نظیر هوش مصنوعی برای افزایش سطح بلوغ تحلیلی و همچنین طراحی و پیاده‌سازی محصولات و خدمات هوشمندست و همین مساله، جرقه ابتدایی تاسیس شرکت داتا بود.

 نیل به اهداف فوق، مستلزم توجه به داده به عنوان یکی از دارایی‌های حیاتی بانک و ضرورت مدیریت و اعمال حاکمیت آن در طول چرخه حیات است که تاکنون اقدامات متعددی در این زمینه انجام شده است. داتا، بازوی تخصصی بانک تجارت برای ایجاد بینش ها از طریق بکارگیری داده ها به عنوان سوخت موتورهای تحلیلی و تولید بینش است. بدیهی است، از بینش ایجاد شده می توان هم مستقیما استفاده به‌عمل آورد و هم از آن در طراحی و پیاده سازی محصولات و خدمات استفاده کرد.

نکته‌ای که باید مورد توجه قرار بگیرد آن است که تمامی کسب‌وکارها، از جمله کسب‌وکارهای فعال در صنعت بانکداری، در حال تجربه تحولات عظیمی هستند؛ تغییری که عملیات کسب‌وکار را بازتعریف می‌کند و برای همیشه نحوه تعامل مردم با فناوری را تغییر می‌دهد. قطعا داتا می تواند یکی از بازیگران تاثیرگذار در این تحولات، می‌تواند در قالب بازوی تخصصی بانک تجارت در زمینه هوشمندسازی ایفای نقش کند.

میزان پیشرفت به کارگیری هوش مصنوعی در نظام بانکی کشور را چطور می‌بینید و وضعیت ایران در مقایسه با کشورهای پیشرو در این زمینه چگونه است؟

ایران نظیر بسیاری از کشورها در مسیر استفاده از هوش مصنوعی است و تا رسیدن به شرایط مطلوب، فاصله زیادی دارد. هم اینک، اغلب بینش‌های تولید شده ماهیت توصیفی دارند که در آن خروجی تجزیه‌وتحلیلهای آنجام شده، صرفا تصویری از آن چیزی است که اتفاق افتاده است؛ اما خلق بینشی در مورد این که هر رخدادی چرا اتفاق افتاده یا چه چیزی ممکن است در آینده اتفاق بیفتد یا نه، کمتر مورد توجه قرار گرفته است. با استناد به نظرسنجی انجام شده توسط گارتنر، بیش از 87% از سازمان‌ها از لحاظ بلوغ تحلیلی و هوش تجاری در سطوح ابتدایی قرار دارند و برای گذار به سطوح بالاتر، باید اقدامات متعددی را در دستور کار قرار دهند.

استفاده از هوش مصنوعی، مستلزم داشتن یک رویکرد راهبردی است تا بتوان بر اساس آن تمامی عناصر مورد نیاز برای استفاده از آن را به تدریج آماده کرد. عناصری نظیر داشتن یک معماری داده پیشرفته، داده‌های باکیفیت، توجه به مسائل امنیت و حریم خصوصی داده‌ها و از همه مهم تر، استعدادهای مورد نیاز با مهارت های لازم که می‌توانند با استفاده از یک زبان مشترک هم در تعریف مساله مشارکت داشته باشند و هم در ارایه راه حل‌ها . موفقیت در این کار، نیازمند فرهنگ سازمانی مناسبی است که بتواند بر فرهنگ داده به عنوان یکی از عناصر کلیدی موفقیت در تعریف و اجرای ابتکارات هوش مصنوعی تاثیرگذار باشد.

آینده صنعت بانکداری در سایه هوش مصنوعی را چگونه ارزیابی می‌کنید؟

هوش مصنوعی قادر به ایجاد تحول در تمامی زنجیره ارزش کسب و کار صنعت بانکداری است. شاید مهم ترین و تاثیرگذارترین بخش آن،  زمانی است که به سمت مشتری حرکت می کنیم و قرار است تجربه یکپارچه‌ای برای ارایه خدمات خلق کنیم؛ قطعا هوش مصنوعی می تواند یکی از بازیگران کلیدی باشد. همچنین، استفاده از هوش مصنوعی در عملیات و هوشمند سازی فرآیندهای کاری از دیگر نقاط عطف بکارگیری هوش مصنوعی در صنعت بانکداری است.

ما شاهد تغییرات مهمی در دنیای تولید بینش هستیم؛ از پردازش دسته‌ای به سمت بینش‌های آنلاین؛ از فرآیندهای تصمیم‌گیری ناهمزمان به سمت همزمان و از تولید بینش توسط انسان به تولید بینش توسط ماشین. در تمامی موارد فوق، هوش مصنوعی یک حضور مهم و تاثیرگذار دارد که می تواند سرنوشت برندگان و بازندگان آینده در هر کسب‌وکاری و از جمله صنعت بانکداری را تعیین کند.

به نظر شما داتا به عنوان یکی از بازیگران نوظهور صنعت داده و هوش مصنوعی کشور، تا چه اندازه می‌تواند به اهداف موردنظر دست یابد و در این مسیر با چه موانعی روبه روست؟

داتا برای نقش آفرینی موثر در صنعت داده و هوش مصنوعی راهی طولانی در پیش دارد. مهم این است که برای مسیر فوق یک ریل گذاری مناسب انجام شود که هم اینک این کار انجام شده است. قطعا با قرار گرفتن بر روی ریل و حرکت به سمت جلو، با چالش‌ها و موانع مختلفی نیز مواجه خواهیم بود.

ایجاد یک زیرساخت داده‌ای و تحلیلی مدرن، جمع‌آوری و یکپارچه‌سازی داده‌های موردنیاز، تمرکز بر کیفیت داده و بهبود مستمر سطح کیفی داده‌ها بر اساس یک رویکرد راهبردی متاثر از نیازمندهای کسب و کار، مباحث امنیت و حریم خصوصی داده‌ها و ارایه راهکارهای مناسب برای رفع نگرانی‌ها از این فناوری، دموکراتیک‌سازی داده‌ها، چابکی، انعطاف‌پذیری و قدرت تطبیق‌پذیری بالا، مباحث مربوط به حاکمیت داده، جذب و حفظ استعدادهای مورد نیاز و از همه مهم تر رشد و پرورش فرهنگ داده (و یکی از مهم ترین مولفه های آن یعنی سواد داده) از جمله موانع پیش رو هستند. ایجاد همسویی میان تیم‌های فناوری اطلاعات، داده و کسب‌وکار هم برای تعریف یک مساله و هم ارایه یک راه حل مناسب از دیگر موانع موجود در زمینه داده و هوش مصنوعی است. بد نیست به این نکته اشاره شود که اکثر مسائل و موانع پیش رو از جنس منطقی هستند ( که به برخی از آنها پیشتر اشاره کردیم) و نه فیزیکی (نظیر سرمایه‌گذاری برای توسعه زیرساخت داده‌ای ) که در زمان مدیریت چالش‌ها و مسائل باید به آنها دقت شود.

 همچنین لازم است به فقدان سیاست‌های کلان در حوزه هوش مصنوعی  نیز اشاره شود که ضروری است نهادهای قانونی و بالادستی در این زمینه نیز اقدامات لازم را انجام دهند تا بستر مناسب برای به‌کارگیری هوش مصنوعی با رعایت مواردی نظیر اخلاق، انصاف، رعایت حریم خصوصی داده ها و مواردی از این نوع، فراهم شود.

راهکار شما برای غلبه بر این چالش‌ها چیست؟

همانگونه که اشاره شد، بیشتر مسائل و چالش‌های پیش رو، منطقی هستند و برطرف کردن هر یک، مستلزم داشتن یک رویکرد راهبردی مناسب، واقع‌گرایانه و عمل‌گرایانه است. برای ارزش‌آفرینی از داده‌ها توسط هر فناوری از جمله هوش مصنوعی و یادگیری ماشین، نیازمند یک ساختار هندسی چند ضلعی مناسب هستیم که اولین ضلع آن شناخت دقیق و عمیق اهداف و نیازمندی‌های کسب و کار است تا با استناد به آن بتوان اقدام به شناسایی و شناخت مناسب اکوسیستم داده کرد؛ زیرساخت داده‌ای و تحلیلی مورد نیاز را ایجاد و به طور دائم توسعه داد؛ فرآیندهای کلیدی مورد نیاز را تدوین و استقرار داد (نظیر فرآیندهای حاکمیت داده، فرآیندهای کیفیت داده و …) و بر اساس برنامه‌های مشخص، نسبت به رشد و توسعه فرهنگ داده اقدام کرد.

استفاده از مزایای هوش مصنوعی در خلا محقق نمی‌گردد، محیط های کسب‌وکار با محیط های آکادمی، دانشگاهی و آزمایشگاهی متفاوت است. بر اساس بررسی انجام شده و با استناد به داده‌های معتبر، بسیاری از  ایده‌ها و برنامه‌های خلاقانه و نوآورانه که در محیط های فوق به خوبی جواب می‌دهد، عملا به مرحله تولید و بهره‌برداری نمی‌رسند و با چالش‌ها و موانعی که به برخی از آنها اشاره شد، مواجه می شوند. برای موفقیت و غلبه بر موانع، می‌بایست ابعاد مختلف ارزش‌آفرینی از داده‌ها توسط هوش مصنوعی را به خوبی شناخت و نسبت به ساخت و توسعه هر بعد و مدیریت موانع و چالش‌های هر یک اقدام کرد. اقداماتی که پیش نیاز آن، حمایت مستمر مدیران ارشد و همراهی و باورپذیری بدنه سازمان است.

چشم‌انداز داتا برای نقش‌آفرینی در اکوسیستم نوآوری کشور چیست؟

ایجاد یک شرکت داده‌محور  با تمرکز بر توسعه و تقویت هوش داده و تدوین و عملیاتی‌سازی فرآیندهای هوشمند یکی از اهداف مهمی است که داتا دنبال می‌کند و در ادامه ای اقدمات بناست تا توسعه اکوسیستم داده و تعامل هوشمند با اکوسیستم‌های کسب و کار از طریق سرویس‌های داده‌ای و APIs  با هدف حضور فعال در مراحل مختلف چرخه نوآوری داده‌محور در دستور کار قرار بگیرد. در نهایت داتا خواهان آن است که بستری فراهم شود که از داده در قلب نوآوری استفاده شود و  موتورهای تولید بینش با عملکرد بالا و هوشمندی بیش‌تر به کار گرفته شوند. در واقع استفاده از داده‌های باکیفیت برای ارایه نتایج مطلوب و قابل اعتماد و اشتراک داده‌ها با لحاظ کردن نگرانی‌های مربوط به امنیت و حریم خصوصی داده ها را می‌توان یکی از ماموریت‌های مهم داتا برای نقش آفرینی در کنار بانک تجارت به حساب آورد.

در جهان دیجیتال امروز، ارزش دارایی‌های داده‌ای روز به روز در حال افزایش است و داده‌ها به موتوری تبدیل شده‌اند که ارزش کل و رشد سازمان‌های مدرن را به پیش می‌برند. بنابراین، ایجاد چارچوبی که به سازمان‌ در کشف و دستیابی به ظرفیت داده‌های خود کمک کند، برای افزایش ارزش ارائه شده به سهامداران ضروری است و موجب بهینه‌سازی موفقیت آینده سازمان شما خواهد شد.

با این حال، بسیاری از شرکت‌ها درکی از ارزش دارایی‌های داده‌ای موجود خود و همچنین اهرم‌های اساسی که می‌تواند ارزش داده‌ها را افزایش دهد، ندارند. این مساله می‌تواند باعث عقب ماندن سازمان در میدان رقابت شود و در تولید ارزش از این داده‌ها برای سهامداران ناکام بماند.

برای به دست آوردن و بهره‌مند شدن از ارزش داده‌ها در طول زمان، سازمان‌ها باید ابتدا به دنبال شفافیت در نحوه ارزش‌گذاری داده‌ها به عنوان یک دارایی باشند و سپس با یک راهبرد جامع، ارزش داده‌های خود را افزایش دهند.

ارزش گذاری داده: ایجاد چارچوب جامع

همانطور که در نمودار زیر نشان داده شده است، ارزش‌گذاری داده‌ها مانند ارزش‌گذاری دارایی‌های دیگر شرکت، یک فرآیند چند مرحله‌ای است.

پاسخ به سوالات زیر می‌تواند راهنمای شما برای درک این فرآیند باشد:

• دارایی‌های داده‌ای ما در حال حاضر از چه نوع هستند و چگونه از آن‌ها استفاده می‌کنیم؟

• آیا دارایی‌های داده‌ای ما راه‌های جایگزینی برای رشد کسب‌وکارمان ارائه می‌دهند؟

• چگونه دارایی‌های داده‌ای ما می‌توانند به ما در افزایش حاشیه سود کمک کنند؟

• چگونه دارایی‌های داده‌ای ما می‌توانند به ما در مقابله با خطرات فعلی و آتی کمک کنند؟

پس از شناسایی دارایی‌های داده‌ای موجود خود، مرحله بعدی توضیح موارد کاربرد فعلی آن‌ها و بررسی کاربردهای جایگزینی است که می‌تواند به رشد و توسعه کسب‌وکار شما کمک کند.

ارزیابی موارد کاربرد از زاویه ارزش‌گذاری:  رشد، بازده و ریسک

مانند دیگر دارایی‌های شرکت، برای درک ارزش دارایی‌های داده‌ای خود، یک سازمان باید درک کند که داده‌ها چگونه بر روند رشد، بازده و ریسک شرکت تأثیر می‌گذارد.

رشد

• داستان رشد فعلی شرکت‌ چیست؟
• آیا داده‌های شما برای تولید درآمد استفاده می‌شوند؟
• موارد استفاده جایگزین بالقوه برای داده‌ها چیست؟
• آیا هم‌افزایی با سایر دارایی‌ها درون سازمان وجود دارد؟

بازده

• هزینه نگه‌داری/حفظ داده‌ها چقدر است؟
• هزینه‌های سازمانی و سیستمی مرتبط با داده‌ها چیست؟
• درآمد بالقوه بدست آمده از داده‌ها چقدر می‌شود؟
• آیا درآمد تجاری شخص ثالث با داده‌ها مرتبط است؟
• آیا استفاده داخلی از داده‌ها بازدهی ایجاد می‌کند؟

ریسک

• تأثیرات حریم خصوصی و امنیت داده‌ها بر سازمان چیست (مانند تولید داده‌ها، ذخیره‌سازی، دسترسی و انتشار)؟
• آیا خطرات مرتبط با انواع خاصی از داده‌ها بیشتر از بازدهی آن است؟
• آیا می‌توان از داده‌ها برای کاهش خطرات سازمان با ارائه بینش‌های پیشگیرانه یا ایجاد “ارزش دفاعی” استفاده کرد؟
• آیا می‌توان ادراکات بازار در مورد سازمان، از جمله داده‌ها را نگهداری و حفظ کرد؟

شناسایی دارایی‌های داده فعلی و ویژگی‌های آن‌ها

غالباً اولین گام در هر فرآیندی، درک نقطه شروع و وضعیت فعلی است. برای ارزیابی داده، این گام اول شامل تکمیل فهرستی از دارایی‌های فعلی داده‌ای و تعیین نحوه استفاده فعلی سازمان از داده‌هایش است – اگر اصلاً استفاده می‌شود.

در بسیاری از موارد، متوجه می‌شویم که سازمان‌ها در تلاش برای بهره‌برداری موثر از داده‌های خود محدود می‌شوند؛ زیرا نمی‌دانند که تمام داده‌هایشان کجا قرار دارد. رمزگشایی و استخراج مفاهیم از دل داده‌ها ممکن است به بروزرسانی و حفظ هر فهرستی از موجودی داده‌های شرکت نیاز داشته باشد.

 پس از شناسایی داده‌ها، مدیریت باید ویژگی‌های کلیدی آن‌ها را بررسی و دسته‌بندی کند. درک ویژگی‌های کلیدی می‌تواند در توسعه هر گونه کاربرد برای به حداکثر رساندن تأثیر داده بر رشد، سودآوری و ریسک سازمان‌ها مفید باشد.

نمونه‌هایی از اینکه داده‌ها چگونه متفاوت هستند – و چرا این مسئله برای ارزش‌گذاری داده مهم است:

• داده ممکن است بدون از دست دادن ارزش، قابل به اشتراک‌گذاری باشد.
• ارزش داده حسب کاربرد و ویزگی های آن تغییر می‌کند.
• داده منقضی می‌شود، اما نیست و نابود نه.
• اگرچه ارزش داده هنگام ترکیب با داده‌های دیگر افزایش می‌یابد، اما این “بیشتر” لزوماً به معنای “بهتر” نیست.
• داده ممکن است چالش‌های امنیتی منحصر به فردی ایجاد کند.

روشهای ارزیابی

داده‌ها مشابه سایر دارایی‌های نامشهود هستند. در حالی که ویژگی‌های هر مجموعه داده ممکن است منحصر به فرد باشد، روش‌های سنتی ارزیابی که شامل عناصر رشد، سودآوری و ریسک می‌شوند، می‌توانند همراه با درک قوی از ویژگی‌های داده‌، برای ارزش‌گذاری داده‌ها استفاده شوند. این روش‌ها شامل موارد زیر هستند:

روش بازار:

امروزه، شرکت‌ها از تحلیل‌های پیشرفته برای درک بهتر داده‌های خود استفاده می‌کنند و همزمان به دنبال راه‌هایی هستند تا مجوز استفاده از آنها را به اشخاص ثالث اعطا کنند. علاوه بر این، تبادلات داده‌ای در اکوسیستم‌های مختلف در حال توسعه هستند تا شرکت‌کنندگان بازار بتوانند دارایی‌های داده‌ای خود را جمع‌آوری و معامله کنند و شرکت‌های فعال بتوانند از طریق مبادله داده‌ها ارزش بیشتری برای کسب‌و‌کارهای خود ایجاد کنند. درحالی که شرکت‌ها به استخراج داده‌های خود ادامه می‌دهند و مدل‌هایی برای انجام معاملات در این دسته از دارایی‌ها توسعه می‌دهند، این معاملات می‌توانند برای استخراج نشانه‌هایی از ارزش بازار به کار گرفته شوند. به مانند سایر دارایی‌ها، چالش‌های مقایسه ارزش داده‌ها نیز همچنان وجود خواهند داشت؛ اما برخی کارشناسان معتقدند همانطور که بازارها به بلوغ می‌رسند و شرکت‌ها راه‌های بیشتری برای انجام معاملات شناسایی می‌کنند، معاملات داده به طور معمول برای ارزش‌گذاری دارایی‌های داده‌ای استفاده خواهند شد.

روش درآمدهای مازاد چند دوره‌ای (MPEEM)

روش درآمدهای مازاد چند دوره‌ای (Multi-period excess earnings method)، یکی از روشهای مبتنی بر درآمد است که منافع اقتصادی را با محاسبه جریان نقدی نسبت داده شده به یک دارایی پس از کسر “هزینه‌های دارایی مشارکتی” (contributory asset charges) یا (CAC)، که عائدی مناسبی برای دارایی‌های مشارکتی به کار رفته توسط کسب‌وکار در تولید درآمد و سود دارایی داده‌ها هستند، اندازه‌گیری می‌کند.

روش «با» و «بدون»

این روش، روشی برای تخمین ارزش دارایی‌های داده است که با اندازه‌گیری تأثیر آن‌ها بر جریان‌های نقدی در صورت نیاز به جایگزینی داده‌ها (با فرض اینکه سایر دارایی‌های لازم برای اداره کسب‌وکار در جای خود قرار دارند و همان ظرفیت تولیدی را دارند) انجام می‌شود. درآمدهای پیش‌بینی شده، هزینه‌های عملیاتی و جریان‌های نقدی در سناریوهای “با” و “بدون” داده‌ها محاسبه می‌شوند و تفاوت بین جریان‌های نقدی در این دو سناریو برای تخمین ارزش داده‌ها استفاده می‌شود.

روش رهایی از حق‌امتیاز

این روش بر این فرض بنا شده است که اگر شرکت دارایی داده‌ای نداشته باشد، ممکن است برای استفاده از همان داده، به دریافت حق اشتراک از یک طرف سوم که دارایی داده‌ای مذکور را در اختیار دارد، نیاز پیدا کند.  در این روش، شرکت مقدار مشخصی از سود خود را به دریافت امتیاز (لیسانس) داده از یک طرف سوم طی یک دوره معین، تخصیص می‌دهد.

روش هزینه

این روش از مفهوم هزینه جایگزینی به عنوان شاخصی برای ارزش استفاده می‌کند. پیش‌فرض این است که یک سرمایه‌گذار حاضر نیست بیش از هزینه‌ای که برای بازسازی یا خرید مجدد یک دارایی با عملکرد مشابه لازم است، پولی پرداخت کند؛ علاوه برا این، سرمایه‌گذار میزان سود/بازده مورد نیازی که برای ترغیب شخص ثالث به جایگزینی دارایی لازم است، درنظر خواهد گرفت.

شناسایی کاربردهای کنونی و جایگزین‌های آتی

فرآیند ارزش‌گذاری داده‌ها می‌تواند به ایجاد کاربردهای جدیدی، از ایده‌های تجاری نوین  تا استفاده‌های جایگزین و دفاعی از داده‌ها، بینجامد. رویکردهای ارزش‌گذاری در هر مورد توسط کاربردهای موجود و بالقوه داده‌ها تعیین خواهد شد.

کیس کاربردی ۱: داخلی

استفاده موثر از داده‌ها به کسب‌وکارها این امکان را می‌دهد تا از رقبای خود پیشی بگیرند و با کسب این مزیت که اولین استفاده‌کنندگان از فرصت‌های جدید باشند، به عنوان پیشگامان و نوآوران در اکوسیستم‌های مختلف شناخته شوند.

مثال:

یک شرکت بیمه عمر به طور هفتگی داده‌های خود درباره ادعای مرگ‌و‌میر را تحلیل می‌کند و این اطلاعات را برای استفاده داخلی توسط شرکت مرتبط دیگری، که در زمینه‌ی مدیریت دارایی‌ها فعالیت می‌کند، آماده می‌سازد. سپس این شرکت با استفاده از داده‌ها در یک الگوریتم فروش و قیمت‌گذاری، به شدت سودآوری می‌کند.

روش ارزیابی ارزش:

زمانی که یک شرکت از داده‌های خود برای ایجاد اختلال در بازار و کسب مزیت به عنوان نخستین ورودکننده به بازار استفاده می‌کند، می‌تواند از روش “ارزیابی ارزش با و بدون” برای سنجش تأثیر داده‌ها بر ارزش کسب‌وکار استفاده کند. هرچند این روش نیازمند درجه بالایی از احتیاط است، می‌تواند رویکرد خوبی برای چارچوب‌بندی محدوده بالقوه ارزش‌های دارایی داده باشد.  همانند بیشتر روش‌های ارزیابی ارزش داده‌ها، فرآیند توسعه فرضیات پیش‌بینی و ورودی‌های ارزیابی، اغلب درک و بینش‌های بهتری به مدیران کسب‌و‌کار می‌دهد. مدیران با بهره‌گیری از این رویکرد، مدل کسب‌و‌کار موجود را به کار می‌گیرند تا سناریوی “با” را توسعه دهند: این ارزش کسب‌وکار است که دارایی داده‌ای در آن قرار دارد و با استفاده از پیش‌بینی‌های خود به عنوان یک عامل مختل‌کننده در بازار، تعیین می‌شود.

سپس، مدیریت سناریوی “بدون” را توسعه می‌دهد: سناریوی دوم فرضی که پیش‌بینی می‌کند رقیب چگونه ممکن است در بازار به رقابت بپردازد. این پیش‌بینی فرض می‌کند که تمام دارایی‌های شرکت، یا یک رقیب مشابه، به جز دارایی داده‌ها، در جای خود قرار دارند و همچنین فرضیاتی در مورد هزینه‌های سرمایه‌ای مورد نیاز و هزینه‌های عملیاتی را مطرح می‌کند.

در نهایت، کسر کردن مقادیر در مدل “با” از آن‌هایی که در مدل فرضی “بدون” وجود دارد، یک مقدار نظری برای دارایی داده تولید می کند.

کیس کاربردی ۲: استفاده تجاری از داده‌های موجود

در بیشتر موارد استفاده تجاری، شرکتها ارزشی را از معاملات بین شرکتی (B2B) مرتبط با داده‌های جمع آوری شده‌شان دریافت می‌کنند.

مثال:

یک شرکت خرده‌فروشی داده‌های خرید مشتریان خود را تجزیه و تحلیل کرده و آماده‌سازی می‌کند. سپس این اطلاعات را به طرف‌های ثالث دیگر در ازای دریافت هزینه اشتراک ماهانه ارائه می‌دهد. این شرکت یک مورد استفاده خاص برای داده‌های جمع‌آوری شده خود دارد، با یک منبع خارجی برای تولید درآمد و سود بهره‌مند می‌شود که این منبع درآمد و سود به طور جداگانه و به روش واضح و قابل شناسایی است.

روش ارزیابی:

روش‌های رایج ارزیابی برای این دیدگاه شامل رهایی از حق‌امتیاز و روش‌های »با« و »بدون« می‌شود. استفاده از این تکنیک‌های ارزیابی آینده‌نگر به شرکت امکان می‌دهد تا به طور مستقل بر ورودی‌های مرتبط با رشد، سودآوری و ریسک تمرکز کند و تحلیل‌های حساسیت را پیرامون پیش‌بینی‌های مختلف تجاری و ورودی‌های ارزیابی ایجاد کند. به‌عنوان مثال، در مدل رهایی از حق امتیاز، شرکت می‌تواند نرخ حق امتیازی را که در صورت عدم مالکیت داده‌ها و وجود آن‌ها در اختیار یک شخص ثالث فرضی، باید به او پرداخت کند، مشخص کند.

این تحلیل شامل چندین ورودی کلیدی است که شرکت می‌تواند از آن‌ها برای توسعه تحلیل حساسیت استفاده کند تا بینش‌هایی از ارزش داده‌ها به دست آورد، از جمله:

• عمر مورد انتظار دارایی داده (که می‌تواند از طریق درک دقیق از ویژگی‌های آن به ‌آن پی برد)
• نرخ رشد درآمدی اختصاص داده شده به نرخ حق امتیاز (شامل تحلیل ویژگی‌ها)
• سودآوری مدل کسب‌‎‌ کار از داده به عنوان وابستگی کلیدی استفاده می‌کند.
• نرخ حق امتیازهای قیاس‌پذیر همراه با نرخ تنزیل، که ریسک آینده مدل کسب‌و‌کار را اندازه‌گیری می‌کند.

در این کیس کاربردی، با انعطاف‌پذیری این ورودی‌های پیش‌بینی و ارزش‌گذاری کلیدی ، شرکت ممکن است به نتایج و الگوهای ارزش زیر دست یابد:

کیس کاربردی ۳: جایگزین/خارجی

گاهی اوقات، در حالی که سازمان‌ها داده‌ها را برای یک هدف خاص جمع‌آوری می‌کنند، متوجه می‌شوند که همان مجموعه داده‌ها برای سایر کسب‌و‌کارها نیز جالب توجه است—این امر فرصتی را برای یک مدل کسب‌وکار موازی به منظور فروش آن مجموعه داده‌ها به صورت خارجی ایجاد می‌کند.

مثال:

یک شرکت که داده‌های عملکرد محصولات کشاورزی را از کشاورزان جمع‌آوری و مدیریت می‌کند، متوجه می‌شود که برخی از تولیدکنندگان تجهیزات کشاورزی و اعطاکنندگان وام، علاقه‌مند به داده‌های محصولات آن‌ها هستند تا نیازهای تجهیزات احتمالی در جغرافیای مختلف و ریسک‌های تخصیص وام به کشاورزان برای خرید تجهیزات را درک کنند.

روش ارزیابی:

شرکت با افزودن این جریانات درآمدی جدید به تحلیل، روش رهایی از حق‌امتیاز را گسترش می‌دهد. سپس مدیریت می‌تواند این جریانات درآمدی جدید را با رویکرد [که در زیر نشان داده شده است] ادغام کرده و از همان منحنی‌های عمر، نرخ حق امتیاز و نرخ تنزیل برای این درآمد ادغام شده جدید استفاده کند. به طور جایگزین، آن‌ها ممکن است پیش‌بینی مدل‌سازی رهایی از حق‌امتیاز کاملاً متفاوتی را برای این جریانات درآمدی جدید با تغییر پارامترهای عمر، حق امتیاز و نرخ تنزیل انجام دهند.

کیس کاربردی ۴: دفاعی

برخی از شرکتها حجم زیادی از داده‌ها را جمع‌آوری می‌کنند که به آن‌ها اجازه می‌دهد تا سریع‌تر از رقبا وارد بازارهای جدید شوند، یا محصولات و خدمات بهتری را در یک بازار موجود ارائه دهند—بنابراین این امکان را به آن‌ها می‌دهد تا سریع‌تر از رقبای خود گسترش یابند.

مثال:

یک شرکت دارای پایگاه داده اختصاصی شامل تاریخچه‌ای طولانی از داده‌ها برای منطقه‌ای است که در حال حاضر در آن فعالیت نمی‌کند، اما تحلیل‌های صنعتی نشان می‌دهند که گسترش به این منطقه ممکن است از نظر استراتژیک برای صنعت ارزشمند باشد.

روش ارزیابی:

برای تحلیل ارزش دفاعی، اگر شرکت قصد ورود به بازارهای جدید را نداشته باشد، می‌توان از روش هزینه‌ای برای ارزیابی داده‌ها استفاده کرد. این تحلیل به شرکت اجازه می‌دهد تا از داده‌های داخلی برای ارزش‌گذاری دارایی داده استفاده کند. با استفاده از این رویکرد، هدف شناسایی هزینه بازسازی داده‌ها با استفاده از قیمت‌گذاری فعلی است. عناصر کلیدی روش هزینه‌ای شامل موارد زیر است:

•  داده‌های حقوق و دستمزد برای کارکنان مسئول در جمع‌آوری و نگهداری داده‌ها و سیستم‌های مورد نیاز برای نگهداری (یا میزبانی) داده‌ها

•  هزینه‌های سیستم فناوری اطلاعات (IT)

•  هزینه‌های قانونی

•  سود برای بازسازی داده‌ها

•  بازگشت هزینه برای دوره‌ای که برای بازسازی دارایی داده نیاز است.

پیشرفت در فرآیند ایجاد ارزش از داده‌هایتان

درک و ارزش‌گذاری داده‌ها، کلیدی برای تعریف فرآیند افزایش ارزش سهامداران است و فرآیند ارزیابی می‌تواند چارچوبی برای رویکرد شرکت شما در خلق ارزش ارائه دهد.

برای پیشرفت در فرآیند ارزش‌گذاری داده‌های خود، این رویکرد مرحله‌ای می‌تواند به شما کمک کند تا گام‌های بعدی خود شناسایی کنید:

در کجای فرآیند ارزش‌گذاری داده‌های خود قرار داریم؟

•  موجودی داده‌های ما در حال حاضر چگونه است؟

•دیدگاه ما نسبت به ارزش داده‌های کنونی‌مان چیست؟

• در حال حاضر چگونه از داده‌ها برای ایجاد ارزش برای سازمان استفاده می‌کنیم؟

آینده مطلوب ما چیست؟

• چه عواملی می‌توانند ارزش داده‌های ما را برای سازمان افزایش دهند؟

• ویژگی‌های داده‌ای کلیدی برای بهره‌برداری از ظرفیت داده‌های ما چیست؟

• آیا موارد استفاده جایگزین می‌توانند به حداکثر رساندن داده‌ها و ارزش سهامداران کمک کنند؟

• چگونه ارزش و بازده داده‌های خود را اندازه‌گیری می‌کنیم؟

چگونه به این اهداف می‌رسیم؟

• کیس‌های کاربردی و ویژگی‌های داده‌ای که سازمان ما باید بر روی آن تمرکز کند و اندازه‌گیری کند چیست؟

• چه منابع، ابزارها و مدل‌هایی باید برای نظارت بر ایجاد ارزش در نظر گرفته شوند؟

انتظار می‌رود که با دنبال کردن گام‌های ارائه شده در این مقاله، بتوانید درکی کلی از فرآیندهای ارزشگذاری داده‌ای پیدا کنید. با این وجود، این مورد نیز به مانند دیگر فرآیندهای سازمانی، میتواند با جزییات چالش‌برانگیزی همراه باشد که برای حل آنها می‌توان از متخصصان مدیریت داده‌ کمک گرفت.

اگرچه در قدرت و اهمیت داده‌ها هیچ شکی نیست، اما زمان اتخاذ تصمیمات داده‌محور شرکتها درمی‌یابند که اظهاراتی جنجالی مانند «کلان‌داده از همه چیز آگاهی دارد» و یا «داده‌ها، نفت جدید هستند» تا چه اندازه بر چالش‌های عملی که کسب‌وکارها در این مساله با آنها مواجه می‌شوند، سایه انداخته است. سازمان‌ها با هر اندازه‌ و در هر صنعتی که باشند، می‌توانند از قدرت اطلاعات برای هدایت انتخاب‌های آگاهانه بهره ببرند. اگر گمان می‌کنید که کسب‌وکار شما آنطور که باید در این حوزه پیش نرفته، این مقاله برای شماست. در این مقاله، روندهای تمایز شرکت‌های داده‌محور، چالش‌های تصمیم‌گیری داده‌محور، و نکاتی که در سال 2024 لازم است برای ایجاد یک کسب‌و‌کار مبتنی بر داده بدانید را مورد بحث قرار خواهیم داد و در ادامه به بررسی راه‌هایی می‌پردازیم که از طریق آنها بتوان راهکارهای فناورانه و مدرنی مانند «هوش پیش‌بینی» (predictive intelligence) را برای تصمیم‌گیری داده‌محور و اجرای موفقیت‌آمیز پروژه‌ها، به کار برد.

درک تصمیم‌گیری داده‌محور در دنیای امروز

دوره تصمیم‌گیری‌های شهودی در کسب‌و‌کارها به پایان رسیده است. چشم‌انداز کنونی به رویکردی هوشمندانه‌تر و مبتنی بر داده نیاز دارد و برای تحقق این امر راهی جز روی آوردن به تصمیم‌گیری داده‌محور وجود ندارد. این استراتژی قدرتمند از معیارها و بینش‌های به دست آمده از داده‌ها بهره می‌برد تا تصمیمات حیاتی کسب‌و‌کار را با اهداف و استراتژی‌های سازمانی همسو سازد. رهبران کسب‌و‌کار عموما در قالب مصورسازی از پلتفرم‌های هوش تجاری برای تولید، به اشتراک‌گذاری و اقدام بر‌اساس بینش‌های داده‌ای استفاده می‌کنند. در حقیقت این رویکرد استراتژیک از قدرت تحلیل‌های داده‌‌ای، برای اتخاذ تصمیمات آگاهانه و اقدام بر  اساس آنها و همچنین شکل‌دادن به استراتژی‌های سازمانی بهره می‌برد.

کسب‌و‌کارهایی که از تصمیم‌گیری داده‌محور بهره می‌برند، می‌توانند انتخاب‌های هوشمندانه‌تر و آگاهانه‌تری انجام دهند که بر‌اساس واقعیت‌ها، رویدادهای گذشته و احتمال تکرار آن‌ها پایه‌ریزی شده‌اند؛ نه صرفا بر‌اساس غریزه یا شهود مدیران. شواهد این روزهای کسب‌وکارها به خوبی نشان می‌دهند که روش‌های سنتی مدیریت پروژه، تا چه اندازه در پیش‌بینی موفقیت با مشکل مواجه هستند. اینجاست که راه‌حل‌های هوش پیش‌بینی (predictive intelligence) که به اختصار PI خوانده می‌شوند، با تمرکز بر آینده و ارائه تحلیل‌های پیش‌بینی‌کننده، نقشی حیاتی در پیش‌بینی سلامت پروژه‌ها و بهبود شفافیت نتایج ایفا می‌کنند. این روش‌شناسی نحوه مدیریت کسب‌و‌کارها را متحول کرده و باعث تسهیل تصمیم‌گیری‌های سریع‌تر، مقرون به صرفه‌تر و دقیق‌تر شده است.

برای توضیح این مفهوم، موفقیت اوبر، سرویس مشهور درخواست خودرو، در غلبه بر چالش‌های کسب‌و‌کار و تغییرات نظارتی جهانی را در نظر بگیرید. اوبر برای مدیریت چشم‌انداز پیچیده و همیشه در حال تغییر کسب‌وکار خود، به تصمیم‌گیری‌ داده‌محور روی آورد. اجرای یک سیستم با محدوده مشخص، به آن‌ها امکان داد تا عملیات کسب‌وکاری خود را به بخش‌های خاصی، مانند مدیریت کاربران، رسیدگی به سفرها، و پردازش پرداخت‌ها تقسیم کنند. در ادامه و با ساماندهی فرآیندهای نرم‌افزاری خود پیرامون این حوزه‌ها، اوبر توانست انعطاف‌پذیری کسب‌وکار خود را برای تطبیق و مقیاس‌بندی هر جزء به صورت مستقل ارتقا دهد و این امکان فراهم شود تا بتواند به پویایی‌ بازار و تطابق با الزامات نظارتی در حال تحول، پاسخ سریع و مناسبی بدهد.

روندهای جدیدی که تصمیم‌گیری داده‌محور را تحت تاثیر قرار می‌دهند

براساس یک نظرسنجی که در سال ۲۰۲۳ توسط دانشکده کسب‌و‌کار دانشگاه LeBow Drexel  انجام شد، ۷۷٪ از متخصصان حوزه داده و تحلیلگری، اولویت دادن به تصمیم‌گیری داده‌محور را یکی از اهداف کلیدی برنامه‌های داده‌ای‌شان دانسته‌اند. این امر حاکی از آن است که چشم‌انداز امروزی تحلیل‌های مبتنی بر داده تا چه اندازه دستخوش تغییر شده و  درحال تجربه انقلابی است که رویکرد تصمیم‌گیری صنایع مختلف را متحول خواهد کرد. این تحول بیشتر توسط روندهای نوآورانه‌ای تقویت می‌شود که از ظرفیت‌های واقعی اطلاعات پرده برمی‌دارند؛ ذینفعان مختلف را توانمند می‌سازند و هوش آنی را به کار می‌اندازند.

در ادامه به بررسی هفت روندی می‌پردازیم که باعث خواهد شد آینده روشن‌تری در انتظار حوزه تصمیم‌گیری‌های مبتنی بر داده‌های باشد:

•  فرا‌شخصی‌سازی: فرا‌شخصی‌سازی جایگزین مفهوم منسوخ شده‌ی «مناسب برای همه» شده است. کسب‌وکارها در حال بهره‌برداری از داده‌های مشتریان برای خلق تجربیات، توصیه‌ها و خدمات سفارشی هستند. با تحلیل تاریخچه‌ی جستجوها، شناخت ترجیحات و بررسی پارامترهای جمعیت‌شناختی، شرکت‌ها می‌توانند پیشنهادات فرا‌شخصی‌سازی شده‌ای ارائه کنند که رضایت، وفاداری و مشارکت مشتریان را افزایش ‌دهد. این سطح از دقت نه تنها باعث ارتقا ارتباط با مشتریان می‌شود، بلکه امکان انجام تصمیم‌گیری‌های داده‌محوری را فراهم می‌کند که می‌توانند بر برطرف کننده نیازهای فردی و بهبود انتظارات متمرکز باشند.
• چابکی متکی به فناوری‌های ابری: حرکت به سمت ذخیره‌سازی و پردازش داده‌ها بر بستر ابر، در حال شتاب گرفتن است و این رویکرد امکانات بسیار بیشتری را نسبت به راه‌حل‌های on-premises سنتی محلی پیش روی کسب‌وکارها قرار می‌دهد. پلتفرم‌های ابری سازمان‌ها را به ابزارهای تجزیه و تحلیل پیشرفته و یادگیری ماشین مجهز می‌کنند. این ابزارها، سازمان‌ها را قادر می‌سازند تا ظرفیت کامل داده‌های خود را شناسایی کنند. استفاده از پلتفرم‌های ابری سازمانها را به ابزارهای یادگیری ماشین و تحلیل‌های یپشرفته‌ای مجهز می‌کند که به آنها در شناسایی ظرفیت کامل داده‌ها کمک خواهد کرد. چنین تغییری به معنای دستیابی مدیران سازمانها به بینش‌های آنی، شفاف و یکپارچه و فراهم شدن امکان پردازش حجم عظیمی داده در کسری از ثانیه است.  هرچه حجم و پیچیدگی داده‌ها افزایش یابد، راهکارهای ابری باز هم چابکی و قدرت محاسباتی مورد نیاز برای انجام تصمیمات آگاهانه داده‌محور را برای شرکتها فراهم می‌کنند و این روند ادامه می‌یابد.

• تجزیه و تحلیل پیشرفته: با عمیق شدن در اطلاعات تاریخی و داده‌های آنی و به‌روز، تکنیک‌های تحلیل پیشرفته، ریسک‌های پنهان کسب‌وکار را شناسایی کرده؛ تغییرات بازار را پیش‌بینی می‌کنند و با قابلیت پیش‌بینی دقیق نتایج و سلامت پروژه‌ها، نرخ‌ موفقیت پروژه‌ها را افزایش می‌دهند. کسب‌وکارهای مجهز به بینش‌های عملیاتی، از بهینه‌سازی عملیات گرفته تا خلق تجربیات فوق‌العاده مشتری، نسبت به کسب‌وکارهای دیگر یک مزیت خاص دارند. آنچه از آن صحبت می‌شود، صرفا کمک به کسب‌وکارها برای دستیابی به بینش نیست؛ بلکه نقشی است که این بینش‌ها در کمک به انجام یک تصمیم‌گیری فعالانه برای خلق یک مزیت استراتژیک ایفا می‌کنند.

• دموکراتیک شدن داده برای همه: با دموکراتیزه کردن داده، تیم‌ها به یک دیدگاه جامع دسترسی پیدا می‌کنند، که آن‌ها را در شناسایی الگوها، پیش‌بینی ریسک‌ها و بهینه‌سازی استراتژی‌ها برای اجرای موفقیت‌آمیز پروژه توانمند می‌کند. نتیجه چنین مجموعه رخدادهایی، کاهش تاخیرها، کمینه کردن هزینه‌ها، و حصول رهنمودی واضح برای دستیابی به اهداف مطلوب پروژه خواهد بود. به یاد داشته باشید، دموکراتیزاسیون داده نه فقط در مورد دسترسی  بلکه درباره ساخت یک فرهنگ است که در آن سواد داده قدر و ارزش خاصی دارد.
• تجزیه و تحلیل تقویت‌شده: هوش بهبودیافته: تجزیه و تحلیل تقویت‌شده، از قدرت هوش مصنوعی و یادگیری ماشین بهره می‌برد تا فرآیند تجزیه و تحلیل داده را تسریع کند. این تجزیه و تحلیل، فرآیند تهیه داده و مدل‌سازی پیش‌بینی‌کننده را خودکار  و بینش‌های قابل اجرایی ایجاد کرده که وظایف داده را برای کاربران غیرتخصصی قابل دسترس‌تر می‌کند. این رویکرد چرخه تصمیم‌گیری را شتاب بخشیده؛ تعصب انسانی را کاهش داده و الگوهای پنهانی را که منجر به انتخاب‌های آگاهانه‌تر، کارآمدتر و استراتژیک‌تر می‌شوند، آشکار می‌سازد. تجزیه و تحلیل تقویت‌شده به عنوان یک تقویت‌کننده نیرو عمل می‌کند که هوش انسانی را با بینش‌های ماشینی ترکیب می‌کند و در نهایت نحوه استفاده سازمان‌ها از داده‌هایشان برای تصمیم‌گیری را متحول می‌سازد.
• تجزیه و تحلیل لبه‌ای: تصمیمات در منبع: رایانش لبه‌ای، فرآیند و تجزیه و تحلیل داده‌ها را به منشأ آن‌ها، اغلب بر روی دستگاه‌های اینترنت اشیا یا سرورهای محلی، نزدیک‌تر می‌کند. این رویکرد نیاز به انتقال حجم عظیمی از داده‌ به هاب‌های متمرکز  راکاهش داده و با کاهش قابل‌توجه تاخیر، باعث بهبود قابل‌توجه توانمندی تصمیم‌گیری آنی می‌شود. تجزیه و تحلیل لبه‌ای، به ویژه در سناریوهایی که تصمیمات فوری و بر اساس برخی اطلاعات زمینه‌ای باید انجام شود (مانند وسایل نقلیه خودران، اینترنت اشیا صنعتی یا زیرساخت‌های شهر‌هوشمند) بسیار حیاتی است. این رویکرد باعث بهینه شدن جمع‌آوری داده شده و به کسب‌وکارها امکان می‌دهد تا بر اساس اطلاعات کلیدی تصمیمات سریع‌تری اتخاذ کنند؛ نتیجه چنین رخدادهایی بهبود کارایی عملیاتی و میسر شدن پاسخگویی آنی و بلادرنگ به انواع رخدادهاست.
• هوش مصنوعی (AI): در گذشته، مبنای هدایت تصمیمات، بینش انسانی بود؛ نتیجه چنین روندی عموما هدف‌گذاری‌های هدایت‌شده و تخمین‌ بی‌دقت هزینه‌های پروژه بود که باعث می‌شد اقدامات در نظر گرفته شده برای پیشبرد پروژه با ریسک همراه باشد. حالا اما هوش مصنوعی از این محدودیت‌ها عبور کرده و با فراهم کردن امکان تجزیه و تحلیل بی‌طرفانه داده‌ها، باعث خلق بینش‌های بلادرنگ و دقیقی می‌شود که مسیر را برای موفقیت پروژه هموار می‌کند. هوش مصنوعی در استخراج الگوهای معنی‌دار از مجموعه‌های داده، بهترین عملکرد را دارد و مدل‌های خودتکاملی را ایجاد می‌کند که با دقت قابل توجهی نتایج پروژه را پیش‌بینی می‌کنند. این هوش تقویت‌شده، به کسب‌وکارها امکان می‌دهد تا تصمیمات پروژه‌ای داده‌محوری‌ بگیرند که عملکردهای روش‌های سنتی را پشت می‌گذارند. علاوه بر این، قابلیت یادگیری بی‌وقفه آن، با بهره‌گیری از جریان‌های عظیم و گسترده‌ای از داده، کسب‌وکارها را به سوی آینده‌ای هدایت می‌کند که در آن عملیات بهینه‌سازی شده و استراتژی‌های آگاهانه‌ای اتخاذ می‌شوند.

روندهای ذکر شده صرفا نیم‌نگاهی بود آینده تصمیم‌گیری داده‌محور بود؛ جایی که چابکی، هوش و همکاری ترکیب می شوند تا قابلیت‌های بی‌سابقه‌ای خلق و فراهم کنند. با پذیرش و روی آوردن به استفاده از این نوآوری‌ها، می‌توانید با اعتماد به نفس از پس حجم عظیمی از داده‌ها که هر روزه در کسب‌وکار تولید می‌شوند بربیایید و برای خود حاشیه رقابتی مطمئنی بسازید که بتواند به شما در خلق تجربیات تحول‌آفرین برای مشتریان و سهامداران خود کمک کند. اگرچه تصمیم‌گیری داده‌محور مسیر قدرتمندی برای انجام اقدامات آگاهانه ایجاد می‌کند، اما باید توجه داشت که این مسیر بدون مانع نیست و با چالش‌هایی همراه است.  

در ادامه به بررسی شماری از این چالش‌ها خواهیم پرداخت.

چرا تصمیم گیری داده‌محور همواره آسان نیست؟

در حالی که تصمیم‌گیری داده‌محور، نویدبخش بهبود فرآیندهای کسب‌وکار، افزایش چابکی، بهبود خدمات مشتری و مدیریت یکپارچه پروژه و محصول است، ادغام آن با فرآیندهای کسب‌وکار عموما با موانعی نیز روبه‌روست. در ادامه شماری از چالش‌های اساسی و راهکارهای بالقوه آن را مورد بررسی قرار می‌دهیم:

کیفیت و اعتبار داده‌ها

اطمینان از کیفیت و اعتبار داده‌ها یک چالش اساسی در تصمیم‌گیری داده‌محور است. نقص داده‌ای ناشی از ناکامل بودن، نادرستی یا سوگیری‌ در داده‌های جمع‌آوری شده باشد، می‌تواند به طور قابل توجهی بر نتایج و تصمیمات اتخاذ شده تأثیر بگذارد. فقدان قالب‌های استاندارد داده، تعاریف متفاوت و ناسازگاری در روش‌های جمع‌آوری، این چالش را تشدید می‌کند.

حجم داده‌ها

حجم عظیم داده‌های تولید شده، به ویژه در پروژه‌ها، می‌تواند سرسام‌آور باشد. استخراج بینش‌های عملی برای پیش‌بینی سلامت پروژه و نتیجه حاصل از این بار اضافی داده، مستلزم استفاده از ابزارهای تخصصی و مهارت‌های مدیریت و تحلیل داده‌ها است.

یکپارچه‌سازی داده‌ها

یکپارچه‌سازی داده‌ها از سیستم‌ها و منابع متنوع، نیازمند برنامه‌ریزی دقیق، بررسی‌های سازگاری و حاکمیت قوی داده‌ها جهت دستیابی به یک مجموعه داده یکپارچه و منسجم برای تجزیه ‌و تحلیل است. بدون این اقدامات، سازمان‌ها ممکن است در تحقق پتانسیل کامل داده‌های خود برای تصمیم‌گیری آگاهانه با موانعی مواجه شوند.

حریم خصوصی و امنیت داده‌ها

حفظ حریم خصوصی و امنیت داده‌ها به عنوان یک چالش مهم مطرح است. پایبندی به مقررات سختگیرانه حفاظت از داده‌ها، اجرای اقدامات امنیتی ضروری برای حفاظت از داده‌های حساس و اطمینان از اعتماد مشتریان و ذینفعان بسیار مهم است.

شکاف استعداد و مهارت

در حوزه تصمیم‌گیری داده‌محور، شکاف قابل توجهی از نظر مهارت و استعداد وجود دارد. تقاضا برای افراد ماهر در تجزیه و تحلیل داده‌ها، آمار، یادگیری ماشین و تصویر‌سازی داده‌ها در حال افزایش است؛ با این حال، بازار کار در تامین مجموعه کافی از متخصصان با این قابلیت‌ها ناتوان است.

مدیریت تغییر

تغییر فرهنگ یک سازمان برای پذیرش شیوه‌های داده‌محور، مستلزم تغییرات اساسی در فرآیندها، جریان‌های کاری و طرز تفکر است. مقاومت در برابر این تغییرات و عدم استقبال ذینفعان می‌تواند منجر به موانع مهم دیگری شود. پرداختن به مدیریت تغییر به طور موثر برای هدایت چشم‌انداز تصمیم‌گیری داده‌محور حیاتی است.

تعصب و عدالت

وجود تعصب و تلاش برای تحقق بی‌طرفی، از جمله چالش‌های مهمی است که در تصمیم‌گیری داده‌محور به وجود می‌آید. سازمان‌ها باید اطمینان حاصل کنند که فرآیندهای تصمیم‌گیری آنها بی‌طرفانه و منصفانه هستند تا از عواقب ناخواسته جلوگیری شود. پرداختن به این چالش‌ها نیازمند رویکرد جامعی است که رهنمودهای اخلاقی، توسعه نیروی کار و اجرای شیوه‌های مدیریت تغییر موثر را در اولویت قرار می دهد.

با پرداختن به این چالش‌ها و پیاده‌سازی راه‌حل‌های مناسب، شما، رهبران کسب‌و‌کار و تیم‌های پروژه می‌توانید از قدرت تصمیم‌گیری داده‌محور برای بهبود نتایج پروژه و دستیابی به موفقیت بیشتر بهره ببرید. بنابراین، چگونه می‌توانید بر این چالش‌ها غلبه کنید و تصمیمات بهتری بگیرید؟ بیایید به بررسی بیشتر برخی از روش‌هایی که از طریق آن‌ها می‌توانید بر تصمیم‌گیری داده‌محور مسلط شوید، بپردازیم.

گام های موثر برای تصمیم‌گیری داده‌محور

دستیابی به مهارت در تصمیم‌گیری داده‌محور، نیازمند یک رویکرد استراتژیک است. برای تقویت مهارت‌های رهبری و تبدیل داده‌های خام به گام‌های عملی متناسب با اهداف شرکت، مراحل زیر را دنبال کنید:

چشم انداز موردنظر خود را به صورت واضح ترسیم کنید

پیش از تصمیم گیری آگاهانه، درک چشم‌انداز آینده شرکتتان ضروری است. این درک به شما امکان می‌دهد که از داده‌ها و استراتژی‌ها در شکل دادن به تصمیمات خود استفاده کنید. نمودارها و ارقام زمانی اهمیت پیدا می‌کنند که در چارچوب اهداف سالانه شرکت، نتایج کلیدی  (OKR[9]) یا شاخص‌های کلیدی عملکرد (KPI[10])  فصلی تیم شما تثبیت شوند.

سوال بپرسید

پیش از استفاده از راه‌حل‌های فناوری مدرن مانند هوش مصنوعی در پروژه‌ها و شیوه‌های مدیریتی خود، سوالات زیر را بپرسید:

• آیا کسب‌و‌کار شما از داده غنی است و برای تصمیم‌گیری‌ها و بینش‌های مبتنی بر هوش مصنوعی آماده است؟
• آیا هوش مصنوعی می‌تواند کارهای تکراری را خودکار کند و وقت تیم شما را برای کارهای با ارزش آزاد کند؟
• آیا در کسب‌وکار شما چالش‌هایی وجود دارد که هوش مصنوعی بتواند به بهبود کارایی و نوآوری در آن کمکی کند؟
• آیا تمایل به شخصی‌سازی تجربه مشتریان خود و پیش‌بینی نیازهای آن‌ها توسط هوش مصنوعی دارید؟
• آیا تمایل به پیشی گرفتن از رقبا از طریق تحلیل و استراتژی بازار مبتنی بر قدرت هوش مصنوعی دارید؟
• آیا می خواهید نرخ موفقیت پروژه خود را با پیش‌بینی و بهینه‌سازی مبتنی بر هوش مصنوعی افزایش دهید؟
• آیا می خواهید با تجزیه و تحلیل های مبتنی بر هوش مصنوعی تصمیمات سریع‌تر داده‌محور اتخاذ کنید؟

اگر پاسخ شما به تمام این سوالات«بله» است، باید گفت که شما آماادگی لازم برای حرکت در این مسیر را دارید. اگر حتی پاسخ شما به تنها یکی از این سوالات نیز  «خیر» است، بهتر است قبل از شروع این مسیر پیشگامانه، به بررسی آن بپردازید.

منابع داده را شناسایی کنید

پس از شناسایی هدفی که به دنبال آن هستید، فرآیند جمع‌آوری داده‌ها را آغاز کنید. انتخاب ابزارها و منابع داده، بستگی به نوع داده‌ای که جمع‌آوری می‌کنید دارد. معیارهایی مانند حاشیه سود ناخالص، نرخ بازگشت سرمایه، بهره‌وری، تعداد کل مشتریان و درآمدهای مکرر، از جمله شاخصهای مهم برای سنجش موفقیت هستند.

داده های خود را سازماندهی کنید

سازماندهی داده‌ها برای تصویرسازی مؤثر، پیش‌نیاز تصمیم‌گیری آگاهانه است. از یک داشبورد اجرایی، اغلب منعطف و قابل تنظیم، برای نمایش بینش‌های حیاتی و بی‌وقفه که برای دستیابی به اهداف پروژه شما ضروری است، استفاده کنید. این رابط قابل تنظیم، توانایی شما را برای درک به همبستگی درونی داده‌ها افزایش داده و سلامت و عملکرد پروژه بهبود می‌بخشد.

داده‌های  خود را تجزیه و تحلیل کنید

با داده‌های سازماندهی شده، فرآیند تحلیل داده‌محور را برای استخراج بینش‌های قابل اجرا آغاز کنید. بسته به اهداف پروژه خود، در نظر بگیرید که داده‌های داشبورد اجرایی را با تحقیقات کاربر، مانند مطالعات موردی، نظرسنجی‌ها یا گواهی‌نامه‌ها ترکیب کنید تا تجربه مشتری را در بر بگیرید. ابزارهای تحلیل داده را با تیم خود به اشتراک بگذارید تا در طول تحلیل داده مشارکتی، دیدگاه‌های متنوعی داشته باشید.

نتایج را ترسیم کنید

هنگام تحلیل داده‌ها، بینش‌های متمایز را مشخص کنید تا به هدایت فرآیند تصمیم‌گیری کمک کند. سوالات اساسی درباره داده‌ها را که پیشتر درباره آنها توضیح دادیم بپرسید و مشخص کنید که چه اطلاعات جدیدی به دست آورده‌اید و این اطلاعات چگونه می‌توانند برای کمک به تحقق اهداف مدنظر و بهبود سلامت و عملکرد پروژه از طریق قابلیت‌های هوش نقش‌آفرینی کنند. مستندسازی اهداف خاص، قابل اندازه‌گیری، قابل دستیابی، مرتبط و محدود به زمان (هوشمند) براساس یافته‌های خود، طبیعتا گام بعدی در فرآیند تصمیم‌گیری داده‌محور خواهد بود.

با پیروی از این گام‌ها، می‌توانید تصمیم‌گیری داده‌محور را به شیوه‌های رهبری و فرآیندهای کسب‌وکاری خود وارد کنید که در نهایت به تسهیل اتخاذ تصمیمات اثرگذار و آگاهانه‌تر منجر خواهد شد.

راه پیش رو چیست؟

ظرفیت تحول‌آفرین تصمیم‌گیری داده‌محور غیرقابل انکار است و به کسب‌وکارها، صرف نظر از اندازه آنها، راهی برای افزایش کارایی، مزیت استراتژیک و رشد پایدار ارائه می‌دهد. در حالی که غول‌های بزرگ صنعت تأثیر بسزایی بر شیوه توسعه صنعت دارند، چشم‌انداز در حال تحول شیوه‌های داده‌محور در سال ۲۰۲۴ فرصتی را برای هر سازمان، صرف نظر از اندازه و صنعت، فراهم می‌کند تا شکاف را پر کرده و از قدرت اطلاعات استفاده کنند.

روندهایی که تصمیم‌گیری داده‌محور را شکل می‌دهند، از جمله فراشخصی‌سازی، چابکی توانایی ابر، تجزیه و تحلیل پیشرفته، دموکراتیک شدن داده و هوش مصنوعی صرفاً شعارهای تبلیغاتی نیستند، بلکه عوامل کلیدی برای آینده‌ای هوشمندانه‌تر و مشارکتی‌تر هستند. از ابتدا تا انتها، پروژه‌ها به عنوان ستون‌های اصلی هر اقدام و عملکردی قرار دارند که این روندها درهای محیطی وسیع از فرصت‌ها را باز می‌کنند و سازمان‌ها را قادر می‌سازند که با اعتماد در پیچیدگی‌های دنیای مبتنی بر داده حرکت کنند. این رویکرد داده‌محور، تیم‌های پروژه را قادر می‌سازد تا از پیچیدگی‌ها بگذرند، نتایج تاثیرگذاری ارائه دهند، سلامت و عملکرد پروژه را افزایش دهند و در نهایت موفقیت سازمانی را پیش ببرند.

قدرت داده آماده کشف و پذیرش همگانی است. داده‌ها یک راه‌حل هستند که اگر از آن‌ها به صورت استراتژیک استفاده ‌شود، بدون توجه به اندازه شرکت، شما را توانمند می‌کند تا در میدان رقابتی سال ۲۰۲۴ رشدیافته و نوآوری کنید.

27امین دوره نمایشگاه الکترونیک و کامپیوتر موسوم به الکامپ به پایان رسید و داتا با کوله‌باری از تجارب جدید، دومین حضور خود در این نمایشگاه را رقم زد. در مدت چهار روز برگزاری این نمایشگاه که از روزهای نهم تا دوازدهم تیر ماه 1403 در محل نمایشگاه بین‌المللی تهران در جریان بود، این شرکت ضمن رونمایی از جدیدترین محصولات خود، اقدام به برگزاری دو کارگاه آموزشی با محوریت «حاکمیت داده؛ رکن اساسی سازمان داده‌محور» و «اعتبارسنجی مشتریان با روش های یادگیری ماشین» کرد. اگرچه رونق حضور شرکتها و بازدیدکنندگان در این رویداد بسیار کمتر از حد انتظار بود، اما همین فراهم شدن امکان حداقلی برای تعامل با افراد از گروه‌های مختلف را شاید بتوان شاخص‌ترین دستاورد الکامپ امسال برای داتا به حساب آورد. زیرا این رویداد فرصتی فراهم کرد تا مجددا نام این شرکت به عنوان یکی از بازیگران تازه‌نفس اکوسیستم نوآوری و هوش مصنوعی کشور مطرح شود.

میزبانی از مدیران بانک تجارت

داتاتجارت که به عنوان عضوی از خانواده تفتا و در کنار هفت زیرمجموعه دیگر، در غرفه این هلدینگ حضور یافته بود، در مدت برگزاری نمایشگاه، از بازدیدکنندگان بسیاری از جمله مدیران ارشد بانک تجارت و علاقه‌مندان دنیای هوش مصنوعی میزبانی کرد. از جمله مهم ترین بازدیدکنندگان داتا در نمایشگاه امسال، می‌توان به مرتضی ترک تبریزی، رییس هیات مدیره بانک تجارت؛ هادی اخلاقی، مدیرعامل بانک تجارت؛ امیرحسین داوودیان، معاونت مشتریان بانکداری شخصی بانک تجارت و محمد فرجود، مدیرعامل هلدینگ فناوری بانک تجارت اشاره کرد که ضمن بازدید از محصولات جدید شرکت، با مدیرعامل و مدیران محصولات مختلف داتا به گپ و گفت پرداختند.

ترک تبریزی که در جریان بازدید خود از غرفه تفتا، از داتا و دیگر زیرمجموعه‌های این شرکت به عنوان اعضای خانواده فناوری اطلاعات و ارتباطات بانک تجارت دیدن کرد، پیشرفتهای ایجاد شده توسط این شرکتها را چشمگیر و تحسین برانگیز خواند. او در بخشی از اظهارات خود و در پاسخ به سوال خبرنگاران درباره دستاوردهای ایجاد شده در این زمینه گفت: در حال حاضر تفتا تمامی ماژول‌هایی که یک بانک در بخش IT به آن نیاز دارد را توسعه داده است و خوشبختانه به‌خوبی توانسته‌ایم پاسخگوی تمام نیازهای فناورانه بانک تجارت باشیم. او در ادامه اضافه کرد: اکنون شاهد آنیم که تفتا در این مسیر روزبه‌روز ورزیده‌تر و آماده‌تر می‌شود و باعث خرسندی است که این هلدینگ، با وجود تحریم‌ها و فشارهای موجود، پرقدرت در مسیر پیشرفت حرکت می‌کند.

هادی اخلاقی، مدیرعامل بانک تجارت نیز در جریان بازدید خود از این غرفه، به نقش‌افرینی بانک تجارت در بحث توسعه اقتصاد دیجیتال طی مدت اخیر اشاره کرد و گفت: «در سه سال گذشته و حسب اینکه استراتژی بانک به‌گونه‌ای بود که بتواند از ظرفیت‌های حوزه فناوری برای تحقق بانکداری دیجیتال به معنای واقعی استفاده کند، تلاش‌های زیادی انجام شد؛ به‌ویژه آن که این استراتژی موجب شد که ساختار درون‌سازمانی بانک تجارت در حوزه فناوری دست خوش تغییر و تحول شود.» اخلاقی در ادامه افزود: « در حال حاضر در مجموعه بانک تجارت عملاً از سیستم‌های متفرقه‌ای که درگذشته وجود داشت، مهاجرت کرده‌ایم و در حال کار روی سیستم متمرکز و یکپارچه‌ای هستیم که برگرفته از الگوهای نو، نرم‌افزارهای جدید و معماری نوین است.»

او در ادامه اضافه کرد: «از طرف دیگر در بخش برون‌سازمانی نیز مجموعه‌های وابسته به بانک تجارت که بخشی از سهام یا تمام سهامشان وابسته به این بانک است، در حوزه‌های تخصصی خودشان شروع به توسعه‌دادن فعالیت‌هایشان کردند. اکنون تعداد مجموعه‌های وابسته به بانک، به‌خصوص آنهایی که می‌توانستند ارزش‌افزوده‌ای جدیدی را برای بانک خلق کنند و موجب ارائه خدمات متنوع‌تر، باکیفیت‌تر و بیشتری شوند نیز افزایش یافته است. حالا به طور محسوس تعداد شرکت‌هایی که به‌عنوان همکار بانک تجارت در حوزه تولید و ارائه خدمات جدید شناخته می‌شوند، دوبرابر شده و این پیشرفتی بزرگ است.»

تعامل با فعالان اکوسیستم

با وجود حضور پررنگ مدیران و معاونان ارشد بانک تجارت در غرفه تفتا در الکامپ امسال، شرکتهای زیرمجموعه این هلدینگ از جمله داتا، از بازدیدکنندگان دیگر نیز میزبانی شایسته‌ای کردند. داتا که بخشی از برنامه حضور خود در الکامپ امسال را به رونمایی از دستاوردها و محصولات جدید خود اختصاص داده بود، شماری از این محصولات را در پنل‌های تعاملی تعبیه شده در محل غرفه، در معرض دید بازدیدکنندگان قرار داد. چت‌بات هوشمند داتا، یکی از این موارد بود که با هدف پاسخ به سوالات مشتریان بانک تجارت طراحی و توسعه داده شده است. افراد با حضور در غرفه داتا این امکان را داشتند تا از نزدیک با این چت‌بات هوشمند کار کنند و با توسعه‌دهندگان آن به بحث و گفتگو بپردازند.

سامانه مدیریت ریسک، از جمله محصولات دیگر داتا بود که با استقبال خوب بازدیدکنندگان مواجه شد. این سامانه که با هدف سنجش و مدیریت ریسک مجموعه بانک تجارت توسعه داده شده، قابلیت پیاده‌سازی در کسب‌وکارهای فعال در صنایع دیگر از جمله صنعت پتروشیمی را نیز داراست. پیاده‌سازی چنین سامانه‌ای در هر کسب‌وکار، می‌تواند ریسک‌های متعددی که متوجه سازمان است را کاهش دهد و مدیران را در کنترل بهتر شرایط و با اتکا به علم داده‌ها یاری کند.

روابط عمومی داتا تجارت در تشریح دستاوردهای نمایشگاه الکامپ امسال برای این شرکت اعلام کرد: «هر نمایشگاهی از جمله الکامپ امسال، فرصت ارزشمندی برای ماست تا بتوانیم از دستاوردها و توانمندی‌های خود به عنوان یک بازیگر نوظهور در این حوزه پرده برداریم و بدون شک همین تعاملات با مدیران شرکتها و علاقه‌مندان این حوزه، مهم‌ترین خروجی نمایشگاه برای ماست. اگرچه در دو روز پایانی و خصوصا روز اختتامیه، شور و هیجان و حضور بازدیدکنندگان بسیار چشمگیرتر شد، اما مجموعا از چنین نمایشگاهی که یکی از مهم ترین رویدادهای جامعه فناوری ایران است انتظار بیشتری داشتیم.‌»

طبق اظهارات مدیران داتا، آنچه بیش از همه در مراجعات بازدیدکنندگان مختلف از غرفه داتا به چشم می‌خورد، سوالاتی بود که پیرامون چگونگی کارکرد این سامانه‌ها خصوصا سامانه مدیریت ریسک مطرح می‌کردند و کنجکاو بودند که بدانند این شرکت برای سازمان آنها چه پیشنهاداتی می‌تواند داشته باشد. در کنار اینها، نمایشگاه الکامپ فرصتی برای کارجویان نیز بود تا ضمن صحبت با مدیران این شرکت، از فرصت‌های شغلی و کارآموزی موجود برای کسب درآمد و تجربه آگاه شوند.

نخستین حضور رسمی داتا با هویت بصری جدید

یکی دیگر از رخدادهای مهم الکامپ امسال برای داتا این بود که نخستین حضور رسمی با هویت بصری جدید خود را تجربه ‌کرد. این شرکت که پیشتر و در آستانه برگزاری الکامپ خبر ری‌برندینگ خود را اعلام کرده بود، سرانجام با لوگو و هویتی جدید به استقبال بازدیدکنندگان رفت. بر اساس جزییات ارائه شده، داتا شعار جدید «نگاه هوشمند به داده» را برای خود برگزیده و تاکید کرده است که این شعار در کنار تمامی المان‌های بصری جدیدی که برای این برند طراحی شده‌اند، قرار است بازتاب کاملی از چیزی باشند که داتا قرار است در قالب آنها به نقش‌آفرینی در اکوسیستم نوآوری کشور بپردازد.

در مجموع آنچه بیش از همه در الکامپ امسال به چشم می‌آمد و انتقادات زیادی را برانگیخت، همان کم‌رونق بودن نمایشگاه و تعداد کم بازدیدکنندگان نسبت به دوره‌های گذشته بود که شاید بتوان آن را متاثر از رویداد مهم انتخابات ریاست جمهوری دانست که درست روز قبل از نمایشگاه برگزار شد. اگرچه در روزهای پایانی نمایشگاه، غرفه‌داران بهبودی نسبی را در هیجان مخاطبان برای بازدید از غرفه‌ها شاهد بودند، اما به طور کلی این رویداد با استانداردهای معمول حضور نمایشگاهی فاصله زیادی داشت و جا دارد تا توجه بیشتری برای تقویت شور و هیجان برگزاری چنین رویدادهایی به کار گرفته شود.  

با رشد حجم و ارزش استراتژیک داده‌ها، ضرورت اجرای یک برنامه جدی و موثر برای حکمرانی داده،‌ بیش از هر زمان دیگری حس می‌شود. حالا که در حال سپری کردن نخستین ماه‌های سال هستیم، بهترین فرصت است تا مدیران و متصدیان داده‌ها در هر سازمان، اهداف مشخصی را برای ایجاد تحولی مثبت در خروجی‌های هر بخش تعریف کنند.

اگر بنا باشد سه مورد از اصلی‌ترین اهداف حکمرانی داده را که ارزش اولویت‌بخشی دارند ذکر کنیم، باید به موارد زیر اشاره کنیم:

• دستیابی به ارزش‌های تجاری محسوس با بهره‌مندی از منابع داده‌ای
• ارتقا سواد و فرهنگ داده‌ای سازمان
• استفاده از تحلیل‌های داده‌محور برای بهبود فرآیند تصمیم‌‌گیری در سطوح ارشد سازمان

با تمرکز بر این اهداف کلیدی، مدیران بخش داده و تیم‌های آنها می‌توانند کاربری داده در سازمان را به حداکثر برسانند؛ به قدرتمند شدن کاربران در امور مختلف کمک کنند و تفکر داده‌محور در سطح سازمان را تسهیل کنند.

حالا که بر ضرورت تعریف چنین اهدافی واقف شدیم، این سوال مطرح است که گام‌های تاکتیکی تحقق این اهداف و اجرای آنها در یک سطح کیفی مطلوب کدامند؟ در ادامه قصد داریم با ذکر یک راهنمای عملی برای اجرای این برنامه‌ها، الهام‌بخش پیشرفت تیم‌های داده و کل سازمان شویم.

هدف 1: استخراج ارزش‌های تجاری ملموس از دل داده‌ها

«حکمرانی داده»، با نقش‌آفرینی در استخراج ارزش‌های تجاری ملموس، نقش مهمی در هدایت سازمان ایفا می‌کند. بی‌راه نیست اگر مهم‌ترین هدف سازمانها در سال پیش رو را، همین استخراج ارزش‌های تجاری از دل دارایی‌های داده‌ای سازمان بدانیم؛ این کار را می‌توان با هم‌سوسازی ابتکارات حکمرانی با شاخص‌های کلیدی عملکرد و استراتژی‌های به انجام رساند. برای دستیابی به این مهم، باید پیش از هر چی مجموعه داده‌های ارزشمندی که شامل اطلاعات قابل‌توجهی از عملیات، تصمیمات و نوآوری‌های سازمان هستند را شناسایی و اولویت‌بندی کرد. برخی از بهترین کارهایی که در این مورد می‌توان انجام داد، عبارتند از:

• از یک کاتالوگ داده برای ایجاد انبار کاملی از تمامی مخازن داده‌ای کسب‌کار استفاده کنید. خواص منحصربفردی مانند کارکرد، جریان و حساسیت آنها را برای تعیین ارزشهای آنی و آتی دارایی‌ها آورد کنید.
• با به‌کارگیری سیستم‌های امتیازدهی اختصاصی، دارایی‌های داده‌ای را به دسته‌های مختلفی مانند «عامل حیاتی»، «دارای حساسیت تجاری»، دارای پایه عملیاتی و یا بخش‌های موروثی تقسیم کنید.
• در دوره‌های زمانی مشخص و یا با تغییر دارایی‌ها و ارزش‌‌های داده‌ای، عملکردمجموعه را مورد ارزیابی مجدد قرار دهید.

هدف نهایی چنین اقداماتی، شناسایی ارزش‌های سازمانی و حساسیت‌های هر کدام از دارایی‌های داده‌ای است. چنین رویکرد متعادلی این امکان را فراهم می‌آورد که در کنار انطباق و توجه به امنیت داده‌ها، بتوان از آنها برای کمک به بهبود نوآوری در سازمان بهره‌مند شد.

همزمان با تعیین و دسته‌بندی دارایی‌های بااهمیت‌تر، هماهنگی لازم را با سهامداران مختلف شرکت برای برآورده کردن نیازها و استانداردهای کیفی مدنظرآنها به عمل آورید. اینکه آنها برای دستیابی به دقت لازم، تکمیل، تداوم و انجام به موقع فرآیندها به چه ویژگی‌های مشخصی نیاز دارند. از دیدگاه‌های مطرح شده، برای تعریف سیستم‌ها و چارچوب‌های بهتر کیفیت داده استفاده کنید.

در نهایت، تمرکز شما باید بر پیشروی در مسیری فراتر از مدیریت عمومی داده‌ها معطوف باشد: به همین منظور، ابتکارات حکمرانی هدفمندی را اجرایی کنید که باعث بهبود تصمیم‌گیری، بهبود محصولات و خدمات و همچنین بهینه‌سازی فرآیندها شود. در کنار این مورد، انباری از تمامی دارایی‌های داده‌ای اولویت‌دار، اسناد نتایج و خروجی‌ها و همچنین گزارشی از ارتباط آنها با خروجی‌های مختلف کسب‌وکار تهیه کنید.

هدف 2: ارتقا سواد داده و ترویج یک فرهنگ داده‌محور

سواد داده را می‌توان توانایی خواندن، درک، بحث و کار با داده‌ها دانست؛ بنابراین ارتقا سواد داده‌ای کارکنان و ترویج یک فرهنگ داده‌محور، باید یکی از اولویت‌های اساسی سازمانها در سال پیش رو باشد.

برای تحقق این هدف، از ایجاد برنامه‌های آموزشی شخصی‌سازی شده‌ای که با نیازهای تیم‌ها و سازمان شما هم‌خوانی دارد شروع کنید. خروجی مطلوب چنین اقدامی، پرورش کارکنانی است که می‌توانند به صورت کاملا روان، درباره نیازهای دادهآی، منابع و مصارف آن بحث و گفتگو کنند. بنابراین تلاش کنید با استفاده از تصویرسازی و ایجاد نمودارها، اسناد ساده‌ای ایجاد کنید که با زبانی غیرفنی به تشریح چنین فرآیندهایی می‌پردازند.

اصلا بهتر است که کاتالوگ داده‌ای که دارای واژه‌نامه‌ای تجاری باشد نیز تهیه کنید. چنین اسنادی می‌توانند در قالب منابع متمرکزی برای درک بهتر دارایی‌های داده‌ای و محیط شما مورد استفاده قرار بگیرند. تجهیز این اسناد با تصویرسازی‌های جذاب و بیانی غیرفنی و ساده، به ابزار مفیدی تبدیل می‌شود که کاربران داده‌ها، در هر سطح فنی و میزان درکی که از چنین مباحثی دارند، بتوانند مفاهیم داده‌ای پیچیده را درک کرده و درباره آنه بحث کنند.

در کنار این مورد، حمایت از فرهنگ و ابتکارعمل‌هایی که در هر سطح اجرایی بهره‌مندی از داده‌ها و تصمیم‌گیری بر اساس آنها را در اولویت قرار می‌دهند، مهم خواهد بود. مدیران و رهبران شرکتها باید تلاش کنند که تصمیم‌گیری و اقدام داده‌محور را در سازمان مدل‌سازی کنند. به کارکنانی که موفق شده‌اند فهم‌داده‌ای را به ارزش‌های ملموس تجاری تبدیل کنند، توجه کنید و با روایت داستان تجارب و موفقیت‌های آنان در جمع، مشوق حرکت دیگر کارکنان در این مسیر شوید.

هدف 3: بهبود تصمیم‌گیری از طریق داده‌ها

با انجام اقدامات زیر، می‌توانید موتور تصمیم‌گیری بهینه در سازمان خود طی سال پیش رو را روش کنید:

انجام تحلیل‌های آینده‌نگری که به انجام برنامه‌ریزی‌های آگاهانه‌تر کمک می‌کند:  از مدل‌های یادگیری ماشین برای ایجاد بینش عمیق‌تری از رخدادهای شرکت استفاده کنید. از نوآوری‌های ساختارمند و در عین‌حال تجربه‌گرایانه‌ای که به تعادل بیشتر حکمرانی و نوآوری می‌انجامد، حمایت کنید.

• تمرکز خود را بر دسترسی آنی و مداوم به داده‌ها و همچنین گزارش‌دهی منظم برای کمک به تسریع تصمیم‌گیری‌ها قرار دهید. با ایجاد هاب‌های مرکزی داده، از مخازن داده تمرکززدایی کنید. همکاری و تعامل میان بخش‌های حکمرانی، فناوری اطلاعات، تحلیل‌ها و واحدهای مختلف کسب‌وکار را تسهیل و ترویج کنید.
• عملکرد حاصل از این اقدامات و تاثیری که بر تصمیمات اتخاذشده بر مبنای دارایی‌های داده‌ای اولویت‌یافته داشته‌اند را مرتبا رصد کنید. برای کمیت‌بخشی ارزش‌های کسب‌وکاری ایجاد شده، بر پارامترهای کلیدی نظارت کنید و با تعریف چرخه‌هایی برای گرفتن بازخورد، به بخش‌هایی که کارایی موردانتظار را نداشته‌اند، بپردازید.

پیش از هرچیز، با هدف دستیابی به بینشی عمیق‌تر برای برنامه‌ریزی استراتژیک، بر یادگیری ماشین و مدلهای آینده‌نگر تمرکز ویژه کنید. میان رویکرد تجربه‌گرایانه و ساختارهایی که از نظارت‌های سفت و سختی برای حفظ حکمرانی و در عین‌حال ترغیب نوآوری و کاوش بهره می‌برند، تعادل برقرار کنید.

در گام بعدی، بر تسریع فرآیندهای تصمیم‌گیری از طریق ایجاد هاب‌های متمرکز و مطمئن داده که به تمرکززدایی سیلوهای اطلاعاتی تمرکز کنید. میان واحدهای تجاری، داده و تحلیل، ارتباط جدی و منظم ایجاد کنید تا امکانی در ذهن سازمان ایجاد شود که میان بینش‌ها و اقدامات پل زده شود.

در ادامه، برای دسترسی ساده‌تر، هماهنگی بیشتر و ایجاد درک مشترک از اینکه چگونه داده و اهداف، به انتخاب بهتر کمک می‌کنند، پروتکل‌های داده را بازطراحی کنید. این تمرکز باید بر دموکراتیزه کردن داده‌ها برای کمک به اخذ پرانرژی و در عین حال اخلاقی تصمیمات معطوف باشد.

• امکان دسترسی به داده‌های کیفی در زمانهای دلخواه فراهم کنید؛ این کار باید از طریق ایجاد یک مسیر متعادل برای اجرای تحلیل‌های خودمختارانه‌ همراه با اعمال کنترل‌های امنیتی دقیق انجام شود تا از یکپارچگی داده‌ها نیز حفاظت شود.
• مدیران کسب‌وکار را به کار تیمی با متخصصان داده تشویق کنید و این هدف را با استفاده از تعریف پروژه‌هایی که بر دریافت مکرر بازخورد تاکید دارند برآورده کنید.
• چارچوب‌هایی را که میان مدل‌های آینده‌نگر پیشنهادی و قضاوت‌های انسانی بر اساس فاکتورهای مشهود تعادل برقرار می کنند، مشخص کنید

در پایان، از طریق اجرای عملکرد نظارت‌شده، میان تصمیمات و ارزش‌های تجاری ارتباط برقرار کنید. حلقه‌های فیدبکی تعریف کنید که به شناسایی مواردی می پردازند که عملکرد مطلوب در آنها حاصل نشده است و با این‌کار بستری برای بهبود مداوم نرخ بازگشت سرمایه تصمیمات داده‌محور ایجاد کنید.

تحول داده‌ای خود را در سازمانتان آغاز کنید تا شاهد رشد سریع و نتایج لذت‌لبخش آن باشید و بهبود قابل‌توجهی را در بینش بلندمدت سازمانتان تجربه کنید.

نتیجه‌گیری

با در پیش گرفتن اقداماتی برای حکمرانی جسورانه داده‌ها، خلق ارزش کنید، سواد داده‌ای سازمان را بالا برده و تصمیم‌گیری استراتژیک را بهبود دهید. با اجرای چنین رویکردی، مطمئن باشید که تحولی جدی در انتظار سازمان شما خواهد بود.

روح کارآفرینی کسب وکارتان را با رویکرد پیشنهاد شده تلفیق کنید تا با تجربه تغییرات و رصد تاثیرات آنها برای تطبیق با شرایط سازمان، به بهترین نتایج دست پیدا کنید. تلفیق حکمرانی داده‌ها با اهداف تجاری کسب وکار، باعث باز شدن گره رشد و نوآوری در سازمانتان خواهد شد.

در گام‌های بعدی، تلاش کنید تا با همراهی تیم‌های مختلف، نقشه راهی تعریف کنید. اهداف کوتاه مدتی که به تحقق بهتر اهداف اصلی کمک می کنند مشخص کنید و تلاش کنید گام به گام بر اساس این اهداف پیش بروید.

منبع:datagalaxy

موضوع امنیت داده و اطلاعات این روزها چالشی بزرگ برای کاربران، کسب‌وکارها و حتی نهادهای امنیتی و حاکمیتی است و اغلب کسب‌وکارها و نهادها در تلاش برای بالابردن سطح امنیتی داده‌ها و اطلاعاتشان هستند. در همین راستا میلاد سجادی، رئیس اداره امنیت اطلاعات بانک تجارت در بیست و هفتمین نمایشگاه الکامپ در گفت‌وگویی به تشریح اقدامات این بانک در حوزه امنیت پرداخت و اظهار کرد که پروژه‌های امنیتی جزو پروژه‌های اولویت‌دار این بانک هستند و همچنین این بانک طبق آمار غیررسمی بیشترین میزان رشد و پیشرفت را در این حوزه داشته است.

به گزارش روابط عمومی داتا، میلاد سجادی، رئیس اداره امنیت اطلاعات بانک تجارت، در غرفه تفتا واقع در سالن ۸ و ۹ نمایشگاه الکامپ طی گفت‌وگویی، به تشریح اقدامات و پروژه‌های اخیر بانک تجارت برای بهبود امنیت اطلاعات پرداخت. او در این باره اظهار کرد: «طی سه سال گذشته در حوزه امنیت اقدامات زیادی انجام شد که اولین آن ساختارسازی بود. ساختارسازی انجام شده در داخل بانک و از بابت اداره امنیت، معاونت‌ها و گروه‌های مرتبط تشکیل شد. بخش دیگر ساختارسازی از بابت شرکت‌هایمان در هلدینگ تفتاست که بتوانیم شرکت زفتا را توانمند کنیم تا بتواند پروژه‌های امنیتی را انجام دهد. حمایت هیئت‌مدیره بانک از اداره امنیت سبب شد تا هر دو سمت موفق باشند. در این مدت حدود ۴۰ نفر در اداره امنیت بانک تجارت و حدود ۷۰ الی ۸۰ نفر در حوزه امنیت شرکت زفتا جذب شده‌اند.»

این عضو هیات مدیره داتا در ادامه اضافه کرد: «گام دوم برنامه‌ریزی برای انجام پروژه‌های امنیتی بود که تحت عنوان «طرح جامع امنیت» پروژه شروع به کار کرد و حاصل آن ۵۳ پروژه امنیتی است که از این تعداد ۲۰ پروژه انجام شده و باقی در دست انجام و برنامه‌ریزی است تا طی دو سال آینده انجام شود و سطح امنیت بانک تجارت به سطح مقبولی برسد.»

سجادی درباره جایگاه امنیت در حوزه بانکی گفت: «به شکل عمومی در حوزه بانکی، هم مرکز افتا ریاست‌جمهوری و هم بانک مرکزی به‌طورجدی به حوزه امنیت وارد می‌شوند، دستورالعمل صادر می‌کنند، به بانک‌ها برنامه می‌دهند و از آنها برنامه‌هایشان را می‌گیرند. از طرف دیگر برای ممیزی نیز سرکشی می‌کنند. تمام این موارد را باید به موضوع حراست و پدافند که از گذشته وجود داشته است، اضافه کرد. تعداد نهادهای بالادستی که در حوزه امنیت از بانک واخواهی می‌کنند، بسیار زیاد است. در نتیجه جایگاه امنیت اخیراً به‌خصوص در حوزه بانکی به‌شدت موردتوجه واقع شده است.»

رئیس اداره امنیت اطلاعات بانک تجارت در ادامه به همکاری و تعامل تمامی ارکان‌های بانک تجارت در پروژه‌های امنیتی اشاره کرد و گفت: «اگر بخواهم در مورد بانک تجارت به شکل خاص بگویم، باتوجه‌به این که رئیس هیئت‌مدیره بانک تجارت، خودش در این حوزه دغدغه‌مند است و حمایت می‌کند، پروژه‌های امنیتی در بانک تجارت جزو پروژه‌های اولویت‌دار در حوزه فناوری هستند. همچنین اخیراً موضوع امنیت را همه ارکان بانک مخصوصاً بخش فناوری اطلاعات و همچنین سایر حوزه‌های کسب‌وکاری بانک‌ به جدیت می‌شمارند و برای رشد و پیشرفت آن در همکاری و تعامل هستند. با این که بانک تجارت هنوز در ابتدای راه قرار گرفته، اما امید بر آن است که تا دو الی سه سال آینده با پیاده‌سازی پروژه‌ها، ساختارسازی امنیتی در کل بانک انجام شود.»

وجه تمایز بانک تجارت در حوزه امنیت با سایر بانک‌ها

او در ادامه در پاسخ به این سؤال که وجه تمایز بانک تجارت در حوزه امنیت نسبت به سایر بانک‌ها چیست، گفت: «بر اساس آمار غیررسمی، بانک تجارت بیشترین رشد و پیشرفت را در حوزه امنیت بین بانک‌ها داشته است. طرح جامع امنیت و چارچوب کنترلی بانک مرکزی یک مدل بلوغ دارد که در آن مدل، بانک‌ها از اعداد فعلی که در شاخص‌های مختلف، باید به اعداد قابل‌قبول مقرر شده برسند. در این مدل بانک‌ها باید دائماً خودشان را ارزیابی کنند و به نهادهای بالادستی گزارش دهند. برای مثل بانک ملت که از نظر تعداد شعب، مدل و موارد دیگر شباهت زیادی به بانک تجارت دارد. بانک ملت از ده سال پیش پروژ‌ه‌های امنیتی را شروع کرده و حالا بعد از گذشت ده سال بلوغ خوبی در حوزه‌های امنیتی رسیده است. بااین‌همه بانک تجارت، باتوجه‌به این که در سه سال گذشته این پروژه‌ها را شروع کرده است توانسته به اکثر آن دستاوردهایی که بانک ملت به‌تازگی به آنها رسیده است، برسد.»

سجادی در ادامه اضافه کرد: «بانک تجارت در حوزه رصد و پایش در حوزه اخبار آسیب‌پذیری‌ها، رصد آسیب‌پذیری‌ها یا در حوزه تعامل با نهادهای بالادستی تقریباً پابه‌پای بانک‌ها تراز اول روبه‌جلو در حرکت است و در رتبه‌بندی دیگری نیز که حراست کل کشور و بانک مرکزی از طریق شرکت کاشف اعلام می‌کنند، تقریباً جزو بانک‌های برتر است. برای مثال در ارزیابی اخیر سامانه رادار بانک مرکزی، بانک تجارت رتبه سوم را از آن خودکرده، این در حالی است که شاید دو سال پیش ساختار لازم برای ارزیابی‌شدن را نداشت. این موضوع نشان‌دهنده رشد خوب این بانک در حوزه امنیت در طی سه سال اخیر است و اگر با همین روند حرکت کند می‌تواند در حوزه امنیت بین بانک‌های هم‌تراز رتبه اول را به خودش اختصاص دهد.»

رئیس اداره امنیت اطلاعات بانک تجارت در پایان اظهار داشت که برنامه‌ریزی این بانک از زمانی که پروژه‌های امنیتی تعریف شد، بازه‌ای سه سال و نیم داشته که تقریباً یک‌ سال ازآن‌گذشته است و امید بر آن است که تا دو سال و نیم آینده بانک تجارت بتواند به دستاوردهای مشخص شده برسد.

منبع: راه پرداخت

شرکت داتا تجارت یکی از زیرمجموعه‌های هلدینگ تفتا و بانک تجارت است که فعالیت خود را به صورت رسمی از سال ۱۴۰۲ آغاز کرده است. این شرکت که باهدف پیاده‌سازی و اجرای پروژه‌های داده‌محور و مبتنی بر هوش مصنوعی به مجموعه شرکت‌های هلدینگ تفتا اضافه شده، در این مدت توانسته پروژه‌های متنوع و جدیدی را برای بانک تجارت به اجرا در آورد. راه پرداخت در گفت‌وگو با علی گل‌زاده، مدیرعامل شرکت داده و اعتبارسنجی تجارت ایرانیان (داتا) تلاش کرده تا ضمن بررسی جزئیات عملکرد این شرکت در یک سال اخیر، جویای برنامه‌های آنها برای حضور در نمایشگاه الکامپ ۲۷ شود.

نگاهی به دستاوردهای داتا

گل‌زاده با اشاره به فعالیت‌‌هایی که داتا روی آن متمرکز است، گفت: «یکی از اصلی‌ترین پروژه‌های شرکت که از زمان آغاز به کار تا امروز، به صورت جدی دنبال می‌شود، پروژه طراحی و پیاده‌سازی سیاست‌های حاکمیت داده در بانک تجارت بوده است. اجرای چنین پروژه‌هایی در صنعت مالی و بانکداری ما سابقه زیادی ندارد و ازاین‌حیث باید داتا و بانک تجارت را از پیشگامان حرکت در این مسیر و توجه به بحث مدیریت داده دانست. امیدواریم تداوم این طرح و نتایج آن، مشوق سازمان‌های بزرگ برای گام گذاشتن در این مسیر باشند و بتوانیم فرهنگ داده‌محوری را در میان صنایع مختلف ترویج دهیم. به‌طورکلی باید تأکید کرد که اجرای پروژه‌های حاکمیت داده، به رهبران سازمان کمک خواهد کرد تا دارایی‌های داده‌ای را به نحوی بهینه مدیریت کنند و از آنها برای خلق بینشی عمیق از دل داده‌ها استفاده کنند.»

او ادامه داد: «پروژه مدیریت ریسک از جمله دیگر پروژه‌هایی است که در این مدت در داتا انجام شده است. تجزیه‌وتحلیل ریسک و  همین‌طور مدیریت ریسک، فرایندی است که به سازمان‌ها و کسب‌وکارها امکان می‌دهد که ریسک مشتری و ریسکی که متوجه سازمان می‌کند را پیش‌بینی، درک و مدیریت کنند. مدیریت ریسک به مدیران کمک می‌کند تا برای رسیدن به موفقیت با به‌حداقل‌رساندن تهدیدات و به حداکثر رساندن فرصت‌ها و نتایج، وضعیت کسب‌وکار را ارتقا دهند. داتا با طراحی و توسعه سامانه مدیریت ریسک (RMIS)، در تلاش است تا بخش زیادی از پیچیدگی‌های فرایند مدیریت ریسک در سازمان‌ها را پوشش دهد و بانک‌ها را در یافتن پاسخی برای این شرایط یاری کند. این سامانه با ارائه ابزارها، داشبوردهای تحلیلی و پیش‌بینی، باعث بهبود عملکرد و تصمیم‌گیری سازمان از طریق شناسایی، ارزیابی و مدیریت ریسک‌ها می‌شود. ایجاد چنین سامانه‌ای در تسهیل انجام الزامات بانک مرکزی و شناسایی، مدیریت، گزارش‌دهی ریسک‌های بانک به صورت یکپارچه و همچنین ارائه نتایج در قالب تحلیل‌های هدفمند و پیش‌بینی ریسک‌ها، به بانک‌ها و مدیران آنها کمک شایانی می‏کند.»

گل‌زاده با اشاره به سامانه شناسایی مشتریان بالقوه توضیح داد: «سامانه شناسایی مشتریان بالقوه از دیگر سامانه‌هایی است که در این مدت با تلاش همکاران ما در داتا توسعه پیدا کرده است و قابلیت پیاده‌سازی در بانک‌های کشور را داراست. این سامانه با تحلیل داده‌های حاصل از تراکنش‌های بانکی، امکان شناسایی و بازاریابی هدفمند را برای بانک‌ها فراهم می‌کند. از نوآوری‌های این سامانه، می‌توان به امکان توزیع و بازاریابی مشتریان بالقوه بر اساس سطوح دسترسی اشاره کرد همچنین این سامانه امکان تجمیع و یکپارچه‌سازی اطلاعات مشتریان را از سامانه‌های مختلف داراست. سامانه شناسایی هوشمند مشتریان بالقوه منجر به شناسایی مشتریان بالقوه از طریق مبادی خروجی پول در بانک می‌شود. پس از شناسایی این مشتریان، فهرستی از آنها به‌عنوان نقاط هدف بازاریابی در اختیار مناطق و شعب مربوطه به‌منظور رایزنی، مذاکره و جذب آنان قرار می‌گیرد. این سامانه با ارائه داشبوردهای تحلیلی از طریق شناسایی، رهگیری و ارائه گزارش‌های دسته‌بندی‌شده از مشتریان بالقوه، باعث بهبود عملکرد و تصمیم‌گیری بانک در امور بازاریابی می‌شود.»

او همچنین در خصوص سامانه مدیریت وصول مطالبات گفت:‌ «سامانه مدیریت وصول مطالبات، ابزار دیگری است که در حال حاضر در حال طراحی و توسعه است. این سامانه برای تسریع روند وصول مطالبات و نظارت و پایش لحظه‌ای  واحدهای نظارتی به کار گرفته می‌شود‌. سامانه مدیریت وصول مطالبات می‌تواند پایش عملکرد واحدها و کاربران مرتبط را نیز مورد بررسی قرار داده و به مدیران ارشد ارائه دهد.»

مدل داتا برای اعتبارسنجی مشتریان

مدیرعامل داتا افزود: «فراهم‌کردن امکان سنجش ریسک اعتباری مشتریان بانک‌ها از طریق مدل‌های مبتنی بر تحلیل داده و الگوریتم‌های یادگیری ماشین، درحال‌توسعه است.»

گل‌زاده در خصوص اعطای تسهیلات گفت: «واقعیت این است که بانک‌ها در راستای جذب بیشترین سود، موظف‌اند هم ارزش سرمایه خود را به حداکثر برسانند و هم رضایت مشتریان خود را جلب کنند. ازآنجایی‌که بخش مهمی از درآمد بانک‌ها از جذب منابع سپرده‌گذاران و اعطای تسهیلات از این منابع حاصل می‌شود، همواره در ارائه تسهیلات با مشکل مهم و چالش‌برانگیز ریسک اعتباری مواجه هستند. با توجه به اینکه بانک ممکن است در طی دوره‌های مختلف، استراتژی‌های انقباضی و انبساطی با شدت متفاوت در زمینه اعطای تسهیلات اتخاذ کند، لذا ممکن است آستانه پذیرش ریسک نیز توسط آنان تغییر کند؛ با این حساب نیاز به سیستم و مدلی حس می‌شد که به‌ازای مشتریان مختلف، ریسک اعتباری را برای مبالغ اعطایی پیش‌بینی و شناسایی کند تا بر اساس آن و باتوجه‌به استراتژی و سیاست‌های بانک، تصمیم‌گیری‌های لازم اتخاذ شود.»

او با اشاره به مدل داتا برای اعتبارسنجی بیان کرد: «داتا با ارائه مدلی مبتنی بر تحلیل داده و الگوریتم‌های یادگیری ماشین برای اعتبارسنجی مشتری، به شناسایی ریسک اعتباری مشتریان به‌ازای مبالغ مختلف و امتیازدهی به مشتریان، کاهش ریسک نقدینگی بانک و کاهش احتمال نکول اقساط مشتریان، پیش‌بینی نقدینگی ناشی از باز دریافت تسهیلات و کمک به تصمیم‌گیری مدیران باتوجه‌به میزان نقدینگی در آینده، کاهش زمان فرایند بررسی تا اعطای تسهیلات و پیش‌بینی رفتار بازپرداختی مشتری در آینده کوتاه و هوشمندسازی سیستم‌های اخطار به مشتریان کمک زیادی می‌کند.»

به گفته گل‌زاده سامانه مدیریت چرخه عمر مشتری (CLM)، یکی دیگر از سامانه‌هایی است که با توسعه بر مبنای هوش مصنوعی امکاناتی برای تحلیل رفتار مشتریان و تلاش برای حرکت در مسیر افزایش فروش و جلب رضایت بیشتر آنها فراهم می‌کند. این سامانه با مشاهده و مقایسه شاخص‌های عملکردی در گذر زمان و شناسایی نقاط قوت و ضعف، اقداماتی تعریف و آنها را به کارتابل واحدهای مربوطه ارسال می‌کند و فعالیت‌های صورت گرفته در سازمان را تا زمان رسیدن به اهداف خود مشخص شده رصد می‌کند.

نگاه هوشمند به داده

او همچنین گفت: ‌«در کنار این اقدامات و پروژه‌های فنی، می‌توان به پروژه ری‌برندینگ داتا در ماه‌های اخیر نیز اشاره کرد. در همین راستا در ماه جاری توانستیم از هویت بصری جدید برند داتا رونمایی کنیم. در طراحی هویت بصری جدید داتا تلاش شده تا بر جوهره برند که هوشمندی است تأکید شود و المان‌های طراحی شده، نمایشی از حوزه فعالیت و اهداف شرکت باشد. در همین راستا، شعار«نگاه هوشمند به داده» را برای برند در نظر گرفته‌ایم.»

بهره‌برداری از آخرین ترندهای هوش مصنوعی در کسب‌وکارهای ایرانی

گل‌زاده با اشاره به برنامه‌های داتا برای الکامپ امسال گفت: «در نمایشگاه الکامپ امسال و به‌رسم سال‌های گذشته، تمامی زیرمجموعه‌های هلدینگ تفتا که بازوی فناوری اطلاعات بانک تجارت است، به صورت هماهنگ و در یک غرفه در کنار هم حضور پیدا می‌کنند. در نتیجه در کنار تأکید بر نقش داتا در تکمیل پازل فناوری محورکردن و هوشمندسازی بانک تجارت و زیرمجموعه‌های آن، در تلاشیم تا هویت نوظهور این شرکت به‌عنوان عضوی از خانواده تحلیل داده کشور را نیز به نمایش بگذاریم. اگرچه داتا به‌واسطه تازگی شروع فعالیتش، از مجموعه شرکت‌های نوپای این حوزه به‌حساب می‌آید، اما با اتکا به تجربه و تعامل نزدیک با بانک تجارت که به اجرای چند پروژه عظیم ختم شده، حالا حرف‌های زیادی برای گفتن در این حوزه داریم.»

او ادامه داد: «اکنون هوش مصنوعی به یکی از ترندهای دنیای فناوری و کسب‌وکار تبدیل شده و هر روز شاهد تحول در یکی از زیرشاخه‌های این فناوری هستیم. چشم‌انداز فعالیت ما در داتا این است که بتوانیم آخرین ترندهای هوش مصنوعی را در کسب‌وکارهای ایرانی به کار بگیریم. هدف ما آن است که در آینده نزدیک، پروژه‌های مشابهی را برای اجرای سیاست‌های حاکمیت داده و فراهم‌کردن بسترهای لازم برای داده‌محور شدن شرکت‌های بزرگ فعال در صنایع مادر عملیاتی کنیم. در همین راستا، حضور در فضاهای نمایشگاهی از جمله نمایشگاه الکامپ امسال، می‌تواند بستری برای معرفی این شرکت به شرکت‌های حاضر در اکوسیستم نوآوری کشور و تعامل با مدیران و تصمیم‌گیران آنها باشد.»

گل‌زاده با اشاره به خدمات داتا گفت:‌ «حضور امسال ما در نمایشگاه الکامپ، فرصتی خواهد بود تا از محصولات و خدماتی که در یک سال آخر توسعه داده‌ایم صحبت کنیم و خدمات خود را به سازمان‌هایی که با کمک ما، مسیر توسعه را سریع و کم چالش‌تر طی می‌کنند، معرفی کنیم. همچنین نمایشگرهای تعاملی موجود در غرفه، فرصتی فراهم می‌کند تا افراد بتوانند از نزدیک با سامانه‌های ارائه شده از سوی داتا کار کنند و نسبت به عملکرد این سرویس‌ها دید پیدا کنند.»

ترویج فرهنگ مدیریت داده در سازمان‌ها

مدیرعامل داتا با اشاره به تأثیر رویدادهایی نظیر الکامپ در بهبود وضعیت اکوسیستم فین‌تک و بانکداری دیجیتال کشور گفت: «اکوسیستم فین‌تک کشور، در تمام این سال‌ها پیشرفت‌های خوبی در زمینه فناوری محور کردن خدمات مالی کشور داشته‌ است. همین مسئله ما را امیدوار می‌کند که بتوانیم به بروز تحولات بیشتر خوش‌بین باشیم و برای ایفای نقش پیش‌قدم شویم. برگزاری چنین نمایشگاه‌هایی ضمن شفاف‌کردن آخرین پیشرفت‌های این حوزه، به شرکت‌ها کمک می‌کند که همکاری‌های بهتری شکل دهند و در نهایت سرویس‌های خلاقانه‌تری که متناسب با نیاز مخاطبان شخصی‌سازی شده ارائه کنند. با وجود تلاش‌ها و پیشرفت‌های ایجادشده در این سال‌ها، هنوز درک شرکت‌ها از اهمیت مدیریت داده و ارجاع تصمیمات به آنچه داده‌ها می‌گویند، آن‌چنان که باید قوی نشده است. حضور شرکت‌هایی مانند داتا در چنین نمایشگاهی می‌تواند به ترویج فرهنگ مدیریت داده در سازمان‌ها و به‌طورکلی اکوسیستم نوآوری و بانکداری کشور کمک کند و جرقه‌ای برای حرکت شرکت‌ها به سمت این تغییرات باشد.»

او در پایان گفت: «از سوی دیگر، حضور و بازدید نهادهای حاکمیتی و رگولاتور از غرفه‌ شرکت‌های حاضر در نمایشگاه، باعث می‌شود فعالان هر دو بخش، دغدغه‌های طرف مقابل را بشنوند و درک کنند و برای رسیدن به نقطه و درکی مشترک تلاش کنند. این همراهی‌های نزدیک، می‌تواند رفع چالش‌های آتی را تسریع کند و زمینه‌ساز یافتن راهکارهایی شود که در آنها به نیاز هر دو طرف پاسخ داده شود.»