در آستانه برگزاری بیست‌وهفتمین دوره الکامپ، داتا از برنامه خود برای حضور در نمایشگاه با هویت بصری جدید خبر داد. این شرکت با اعلام رسمی خبر ری‌برندینگ انجام‌شده در روزهای اخیر، بر انتخاب شعار «نگاه هوشمند به داده» برای توصیف رویکرد و مأموریت برند خود تاکید کرد.
به گزارش راه‌پرداخت، بر همین اساس علی گل‌زاده، مدیرعامل شرکت داده و اعتبارسنجی تجارت ایرانیان (داتا)، جزئیاتی تغییرات اعمال شده را تشریح کرد و گفت: «طبق برنامه‌ریزی انجام‌شده، نمایشگاه الکامپ امسال را به‌عنوان اولین رویداد رسمی که قرار است با برند جدیدمان در آن حضور پیدا کنیم انتخاب کردیم. تلاش ما این است که در این رویداد بتوانیم بازتابی از آنچه داتا قرار است در اکوسیستم فناوری و نوآوری کشور انجام دهد را به مخاطبان این نمایشگاه عرضه کنیم.»
مدیرعامل داتا با اشاره به فعالیت این شرکت در زمینه داده و هوش مصنوعی گفت: «انتخاب شعار «نگاه هوشمند به داده» نیز بر همین مبنا بوده است و با انتخاب این شعار، می‌توانیم کلیاتی از آنچه داتا میتواند برای شرکتها انجام دهد را ترسیم کنیم. گل‌زاده با اشاره به اینکه تمرکز فعالیت این شرکت تا امروز بیش از همه برشرکت‌های فعال در صنعت مالی و بانکداری معطوف بوده گفت: «در کنار پروژ‌ه‌هایی که تا امروز برای تبدیل بانک تجارت به یک سازمان هوشمند و داده‌محور انجام داده‌ایم، آماده‌ایم تا سیاست‌های حاکمیت داده را درشرکت‌ها و صنایع دیگر، مانند صنعت پتروشیمی، نیز پیاده‌سازی کرده و آنها را در مسیر تبدیل‌شدن به سازمان‌هایی داده‌محور همراهی کنیم.»
گل‌زاده کاهش ریسک، تسهیلگری، کمک به تصمیم‌سازی بر مبنای تحلیلهای دادهای دقیق و بهکارگیری نوآوری را از دیگر ارزش‌های برند داتا عنوان و بر جایگاه خاص تخصص و سرمایه‌های انسانی برای سازمان تحت مدیریت خود تأکید کرد.
در ادامه تشریح فرایند ری‌برندینگ داتا، مریم عسگری، مدیر روابط عمومی این شرکت نیز به بیان جزئیاتی از هویت بصری جدید تعریف شده برای این برند پرداخت و گفت: «لوگوی جدید انتخاب‌شده برای داتا، تصویری از تمامی آن‌چیزی است که داتا بر آن تمرکز داشته و برای آن مأموریت دارد. او با اشاره به القای ظاهری مانند سر یک ربات در قالب نگارش عبارت داتا در لوگوی این شرکت، آن را بازتابی از اتوماسیون، هوشمندی و نوآوری موجود در قلب این برند دانست.»
عسگری ادامه داد: «نکته جالب‌تر این لوگو آن است که سر این ربات ترکیبی از علامت‌های </> در کدنویسی است که برای هر برنامه‌نویس نمادی آشنا و پرکاربرد بوده و هم‌زمان به فناوری محور بودن شرکت اشاره دارد. عسگری با اشاره به الماس‌های قابل‌مشاهده در بخش مرکزی لوگو جدید داتا گفت: این الماس‌ها به‌نوعی نماد شفافیت و ارزش بالای داده‌ها است که بر قدرت و قابلیت‌های شرکت در استخراج و تحلیل داده‌ها نیز دلالت دارند.»
طبق آنچه از سوی این شرکت اعلام شده است، رنگ آبی لاجوردی به‌عنوان رنگ اصلی برند انتخاب شده تا نمادی از قدرت و استحکام باشد. رنگ‌های آبی آسمانی و آبی درباری نیز به‌عنوان رنگ‌های ثانویه انتخاب شده‌اند تا حسی از اعتماد و حرفه‌ای بودن را به مخاطب القا کنند.
حضور داتا در نمایشگاه الکامپ امسال، در همراهی با شرکت مادر خود یعنی هلدینگ تفتا (بازوی نوآوری و فناوری بانک تجارت) خواهد بود. این شرکت به همراه هفت زیرمجموعه دیگر هلدینگ، همگی به صورت یکپارچه در سالن ۸ و ۹ نمایشگاه، غرفه تفتا حضور خواهند داشت و به معرفی جدیدترین محصولات، خدمات و دستاوردهای خود می‌پردازند.
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
مدیرعامل داتا، پیاده‌سازی سیاست‌های حاکمیت داده در سازمان‌های بزرگ را یکی از اصلی‌ترین ماموریت‌های این شرکت عنوان کرد و از آغاز همکاری با بانکها و مؤسسات مالی برای هدایت آنها در مسیر بانکداری هوشمند خبر داد.
به گزارش روابط عمومی داتا، علی گل‌زاده، مدیرعامل شرکت داده و اعتبارسنجی تجارت ایرانیان (داتا)، پیاده‌سازی سیاست‌های حاکمیت داده را ضرورت خلق ارزش از داده‌ها در سازمان‌های بزرگ عنوان کرد و گفت: پراکندگی داده‌ها، فراهم نبودن زیرساخت مناسب برای ذخیره و مدیریت داده‌ها و همچنین حساسیت‌هایی که برخی از داده‌ها دارند، این ضرورت را ایجاد میکند که پیش از هر اقدامی سیاست‌گذاری مناسب و دقیقی برای این فرآیند‌ها ایجاد شود و زمینه برای استخراج دانش از داده‌ها و استفاده از آن در تحلیلهای کسبوکاری فراهم شود.
او هدف از اجرای اصول حاکمیت داده در سازمانها را کمک به رهبران سازمانها برای مدیریت بهینه دارایی‌های دادهای و دستیابی به بینشی عمیق درباره وضعیت کسب‌وکارشان دانست و افزود: با اجرای اصول حاکمیت داده میتوان ادعا کرد که موانع استخراج دانش از داده‌ها مرتفع می‌شود و آن کسبوکار در مسیر تبدیل شدن به یک سازمان داده‌محور قرار میگیرد.
مدیرعامل شرکت داتا که در حوزه‌هایی چون داده‌کاوی، امنیت داده، مدیریت داده، زیرساخت داده و هوش مصنوعی فعالیت میکند، صنایع بزرگ کشور مانند صنعت بانکی و مالی، صنعت پتروشیمی و … را از اصلی‌ترین مخاطبان این سیاست دانست. او در تشریح جزییات همکاری اخیر این شرکت با بانک تجارت اظهار کرد: از سال گذشته پروژه‌ای را برای اجرای اصول حاکمیت داده در بانک تجارت آغاز کرده‌ایم و انتظار میرود با تکمیل این پروژه، بخش زیادی از نیازمندی‌های این مجموعه برای هوشمندی و داده‌محور شدن برآورده شود.
علی گل‌زاده با بیان اینکه اکنون در دنیا از داده به عنوان یکی از ارزشمندترین دارایی‌های یک سازمان یاد می‌شود، تصریح کرد: تا امروز بحث اجرای اصول حاکمیت داده در میان بانکهای ایرانی یا شرکتهای بزرگ فعال در صنایع مادر کشور چندان جدی نبوده است و صرفاً موارد انگشت‌شماری از شرکتهای بزرگ کشور به این بحث ورود کردهاند. او بانک تجارت را از پیشگامان توجه به بحث مدیریت داده دانست و ادامه داد: پیش‌بینی ما آن است که اجرای این پروژه برای بانک تجارت ظرف مدت دو سال به اتمام برسد و با نتایجی که تا اینجا حاصل شده، امیدواریم بتوانیم آن را به عنوان یک الگوی موفق، در سازمان‌های بزرگ دیگر تکرار کنیم.ش
او با بیان اینکه پیاده‌سازی اصول حاکمیت داده، تنها یکی از مجموعه خدماتی است که این شرکت برای سازمانها انجام میدهد گفت: توسعه سامانه‌های داده محور مانند مدیریت ریسک، شناسایی مشتریان بالقوه، چرخه عمر مشتری، اعتبار سنجی و … از دیگر خدمات قابل ارائه به بانکها و مؤسسات مالی هستند.
در مقاله‌ای از مکنزی که بخش ابتدایی آن در پست قبلی منتشر شد، به بررسی بانکهای هوشمند پرداخته و دلایل ضروری بودن حرکت بانکها در این مسیر را بررسی کردیم. حال که اهمیت هوشمندسازی بانکها روشن شد، این سوال مطرح می‌شود که بانکها چگونه می‌توانند به موسساتی تبدیل شوند که هوش مصنوعی را اولویت خود قرار می‌دهند و تلاش میکنند از این فناوری در تمامی لایه‌های سازمانشان بهره ببرند. برای غلبه بر چالش‌های محدودکننده در گسترش فناوریهای هوش مصنوعی در سراسر سازمان، بانکها باید به‌صورت جامع عمل کنند.
برای تبدیل شدن به یک بانک با اولویت هوش مصنوعی، بانکها باید در تبدیل توانایی‌های خود در تمام چهار لایه توانمندی یکپارچه (نمودار ٦) سرمایه گذاری کنند: لایه مشارکت، لایه تصمیم‌گیری مبتنی بر هوش مصنوعی، لایه داده و فناوری ساختاری و مدل عملیاتی.
همانطور که در ادامه توضیح خواهیم داد، زمانی که این لایه‌های وابسته به یکدیگر به صورت هماهنگ کار میکنند، این امکان را برای بانک فراهم میکند که بتواند تجربه‌های متمایزی در تمامی کانال‌ها ایجاد کند؛ در مقیاس بزرگ به آنها خدمات شخصی‌سازی ارائه دهد و چرخه‌های نوآوری را که برای دوام آوردن در میدان رقابت ضروری هستند را به جریان بیندازد. سرمایهگذاری روی فقط یکی از این لایه‌ها، ارتباط ضعیفی شکل میدهد که میتواند به رکود و اختلال عملکرد کل سازمان منجر شود.
در ادامه به بررسی تغییراتی که لازم است بانکها در هر لایه از توانمندی‌ها به کار بگیرند خواهیم پرداخت.
لایه ۱: ترسیم مجدد لایه مشارکت مشتری
مشتریان به طور فزاینده‌ای انتظار دارند بانکشان در هر مرحله از استفاده از خدمات بانکی با آنها همراه باشد؛ نیازها و شرایط آنها را در هر کانالی که با بانک در ارتباط هستند بشناسد و تجربه‌های راحت و بی‌دردسری را برای آنها ایجاد کند. بسیاری از فعالیت‌های بانکی (مانند پرداخت‌ها، برخی از انواع تسهیلات) در حال کمرنگ شدن هستند، زیرا این فعالیت‌ها عموما در جایی فرای رابط کاربری پلتفرمهای اختصاصی بانک انجام میشوند. برای اینکه بانک در زندگی مشتریان جایگاه داشته باشد، نیازهای پنهان فعلی و آتی مشتریان را پاسخ دهد و در عین حال تجربیات چندکاناله مشهودی برای آنها ایجاد کند، باید در نحوه تعامل با مشتریان بازنگری کند و چند تغییر کلیدی اعمال کند.
در ابتدا، بانکها باید پا را از ارائه صرف «محصولات فوق‌استاندارد» فراتر بگذارند و به سمت ارائه پیشنهادات یکپارچه‌ای قدم بردارند که »وظایفی که باید انجام شوند» را هدف قرار می‌دهند. این امر مستلزم آن است که تصمیات شخصی‌سازی‌شده (چه محصولی ارائه شود، چه زمانی ارائه شود و از چه کانالی ارائه شود) در هسته سفر مشتری گنجانده شوند و پیشنهاد ارزش‌هایی ارائه شود که پا را از محصولات بانکی فراتر می‌گذارند و از هوشمندی لازم برای خودکارسازی تصمیمات و فعالیت‌ها از طرف مشتری اصلی برخوردارند. علاوه بر این، بانکها باید تلاش کنند تا محصولات و خدمات غیربانکی مرتبط را به‌طور یکپارچه با محصول بانکی اصلی ادغام کنند تا به طور جامع به نیاز نهایی مشتریان پاسخ دهند.
تغییر ضروری دوم، تعبیه کردن مسیرهای مشتری به صورت یکپارچه و همسو با اکوسیستم‌ها و پلتفرمهای مختلف است، به این‌ترتیب، بانکها با مشتریان در نقطه کاربری نهایی در تعامل باشند و در فرآیند از داده‌ها و پلتفرمهای کانال شرکای خود برای افزایش تعامل و استفاده بیشتر بهره ببرند. بانک ICICI در هند، خدمات بانکی اصلی خود را بر بستر واتسپ- WhatsApp (که یکی از پلتفرمهای محبوب در هند به حساب می‌آید) قرار داده و ظرف سه ماه از زمان عرضه، تعداد کاربران خود را به یک میلیون نفر رساند. در جهانی که مصرف‌کنندگان و کسبوکارها به طور فزاینده‌ای به اکوسیستم‌های دیجیتال وابسته شده‌اند، بانکها باید تصمیم بگیرند که برای سازگار شدن و تطبیق پیدا کردن با چندین اکوسیستم، چه نوع رفتاری را برای ساخت، هدایت، هماهنگی و یا شراکت در پیش بگیرند-و سپس توانایی‌های لایه تعامل خود را متناسب با آن تطبیق دهند.
در تغییر سوم، بانک باید تجربه کلی و مسیر پیشروی مشتریان در کسبوکار خود را برای ایجاد یک تعامل چندکاناله بازطراحی کند. این امر به معنای فراهم کردن این امکان برای مشتریان است که به طور یکپارچه در یک مسیر واحد از چندین حالت مختلف (مانند وب، اپلیکیشن موبایل، شعبه، مرکز تماس، دستگاه‌های هوشمند) استفاده کنند و آخرین متن تعامل را به طور مستمر نگهداری و بهروزرسانی کنند. شرکتهای مصرف‌کننده اینترنتی پیشرو با مدل کسبوکار آفلاین به آنلاین، انتظارات مشتریان را در این زمینه بازتعریف کردهاند. برخی از بانکها مشخصا در حال طراحی مسیرهای چندکاناله هستند، اما اکثریت آنها نیاز به یادگیری بیشتر برای پیشروی و موفقیت در این مسیر دارند.
بازطراحی لایه مشارکت یک بانک مبتنی بر هوش مصنوعی، نیازمند یک استراتژی روشن در مورد نحوه مشارکت مشتریان از طریق کانال‌های متعلق به شرکای غیر بانکی است. بانکها باید در ساخت تجربیات در داخل و خارج از پلتفرم بانکی و مهندسی رابط‌های تعاملی، با نگاهی طراحانه به مساله بنگرند تا این اطمینان حاصل شود که انعطاف‌پذیری لازم برای ایجاد سازگاری و شخصی‌سازی، بازمهندسی فرآیندهای زیربنایی فراهم شود و قیف‌های دریافت داده، کاملا با لایه تعاملی بانک هم‌خوانی داشته باشند. هدف از این اقدام‌ها، فراهم کردن یک درک دقیق از مسیرها و امکان بهبود مستمر است.
لایه ٢: ایجاد لایه تصمیم‌گیری مبتنی بر هوش مصنوعی
ارائه بی‌درنگ پیام‌ها و تصمیم‌‌های شخصی‌سازی شده به میلیون‌ها کاربر و هزاران کارمند، در تمام طیف کانال‌های مشارکتی، نیازمند ایجاد یک لایه تصمیم‌گیری قدرتمند هوش مصنوعی در مقیاس بزرگ خواهد بود. در دامنه‌های مختلف داخل بانک، تکنیک‌های هوش مصنوعی می‌توانند به‌طور کامل جایگزین یا بهبود دهنده قضاوت انسانی باشند تا نتایج بهتری تولید کنند(مانند دقت و سرعت بالاتر)؛ تجربه بهتری برای مشتریان فراهم کنند(مانند تعامل و پیشنهادهای شخصی‌سازی شده بیشتر)؛ بینش‌های عملی برای کارمندان ایجاد کنند (مانند توصیه‌های نخستین عمل برای تماس با مشتری بعدی) و مدیریت ریسک قوی‌تر اعمال کنند (مانند تشخیص زودهنگام احتمال وقوع وقفه و فعالیت‌های تقلبی).
برای ایجاد یک لایه تصمیم‌گیری قدرتمند مبتنی بر هوش مصنوعی، بانکها نیازمند آنند که رویکرد خود را از تلاش برای توسعه موارد استفاده خاص و راه‌حل‌های نقطه‌ای به یک نقشه راه جامع در سطح سازمان تغییر دهند تا بتوانند مدلهای تحلیل پیشرفته (AA) / یادگیری ماشین (ML) را در تمام دامنه‌های تجاری اعمال کنند. به عنوان یک مثال، در حوزه اعطای وام بدون ضامن، میتوان بیش از ٢٠ تصمیم مختلف را در طول چرخه عمر این سرویس به صورت خودکار انجام داد. برای فعال‌سازی توانایی مدلهای تصمیم‌گیری در مقیاس، بانکها نیازمند ایجاد یک فرآیند قابل تکرار برای توسعه و به همین ترتیب قادر به ارائه موثر و به موقع راه‌حل‌ها هستند. علاوه بر همکاری قوی بین تیم‌های تجاری و استعدادهای تجزیه و تحلیل، امکان توسعه مدلهای تصمیم‌گیری در مقیاس بانکها، نیاز به ابزارهای قدرتمند برای توسعه مدل‌ها، فرآیندهای کارآمد (مانند استفاده مجدد از کد در پروژه‌ها) و انتشار دانش (مانند مخازن) در تیم‌ها نیز دارد. علاوه بر توسعه مدلهای تصمیم‌گیری در مقیاس موردنیاز حوزههای مختلف، نقشه راه باید شامل برنامه‌هایی برای تعبیه هوش مصنوعی در فرآیندهای روزمره کسبوکار نیز باشد. این موارد اغلب دست کم گرفته میشوند و نیاز است تا فرآیندهای کسبوکاری را به گونه‌ای تنظیم کنند که این مدلهای AA / AI در آنها تعبیه شده باشند؛ تصمیم‌گیری هوش مصنوعی را برای کاربران نهایی «قابل توضیح» کنند؛ و شامل برنامه مدیریت تغییری باشد که به بهبود شکافهای مهارتی و تغییر ذهنیت کارکنان کمک کند. برای اینکه فرآیند پیشرفت ادامه‌دار باشد نیز بانکها باید زیرساخت (مانند اندازه‌گیری داده) و فرآیندهایی (مانند بازیبینی دوره‌ای غملکرد و مدیریت ریسک مدلهای هوش مصنوعی) را برای گرفتن بازخورد و آگاهی از نواقص تعبیه کنند. آماده کنندکه حلقه‌های بازخورد را برای رشد و شکوفایی بیشتر
بانکها همچنین نیازمند تقویت مدلهای هوش مصنوعی داخلی خود با قابلیت‌های در حال تحول (مانند پردازش زبان طبیعی، تکنیک‌های بینش ماشین، عوامل و ربات‌های هوش مصنوعی، واقعیت افزوده یا مجازی) در فرآیندهای اصلی تجاری خود هستند. بسیاری از این قابلیت‌های پیشرو، پتانسیل دارند که تغییر چشمگیری در تجربه مشتری و/یا کارایی عملیاتی ایجاد کنند. هر چند بسیاری از بانکها ممکن است هم استعداد و هم تمایل سرمایهگذاری لازم برای توسعه این فناوری‌ها را نداشته باشند، حداقل باید قادر باشند این توانایی‌های نوظهور را از ارائهدهندگان تخصصی با سرعت بالا از طریق یک معماری که توسط رابط برنامه‌نویسی کاربردی (API) فعال شده است تهیه و یکپارچه کنند؛ آزمایش‌های مستمر با این فناوری‌ها را در محیط‌های آزمایشگاهی (sandbox) انجام دهند تا برنامه‌ها را تست کرده و بهبود بخشند؛ خطرات محتمل را ارزیابی کنند و سپس تصمیم بگیرند که کدام فناوری‌ها را به صورت گسترده اجرا کنند.
برای اتخاذ این تصمیم‌ها و قابلیت‌ها و جذب مشتریان در طول تمام چرخه عمر، از جذب تا ارتقا فروش و فروش محصولات متنوع تا حفظ و بازیابی مشتری، بانکها نیازمند ایجاد یک مکانیزم بازاریابی دیجیتالی در سراسر سازمان هستند. این مکانیزم برای ترجمه تصمیم‌ها و بینش‌های ایجاد شده در لایه تصمیم‌گیری، به مجموعه‌ای از مداخلات هماهنگ که از طریق لایه مشارکت بانک ارائه می‌شود، بسیار حیاتی است. این مکانیزم شامل چندین عنصر حیاتی است که شامل موارد زیر می‌شود:
- خطوط فرآیندی جمع‌آوری داده که مجموعه‌ای از داده‌ها را از منابع مختلف درون بانک (مانند داده‌های جریان کلیک از برنامه‌ها) و خارج از آن (مانند همکاری با شرکای خدمات مخابراتی) ثبت میکنند.
- پلتفرمهای داده که داده‌ها را جمع‌آوری کرده، توسعه داده و نگهداری میکنند و دید ٣٦٠ درجه از مشتریان را ایجاد و حفظ میکنند و قابلیت اجرای بی‌درنگ مدلهای هوش مصنوعی و یادگیری ماشین را فراهم میکنند.
- پلتفرمهای کمپین که اقدامات گذشته را پیگیری کرده و مداخلات پیش رو را در سراسر گستره کانال‌ها در لایه مشارکت هماهنگ میکنند.
لایه ٣: تقویت زیرساخت های داده و فناوریهای کلیدی
استقرار قابلیت‌های هوش مصنوعی در سراسر سازمان نیازمند مجموعه مقیاس‌پذیر، انعطاف‌پذیر و مقاومی از اجزای فناوری کلیدی است. یک زیرساخت فناوری ضعیف، که از سرمایه‌گذاری‌های مورد نیاز برای مدرن‌سازی محروم است، میتواند به طور چشمگیری اثربخشی لایه‌های تصمیم‌گیری و مشارکت را کاهش دهد. لایه فناوری و دادهای شش عنصر کلیدی دارند (نمایش ٧):
- استراتژی پیشرو در فناوری. بانکها باید یک استراتژی فناوری یکپارچه داشته باشند که به طور دقیق با استراتژی تجاری هماهنگ باشد و گزینه‌های استراتژیکی را تبیین کند که هم ممکن است در‌مورد عناصر، مجموعه مهارت‌ها و استعدادهایی که بانک درون‌سازمانی باشند و هم ممکن است از طریق شرکا و ارتباطات تجاری تامین شده باشند. علاوه بر این، استراتژی فناوری باید بیان کند که هر جزء از معماری هدف چگونه به حمایت از دیدگاه بانک برای تبدیل شدن به موسسه‌ای که هوش مصنوعی را در اولویت قرار داده است خواهد پرداخت و چگونه با هر لایه از پشتیبانی از توانایی‌ها تعامل خواهد داشت.
- مدیریت داده برای جهان همسو و متمرکز بر هوش مصنوعی. مدیریت داده بانک باید از نقدینگی داده‌ها اطمینان حاصل کند؛ به این معنا که بتوانیم به داده‌ها دسترسی داشته باشیم؛ آنها را وارد سیستم کنیم و آنها را به گونه‌ای دستکاری کنیم که به عنوان پایه برای تمام بینش‌ها و تصمیماتی که در لایه تصمیم‌گیری ایجاد میشوند، عمل کنند. نقدینگی داده با حذف انبارهای عملیاتی افزایش می‌یابد و این امکان را میدهد تا بخش‌های مختلف با استفاده از همان داده‌ها، با هماهنگی بیشتر عمل کنند. زنجیره ارزش داده با منبع‌یابی هماهنگ داده از تمام سیستم‌های داخلی مرتبط و پلتفرمهای خارجی شروع می‌شود. این زنجیره شامل جذب داده در یک مخزن (lake)، تمیز‌سازی و برچسب‌زنی داده‌ها برای موارد استفاده متنوع (مانند گزارش‌دهی مقرراتی، هوش تجاری در مقیاس گسترده، تشخیص AA/ML)، جدا‌سازی داده‌های وارد شده (از مشتریان فعلی و بالقوه) برای تجزیه و تحلیل فوری و تفکیک داده‌ها برای تمیز کردن و برچسب‌زنی برای تجزیه و تحلیل در آینده است. علاوه بر این، هنگام طراحی و ایجاد زیرساخت مرکزی مدیریت داده، بانکها باید کنترل‌ها و ابزارهای نظارتی اضافی توسعه دهند تا امنیت، حریم خصوصی و پایبندی به مقررات داده‌ها را تضمین کنند – به عنوان مثال، دسترسی به موقع و مناسب برای موارد و نقشهای مختلف در سراسر سازمان.
- معماری مدرن رابط برنامه‌نویسی کاربردی (API). رابط‌های برنامه‌نویسی کاربردی (API)، با امکان دسترسی کنترل شده به خدمات، محصولات و داده‌ها، هم در داخل بانک و هم در خارج از آن، به عنوان بافت اتصالی عمل میکنند. در داخل بانک، رابط‌های برنامه‌نویسی کاربردی نیاز به انبارها را کاهش می‌دهند؛ قابلیت استفاده مجدد از منابع فناوری را افزایش می‌دهند و انعطاف‌پذیری در معماری فناوری را ترویج میکنند. در خارج از بانک، رابط‌های برنامه‌نویسی کاربردی امکان همکاری با شرکای خارجی را تسریع میکنند، فرصت‌های تجاری جدیدی ایجاد میکنند و تجربه مشتریان را بهبود می‌بخشند. اگرچه رابط‌های برنامه‌نویسی کاربردی ارزش قابل توجهی خلق میکنند، اما برای شروع، تعیین محدوده استفاده از آنها و ایجاد حاکمیت متمرکز برای پشتیبانی از توسعه و نگهداری آنها ضروری است.
- زیرساخت هوشمند. شواهد فراوانی وجود دارد که نشان میدهد هرچه شرکتها در صنایع متلف، بار کاری خود را در زیرساخت‌های ابری[1] عمومی و خصوصی افزایش می‌دهند، پلتفرمهای ابری همچنان امکان مقیاس‌پذیری و انعطاف‌پذیری بالاتری را برای ایجاد استراتژی‌هایی که هوش مصنوعی را در اولویت قرار داده‌اند، فراهم میکنند. علاوه بر این، زیرساخت‌های ابری، هزینه‌های نگهداری فناوری اطلاعات را کاهش می‌دهند و مدلهای خودکاری را برای تیم‌های توسعه فعال میکند که با ارائه خدمات مدیریت شده (مانند راه‌اندازی محیط‌های جدید در عرض چند دقیقه به جای چند روز) چرخه‌های نوآوری را تسریع میکنند.
لایه ٤: انتقال به مدل عملیاتی پلتفرمی
بانکهای آینده که هوش مصنوعی را اولویت قرار می‌دهند، برای سازمان خود به مدل عملیاتی جدیدی نیاز خواهند داشت تا بتوانند به چابکی و سرعت مورد نیاز دست پیدا کنند و به توزیع ارزش در سراسر لایه‌های دیگر بپردازند. در حالی که اکثر بانکها درحال انتقال پلتفرم‌ها و دارایی‌های فناورانه خود به سمتی هستند که بیشتر ماژولار وانعطاف‌پذیر باشند، تیم‌های کاری داخل بانک همچنان در سیلوهای عملکردی فعالیت کرده و مدلهای همکاری ناکارآمدی را دنبال میکنند و اغلب همسویی اهداف و اولویت‌ها را از دست می‌دهند.
مدل عملیاتی پلتفرمی (The platform operating model)، تیم‌های چندتخصصی کسبوکاری-فناورانه را در قالب مجموعه‌ای از پلتفرم‌ها درون بانک تجسم میکند. هر تیم پلتفرمی، کنترل دارایی‌ها (مانند راه‌حل‌های فناوری، داده، زیرساخت)، بودجه، شاخص‌های کلیدی عملکرد و استعدادهای خود را در دست دارد. در مقابل، تیم مجموعه‌ای از محصولات یا خدمات را به مشتریان نهایی بانک یا به دیگر پلتفرمهای داخل بانک ارائه میکند. در حالت مطلوب، بانک ممکن است با سه نمونه از تیم‌های پلتفرم مواجه شود.
پلتفرمهای تجاری (کسبوکاری) تیم‌هایی هستند که با مشتریان یا شرکای خود در ارتباط هستند و در پی دستیابی به نتایج کسبوکار در زمینه‌هایی مانند تسهیلات مصرفی، تسهیلات تجاری و بانکداری تراکنشی هستند. پلتفرمهای سازمانی قابلیت‌های تخصصی و/یا خدمات مشترکی را ارائه می‌دهند تا استانداردسازی را در سراسر سازمان در زمینه‌هایی مانند جمع‌آوری، ابزارهای پرداخت، منابع انسانی و مالی ایجاد کنند. پلتفرمهای توانمندکننده به سازمان و پلتفرمهای تجاری امکان می‌دهند تا بتوانند قابلیت‌های فنی دیگری مانند امنیت سایبری و معماری ابری را نیز ارائه کنند.
با ادغام تجارت و فناوری در پلتفرمهای مشترک المالکیتی که توسط تیم‌های چندتخصصی اداره میشوند، بانکها می‌توانند قالب‌های سازمانی را شکسته و چابکی و سرعت را افزایش دهند و همچنین هماهنگی اهداف و اولویت‌ها را در سراسر سازمان بهبود بخشند.
سفر ماجراجویانه بانکها برای تبدیل شدن به موسساتی که هوش مصنوعی را اولویت خود قرار می‌دهند، مستلزم انتقال قابلیتهایی در تمام این چهار لایه است. نادیده گرفتن هر کدام از چالش‌ها و یا عدم سرمایهگذاری مناسب در هر کدام از این لایه‌ها، میتواند در عملکرد تمام لایه‌های دیگر نیز اختلال ایجاد کند و با ناکام گذاشتن سازمان در دستیابی به عملکرد بهینه، آن را در دستیابی به اهدافش ناکام بگذارد.
یکی از راه‌های عملی برای آغاز این مسیر، ارزیابی آن است که اهداف استراتژیک بانک (مانند رشد، سودآوری، درگیر نگه داشتن مشتریان با سازمان، نوآوری) تا چه میزان می‌توانند با استفاده از فناوریهای مرتبط با هوش مصنوعی، به حرکت وا داشته شوندو اهداف هوشمندسازی را با اهداف کلیدی و استراتژیک سازمان همسو و منطبق کند.
زمانی که این هم سویی ایجاد شود، مدیران ارشد بانک باید برنامه جامعی را اجرایی کنند تا از طریق آن مشخص شود در کدامیک از چهار لایه ذکر شده، نیاز به تغییر در مواضع بانک، سرمایهگذاری و جذب استعدادها و متخصصان جدید است.
برای بسیاری از بانکها، انطباق اهداف بانکی با فناوری هوش مصنوعی دیگر نه یک انتخاب، بلکه یک ضرورت استراتژیک است که برای حرکت در مسیر موفقیت، باید به انجام برسد.
منبع: mckinsey.com
فناوری هوش مصنوعی به طور فزاینده‌ای جزئی اساسی از جهانی شده است که در آن زندگی می‌کنیم و بانکها برای به‌روز ماندن ، باید این فناوری را به طور گسترده مورد استفاده قرار دهند. موفقیت، نیازمند یک تحول جامع است که شامل چندین لایه از سازمان می‌شود.
در سال ۲۰۱۶، ماشین هوشمند AlphaGod، توانست در یک بازی با نام Go (یک بازی تخته‌ای پیچیده که نیازمند غریزه، تخیل و تفکر استراتژیک است) لی سدول [1]، بازیکنی که سابقه 18 بار قهرمانی جهانی را در کارنامه داشت، شکست دهد. توانایی‌های به کار گرفته شده توسط این ماشین برای پیروزی در بازی، تا مدتها در رده توانمندی‌هایی شناخته میشدند که خاص انسان هستند و فناوری مجالی برای پیشی گرفتن در این قابلیت‌ها ندارد. از آن زمان به بعد، فناوریهای هوش مصنوعی (AI) به طور فزاینده‌ای پیشرفت کردند و حالا تأثیر تحول‌آفرین آنها در صنایع به شکل چشمگیری قابل مشاهده است. ماشین‌های مبتنی بر هوش مصنوعی، در حال سفارشی کردن پیشنهادهای محتوای دیجیتال براساس سلیقه و ترجیحات فردی، طراحی خطوط لباس برای خرده‌فروشان مد، و حتی پیشی گرفتن از پزشکان با تجربه در تشخیص نشانه‌های سرطان هستند. مک‌کینزی تخمین می‌زند که فناوریهای هوش مصنوعی میتواند سالانه یک تریلیون دلار ارزش افزوده ایجاد کند.
با این حال، بسیاری از بانکها برای حرکت از آزمایش برخی از کاربردهای انتخابی، به مقیاس‌پذیر کردن و گسترش فناوریهای هوش مصنوعی در سراسر سازمان، با مشکل مواجه شده‌اند. دلایل این مشکل، شامل عدم وجود یک استراتژی مشخص برای هوش مصنوعی، وجود هسته‌ای غیرمنعطف و کم‌سرمایه برای فناوری، پراکنده بودن دارایی‌های دادهای و به کارگیری مدلهای عملیاتی قدیمی و منسوخ است که مانع از همکاری مناسب بین تیم‌های تجاری و فناوری میشوند. البته از زمان فراگیری ویروس کووید-19 در سراسر جهان، شاهد آنیم که پیشروی چند ترند فناورانه نسبتا جدید در دنیا شتاب گرفته و شرکتهای بزرگ فناوری در صدد ورود به بخش خدمات مالی به عنوان فعالیت جدید و مرتبط بعدی هستند. برای داشتن رقابتی موفق و پیشرفت در این مسیر، بانکهای فعلی باید به موسساتی با اولویت هوش مصنوعی تبدیل شوند و هوش مصنوعی را به عنوان پایه‌ای برای پیشنهادهای ارزشی جدید و تجربیات متمایز مشتری، به‌کار بگیرند.
در این مقاله، تلاش شده تا به رهبران سازمانی کمک شود تا دیدگاه واضحی درباره هوش مصنوعی در سازمانشان پیدا کنند و بتوانند نقشه راهی را برای تبدیل شدن به یک بانک با اولویت هوش مصنوعی تدوین کنند:
- چرا بانکها باید به موسساتی تبدیل شوند که هوش مصنوعی را در اولویت امور خود قرار می‌دهند؟
- در آینده بانک های مبتنی بر هوش مصنوعی چگونه خواهند بود؟
- چه موانعی بانکها را از اجرای قابلیت‌های هوش مصنوعی در مقیاس بزرگ باز می‌دارد؟
- بانکها چگونه می‌توانند به موسساتی با اولویت هوش مصنوعی تبدیل شوند؟
در بخش ابتدایی مقاله بر یافتن پاسخی برای سه سوال ابتدایی تمرکز می‌شود و در بخش دوم نیز با پاسخ به سوال چهارم، راهکارهایی ارائه می‌شود تا کمک کند بانکها بتوانند به نهادهایی با اولویت هوش مصنوعی تبدیل شوند.
١. چرا بانکها باید به موسساتی با اولویت هوش مصنوعی تبدیل شوند؟
طی چند دهه گذشته، بانکها به‌طور مداوم از آخرین نوآوریهای فناورانه برای تعریف مجدد نحوه تعامل مشتریان با خود استفاده کردهاند. بانکها در دهه ۶۰ میلادی، دستگاه‌های خودپرداز را معرفی کردند و در دهه ۷۰ پرداختهای الکترونیکی مبتنی بر کارت را ارائه دادند. دهه ۲۰۰۰ شاهد پذیرش گسترده بانکداری آنلاین۷ /۲۴ بود، که پس از آن، بانکداری مبتنی بر موبایل و «بانکداری پویا» در دهه ۲۰۱۰ گسترش یافتند.
کمتر کسی است که منکر حضور پررنگ هوش مصنوعی در زندگی دیجیتالی عصر حاضر باشد. عصری که در آن حالا کسب وکار از طریق کاهش هزینه‌های ذخیره و پردازش داده، افزایش دسترسی و ارتباطات عمومی و پیشرفت سریع در فناوریهای هوش مصنوعی تسهیل شده است. این فناوری‌ها می‌توانند منجر به اتوماسیون بیشتر شوند و زمانی که بعد از کنترل مخاطره استفاده میشوند، اغلب می‌توانند تصمیم‌گیری‌های انسانی را از نظر سرعت و دقت بهبود ببخشند. ظرفیت ایجاد ارزش یکی از مهم ترین ظرفیت‌ها در بین صنایع است، زیرا هوش مصنوعی میتواند سالانه حدود یک تریلیون دلار ارزش افزوده برای بانکها خلق کند. (نمودار ۱).
بررسی بیش از ۲۵ مورد کاربردی نشان داد که فناوریهای مرتبط با هوش مصنوعی، می‌توانند تاثیرات مثبتی در افزایش درآمد داشته باشند. این موارد شامل افزایش سفارشی‌سازی ارائه خدمات به مشتریان و (کارکنان)، کاهش هزینه‌ها از طریق بهره‌وری‌های ایجاد شده توسط اتوماسیون بیشتر، کاهش نرخ خطا و بهره‌گیری بهتر از منابع و کشف فرصت‌های جدید و ناشناخته براساس توانایی بهبود یافته در پردازش و خلق بینش از انباشت داده‌ها هستند.
به طور کلی، فناوریهای نوآورانه هوش مصنوعی می‌توانند به طور چشمگیری توانایی بانکها را در دستیابی به چهار نتیجه کلیدی بهبود ببخشند: سودهای بالاتر، سفارشی‌سازی در مقیاس بزرگ، تجربه‌های چندکاناله متمایز و چرخه‌های نوآوری سریع. بانک‌هایی که در قرار دادن هوش مصنوعی به عنوان محور اصلی استراتژی و عملیات خود ناتوان هستند، هر لحظه در معرض خطر پیشی گرفتن رقبا از آنها و یا ترک شدن از سوی مشتریان قرار دارند. این خطر با چهار روند فعلی بیشتر نمایان می‌شود:
- با افزایش استفاده از بانکداری دیجیتال، انتظارات مشتریان به شدت افزایش یافته است. تخمین زده شده است که در چند ماه اول شیوع ویروس کووید-١٩، استفاده از کانال‌های بانکداری آنلاین و موبایل در کشورهای مختلف بین ٢٠ تا ٥٠ درصد افزایش یافته و از همان زمان انتظار می‌رفت که این رشد پس از پایان پاندمی نیز پایدار بماند. در بازارهای مختلف جهانی، بین ١٥ تا ٤٥ درصد از مصرف‌کنندگان انتظار دارند که پس از پایان بحران، دفعات مراجعه حضوری به شعب بانکی را کاهش دهند. هنگامی که مصرف‌کنندگان استفاده از خدمات بانکداری دیجیتال را افزایش می‌دهند، انتظاراتشان نیز بیشتر می‌شود؛ به ویژه زمانی که استانداردها و کیفیت خدمات بانکی دیجیتال را با شرکتهای بزرگ اینترنتی که استانداردهای بالایی دارند، مقایسه میکنند. در همین حین، پیشگامان حوزه دیجیتال به طور مداوم پیشرفت میکنند و به سطحی می‌رسند که گاهی اوقات نیازهای مشتری را پیش‌بینی میکنند-حتی قبل از آن که مشتری از این نیازها آگاه شود- و خدمات سفارشی را در زمان مناسب و از طریق کانال مناسب ارائه می‌دهند.
- استفاده موسسات مالی برجسته از فناوریهای پیشرفته هوش مصنوعی به طور مداوم در حال افزایش است. تقریبا ٦٠ درصد از پاسخ‌دهندگان بخش خدمات مالی در نظرسنجی جهانی هوش مصنوعی McKinsey اعلام کردهاند که شرکت‌هایشان حداقل یک قابلیت مبتنی بر هوش مصنوعی دارند. پرکاربردترین فناوریهای هوش مصنوعی عبارتند از: اتوماسیون پردازش رباتیک (٣٦ درصد) برای وظایف عملیاتی ساختاریافته؛ دستیاران مجازی یا رابط‌های گفتاری (٣٢ درصد) برای بخش خدمات مشتری؛ و تکنیک‌های یادگیری ماشین (٢٥ درصد) برای کشف تقلب و پشتیبانی از ارزیابی و مدیریت ریسک. در حالی که برای بسیاری از شرکتهای خدمات مالی، استفاده از هوش مصنوعی گاه‌به‌گاه بوده و بر روی موارد خاص تمرکز داشته است، تعداد زیادی از رهبران بانکداری به شکل جامع به استفاده از هوش مصنوعی پیشرفته پرداخته و آن را در تمام چرخه عمر در همه جای دفتر جای داده‌اند (نمایش٢).
- اکوسیستم‌های دیجیتال نیاز به واسطه‌گری‌های سنتی در ارائه خدمات مالی را از بین برده‌اند. آنها در واقع با فراهم کردن دسترسی به مجموعه متنوعی از خدمات از طریق یک نقطه دسترسی مشترک، شیوه‌ی کشف، ارزیابی و خرید کالاها و خدمات را تغییر داده‌اند. به عنوان مثال، کاربران WeChat در چین می‌توانند از همان برنامه‌ای که برای ارسال پیام نصب کردهاند، کار رزرو تاکسی، سفارش غذا، گرفتن وقت ماساژ، بازی کردن، ارسال پول به یک مخاطب را نیز انجام دهند. به همین ترتیب، در سراسر کشورها، کسب‌و‌کارهای غیربانکی و «سوپر اپلیکیشن»ها خدمات و محصولات مالی را در بطن خود جای داده و تجربیات جذابی را برای مشتریان رقم می‌زنند و روش‌های سنتی شناسایی محصولات و خدمات بانکی را به چالش می‌کشند. به عبارت دیگر، بانکها باید به تفکر مجدد در مورد نحوه مشارکت در اکوسیستم‌های دیجیتال بپردازند و از هوش مصنوعی برای بهره‌برداری از قدرت داده‌های موجود در این منابع جدید استفاده کنند.
- غول‌های فناوری به عنوان گام بعدی، درحال وارد کردن خدمات مالی به هسته اصلی کسبوکاری خود هستند. مزایای این شرکتها که شانس موفقیت آنها در این مسیر را افزایش میدهد عبارتند از: شبکه بزرگی از مشتریان در سطح جهانی؛ داده‌های قابل تحلیل برای درک دقیق‌تر و قوی‌تر از نیازها و تمایلات مشتریان؛ توانایی توسعه و مقیاس‌پذیری بالا برای فناوریهای نوآورانه از جمله هوش مصنوعی؛ و دسترسی به سرمایه با هزینه پایین. در گذشته، غول‌های فناوری با هدف ایجاد جریان‌های درآمدی جدید برای کسب‌وکارشان، قدم در حوزههای جدیدی گذاشتند و تمام تلاش خود را برای ارائه پیشنهادات جدید به مشتریان و همراه نگه داشتن آنها به کار گرفتهاند. این بازیکنان بزرگ فناوری در حوزههای خاصی (مثل پرداخت، وام‌دهی و بیمه) قدم‌های موفقی برداشته‌اند و احتمالا به زودی از مزایای خود برای حضور جدید‌تر و توسعه خدماتشن در مقیاسی بزرگتر استفاده خواهند کرد.
٢. بانک هوشمند چیست و چگونه عمل میکند؟
برای برآورده کردن انتظارات روزافزون مشتریان و مقابله با تهدیدهای رقابتی در دوران دیجیتالی که بر محور هوش مصنوعی می‌گردد، بانکی که هوش مصنوعی را در اولویت قرار داده باشد، قادر خواهد بود تا پیشنهادها و تجاربی را ارائه دهد که هوشمندانه باشند (به معنی پیشنهاد دادن اقدامات، پیش‌بینی و خودکارسازی تصمیمات یا وظایف کلیدی)، شخصی‌سازی شده باشند (به معنی مرتبط و به‌موقع بودن و براساس یک فهم دقیق از رفتارهای گذشته مشتریان)، همه‌جانبه باشند (به معنی پیوند دادن پیوسته بافت‌های فیزیکی و آنلاین در سراسر دستگاه‌های مختلف، و ارائه تجربه‌های پایدار) و این توانایی‌های بانکی را با محصولات و خدمات مرتبط فراتر از بانکداری ترکیب میکند. نمودار 3 نشان میدهد که چگونه یک بانک میتواند در طول روز با یک مشتری خرده‌فروشی ارتباط برقرار کند. نمودار 4 نمونه‌ای از تجربه بانکی یک صاحب کسب و کار کوچک یا خزانه‌دار یک شرکت سایز متوسط را نشان میدهد.
نمودار ٤
چگونگی تحولاتی که هوش مصنوعی برای مشتریان کسب‌و‌کارهای کوچک و متوسط در حوزه بانکی به ارمغان می‌آورد.
از بعد درون‌سازمانی، کارایی عملیاتی نهادی که بهکارگیری هوش مصنوعی را در اولویت قرار داده باشد، از طریق خودکارسازی یا اتوماسیون بیش از حد وظایف دستی (رویکرد «zero-ops») و جایگزینی یا افزایش تصمیمات انسانی توسط موتورهای تشخیصی پیشرفته در زمینه‌های مختلف عملیات بانکی، بهینه‌سازی خواهد شد. این بهبود عملکرد عملیاتی از کاربرد گسترده فناوریهای معمولی و پیشتاز هوش مصنوعی، مانند یادگیری ماشین و شناسایی چهره، برای تجزیه و تحلیل بی‌درنگ داده‌های مشتری بزرگ و پیچیده حاصل خواهد شد.
بانکهای نسل‌های بعدی که هوش مصنوعی را در اولویت قرار می‌دهند، با سرعت و چابکی که خصیصه بارز شرکتهای دیجیتال است، از بانکهای دیگر متمایز خواهند شد. چنین بانکی به سرعت دست به نوآوری زده و به جای صرف چند ماه، تنها ظرف چند روز یا هفته، ویژگی‌های جدیدی را به بازار عرضه خواهد کرد و به طور گسترده با شرکا همکاری خواهد کرد تا پیشنهادهای ارزشی جدیدی را به‌طور یکپارچه در مسیرهای مشتریان، پلتفرمهای فناوری و مجموعه داده‌ها ارائه کند.
٣. چه موانعی بانکها را از اجرای قابلیت‌های هوش مصنوعی در مقیاس بزرگ بازمی‌دارد؟
بانکهای موجود با دو گروه هدف روبرو هستند که در نگاه اول به نظر می‌رسد با هم در تضاد باشند. از یک سو، بانکها باید سرعت، چابکی و انعطاف‌پذیری ذاتی یک کسب و کار فینتکی را داشته باشند و از سوی دیگر، آنها باید به مدیریت استانداردهای امنیتی و الزامات نظارتی در مقیاس یک شرکت سنتی ارائه‌دهنده خدمات مالی ادامه دهند.
علی رغم صرف میلیاردها دلار در سال برای اجرای پروژههای نوآورانهای که بتوانند تحولی فناورانه در بانکها ایجاد کنند، تنها تعداد کمی از بانکها موفق شده‌اند تا فناوریهای هوش مصنوعی را در مقیاس بزرگ در کل سازمان به کار بگیرند. از جمله مهم‌ترین موانعی که بانکها را از پیشروی جدی در این مسیر باز می‌دارد، نبود یک استراتژی مشخص برای بهکارگیری هوش مصنوعی در سازمان است. دو چالش دیگری نیز که بسیاری بانکها با آن مواجه میشوند عبارتند از: اول، ضعف تکنولوژی اصلی و زیرساختی داده و دوم، داشتن یک مدل عملیاتی قدیمی و استراتژی استعداد منسوخ.
سیستم‌های فناوری اصلی بانکها که برای پایداری ساخته شده‌اند، عملکرد خوبی، به ویژه در حمایت از عملیات پرداخت‌ها و وام‌دهی داشته‌اند. با این حال، بانکها باید قبل از استقرار گسترده فناوریهای هوش مصنوعی، چند ضعف مرتبط با سیستم‌های قدیمی را حل کنند (نمایش ٥ ). اولین و مهم‌ترین ضعف این است که این سیستم‌ها اغلب ظرفیت و انعطاف پذیری لازمی را که برنامه‌های حلقه بسته هوش مصنوعی برای حمایت از نیازهای محاسباتی متغیر، پردازش داده‌ها و تجزیه و تحلیل به آن نیاز دارند، دارا نیستند. سیستم‌های اصلی نیز به‌سختی قابل تغییر هستند و نگهداری آنها نیازمند منابع قابل توجهی است. علاوه بر این، مخازن دادهای بسیاری از بانکها در انبارهای جداگانه (تیم‌های مجزا در زمینه کسبوکار و فناوری) پراکنده شده‌اند و تلاش‌های تحلیلی تنها بر روی موارد استفاده مستقل تمرکز دارند. بدون یک زیرساخت داده متمرکز، تجزیه و تحلیل داده‌های مرتبط و ارائه توصیه‌های هوشمند به موقع تقریبا غیرممکن است.
اگر چنین در نظر گرفته شود که داده‌ها مواد خام اصلی بانک را تشکیل می‌دهند، باید به گونه‌ای حکمرانی شوند و به صورت ایمن در دسترس قرار گیرند تا امکان تجزیه و تحلیل به‌هنگام آنها از منابع داخلی و خارجی به صورت گسترده برای میلیون‌ها مشتری، «در نقطه تصمیم‌گیری» در سراسر سازمان فراهم شود. درنهایت، برای مقیاس‌بندی مدلهای تحلیلی و هوش مصنوعی پیشرفته، سازمانها نیاز به مجموعه ابزارهای قوی و فرایندهای استاندارد شده برای ساخت، آزمایش، استقرار و نظارت بر مدل‌ها به شکل تکرار‌شونده و «صنعتی» دارند.
نمودار ٥
سرمایه گذاری در تکنولوژی اصلی برای برآورده کردن نیازهای رو به افزایش برای مقیاس پذیری، انعطاف پذیری و سرعت حیاتی است.
مدلهای عملیاتی سنتی بانکها، تلاش بانکها برای تأمین نیاز به نوآوری مداوم را دچار مشکل میکند. اکثر بانکهای سنتی براساس خطوط کسبوکاری متمایزی سازمان‌دهی شده‌اند و به تیم‌های تکنولوژی و تحلیل به چشم مراکز هزینه نگاه می‌شود. مالکان کسبوکار عموما اهداف را به‌صورت یک‌جانبه تعریف میکنند و همسویی با استراتژی فناوری و تجزیه و تحلیل سازمان (اگر وجود داشته باشد) اغلب ضعیف یا ناکافی است. تیم‌های کاری جداگانه و فرآیندهای اجرایی «آبشاری» به طور معمول منجر به تأخیر، افزایش هزینه و عملکرد غیربهینه می‌شود. علاوه بر این، سازمانها فاقد روحیه آزمون و یادگیری و همچنین حلقه‌های بازخوردی قوی هستند که بتواند تجربه آزمایش سریع و بهبود متوالی را ترویج کنند. اغلب کارشناسان اجرایی کسبوکار از عملکرد پروژه‌ها و آزمایش‌های گذشته راضی نیستند و معمولاً برای قابلیت‌های کلیدی به تأمین‌کنندگان فناوری شخص ثالث روی می‌آورند، که باعث تضعیف قابلیت‌ها و استعدادهایی می‌شود که بهتر است به‌طور ایده‌آل به صورت درون‌سازمانی توسعه داده شود تا تفاوت رقابتی تضمین شود.
تا اینجا از ضرورت هوشمندسازی بانکها و حرکت در مسیر بهره‌گیری هرچه بیشتر از فناوریهای هوش مصنوعی صحبت کردیم و چالش‌های پیش رو در تحقق این هدف را شناختیم. در بخش بعدی این مقاله تلاش می‌شود تا راهنمای جامعی درباره اینکه بانکها چگونه می‌توانند به موسساتی با اولویت هوش مصنوعی تبدیل شوند، ارائه شود.
از گذشته تا امروز، کمتر موقعیتی مشاهده شده که در آن شرکتها تحت تهاجم تحولات فناورانه، ناچار به ایجاد تغییرات اساسی در کسب وکار خود شوند. اما اکنون شاهد آنیم که صنایع مختلف و ارائه دهندگان خدمات مالی، در سایه رشد انفجاری هوش مصنوعی، مهاجرت گسترده متخصصان از صنایع مالی به شرکتهای حوزه فناوری و ولع شرکتهای فناورانه برای ورود به صنایع مالی، در آستانه تحولات بنیادین قرار گرفتهاند. حال سوالی که مطرح می شود آن است که ارائه دهندگان خدمات مالی، چگونه باید با این چالش نوظهور مواجه شوند و چه کنند؟
گشت و گذاری مختصر در اطراف یکی از آسمان خراش های عظیمی که در منهتن میزبان برخی شرکتهای مالی و بانک های سرمایه گذاری هستند، ما را با صنعتی مواجه می کند که طی 25 سال اخیر، تغییرات چندانی تجربه نکرده است. شرکتهایی که احتمالاً اتاقهای آنها مملو از افراد باهوش وسخت‌کوش ۲۴ تا ۳۴ ساله ای است که از دانشگاه های برتر فارغ التحصیل شده اند؛ سرشان حسابی گرم کار با رایانه هایشان است و درون فایلهای پی دی اف، به دنبال داده می گردند تا آنها را وارد مدلهای اکسل میکنند و چارتهای حاصل را برای قرار دادن در فایلهای ارائه مدیران ارشدشان استفاده میکنند؛ فایلهایی که احتمالا صبح روز بعد، عصای دست این مدیران برای متقاعد کردن شرکتها خواهد شد تا این بانک را برای همراهی آنها در یافتن خریدار یا بازار هدف، انتخاب کنند.
با اینحال چنین مدل هایی لزوما دقیق نیستند – پژوهش‌های انجام شده حاکی از آنست که بیش از ۷۰ درصد از ادغام و تملک‌های انجام شده به شکست ختم میشوند. اما هنوز فرآیندی که برای ارزش گذاری و واگذاری شرکتها به کار گرفته می شود، همچنان بدون اینکه تغییر چندانی داشته باشند، مورد استفاده قرار می گیرند.
بررسی سوابق عملکردی شرکتهای مختلف نشان می دهد که از سال ۱۹۹۷ تاکنون، صرفاً ۲۳ مورد از ۵۶۸ شرکت مندرج در فهرست فورچن ۵۰۰، در زمان ورود به این لیست کمتر از ۱۵ سال سابقه تأسیس داشتند. تاکنون، صرفاً ۱۰ مورد از ۵۸ صنعتی که فورچن ۵۰۰ را تشکیل می‌دهند، شاهد جایگزینی بازیگران اصلی با استارت‌آپ‌ها بوده‌اند. بعلاوه، میانگین سن شرکتهای فورچن ۵۰۰ حدود ۷۰ سال است – یک دهه پیش، این رقم ۶۶ سال بود. بسیاری از فعالان حوزههای بیمه، باکداری، سرمایهگذاری و مشاوره مدیریت، عموما هرگز شاهد تازه‌واردی نبوده‌ند که بخواهد سهم بازار را از بازیگران اصلی برباید.
هر چند وقت یک‌بار استارت‌آپ‌ها جایگزین بازیگران اصلی میشوند؟
از سال ۱۹۹۷ تاکنون، صرفاً ۲۳ شرکت از ۵۶۸ شرکت مندرج در فهرست فورچن ۵۰۰ هنگام ورود به این فهرست کمتر از ۱۵ سال سابقه تأسیس داشتند.
اولین حضور تازه‌واردها به فهرست فورچن ۵۰۰
| مرجع: پانکس و پینسترایپز |
اما هم‌اکنون، سه نیروی همگرا وجود دارند که ممکن است خدمات مالی و صنایع مشابه را متحول کنند. اولین نیرو رشد انفجاری هوش مصنوعی است. دومین نیرو مهاجرت وسیع افراد بااستعداد در زمینه فناوری از شرکتهای بزرگ خدمات مالی به شرکتهای بزرگ فناور بوده و نیروی سوم را می توان اشتیاق فزاینده شرکتهای بزرگ فناور برای ورود به صنایعی نظیر شرکتهای بزرگ خدمات مالی دانست. اگرچه ایجاد تحول گسترده در شرکتهای بزرگ خدمات مالی قریب‌الوقوع نیست – اما حالا احتمال آن بیش از هر زمان دیگری وجود دارد.
هوش مصنوعی چگونه میتواند کار کردن در شرکتهای بزرگ خدمات مالی را متحول کند؟
در فرآیندهای کاری بانکداران، مؤلفه‌های مهمی وجود دارد که اگر هوش مصنوعی به خوبی برای آنان آموزش داده شود، می تواند در آنها عملکردی به مراتب بهتر از انسان ها به نمایش بگذارد. فرآیندهای زیر را می توان از جمله این موارد به حساب آورد:
- یافتن و گردآوری داده
- اعتبارسنجی اینکه آیا داده‌ها صحیح هستند یا خیر (دوباره، پس از قدری یادگیری)
- تأمین نقاط داده از منابع متعدد (داده‌های ساختار نیافته) و قرار دادن آنها در سری‌های زمانی پاک
- اعتبارسنجی اینکه آیا داده‌ها برای پیش‌بینی آینده مفید هستند یا خیر
- شناسایی سایر داده‌های مفیدی که افراد گنجاندن آنها را در نظر نگرفته بودند
- یادگیری آنچه انسان‌ها با اطلاعات گردآوری‌شده انجام می‌دهند و انجام بهتر و سریع‌تر آن کارها (اینجا جایی است که هوش مصنوعی مولد داریم).
در خطاپذیر بودن عملکرد هوش مصنوعی شکی نیست. زیرا حتی آن هم ممکن است اشتباه کند. این فناوری با بررسی اشتباهات انسانی، می تواند نحوه انجام کار صحیح را بیاموزد. اما باید توجه داشت که چنانچه به جای جایگزینی کامل هوش انسانی با هوش مصنوعی، از این فناوری برای برای بهبود هوش انسانی استفاده شود، میتواند عملکرد به مراتب دقیق‌تر، سریع‌تر و کم‌هزینه‌تری نسبت به متخصصانی داشته باشد که تا پاسی از شب در ادارات مشغول کار هستند. تمام این مزایا قابلیت افزوده شدن به فرآیندهای بانکی مختلفی را دارند که بانکداران برای انجام آنها ناچارند تا ۹۰ ساعت در هفته از وقت خود را در دفاتر بانک بگذرانند.
به لطف هوش مصنوعی، تمام این سبک کاری می تواند به گونه ای متفاوت رقم بخورد. به‌جای پرسیدن این سوال که «چگونه می‌توانیم برای این مدل داده پیدا کنیم» باید سؤال شود: «چگونه می‌توانیم این مدل را به نحوی تغییر دهیم تا شاخص‌های اصلی میزان (درصد) تملک‌های موفق را شناسایی کند؟ یا باید پرسید که چگونه می‌توانیم این مدل را به گونه ای آموزش دهیم که بتواند خریداران و اهداف تملکی مناسبی را که با مشخصات مورد انتظار را داشته باشند، شناسایی کند؟»
اما صرف اینکه هوش مصنوعی میتواند خدمات مالی را متحول کند، به این معنا نیست که حتما این کار را انجام خواهد داد. میان شرکتی که با علاقه نوآوری میکند و شرکتی که به‌فوریت و از روی اجبار مسیر نوآوری را در پیش میگیرد، تفاوت زیادی وجود دارد. هوش مصنوعی به‌خودی‌خود برای ایجاد اضطرار در خدمات مالی کافی نیست. برای اینکه رهبران بانکها، هوش مصنوعی را به‌صورت وسیع و با فوریت اجرا کنند، بازیگران خارج از عرصه خدمات مالی باید به استفاده از هوش مصنوعی روی بیاورند و در ادامه در سهم بازار بازیگران فعلی نفوذ کنند.
اما این تازه‌واردهای جدید چه کسانی هستند؟
خروج کارآفرین
طی دو سال گذشته، تعداد قابل توجهی متخصصان هوش مصنوعی، از بانکها به شرکتهای بزرگ حوزه فناوری مهاجرت کردهاند. تحلیل داده‌های لینکدین از ۵۰۰۰ مدیر ارشد اجرایی در حوزه خدمات مالی (در سطح معاون شرکت و بالاتر) که بانکداری را ترک کردهاند نشان میدهد که به طور معمول یک بانک، 4 نفر از هر 5 نفری را که در زمینه هوش مصنوعی استخدام کرده، از دست می دهد. وقتی چنین افراد بااستعدادی، بزرگ‌ترین بانکها را ترک میکنند، معمولاً به‌کلی این صنعت را ترک میکنند و نقشهای جدیدی در غول‌های فناوری نظیر آمازون، گوگل و مایکروسافت پیدا میکنند. این سه شرکت فناور مخفیانه در حال جذب متخصصان هوش مصنوعی خارج شده از صنایع مالی و بانکهای بزرگ و به کارگیری آنها در پروژههای خود هستند.
افراد بااستعداد در زمینه هوش مصنوعی بانکهای بزرگ را به مقصد شرکتهای فناور ترک میکنند
یک بانک به طور معمولی 4 نفر از هر 5 متخصصی را که در زمینه هوش مصنوعی استخدام میکند، از دست می دهد. تحلیل داده‌های لینکدین ۵۰۰۰ مدیر ارشد اجرایی در حوزه خدمات مالی نشان میدهد که اکثر آنها این صنعت را به‌کلی ترک میکنند و مشاغلی را در غول‌های فناور نظیر آمازون، گوگل و مایکروسافت پیدا میکنند.
این نمودار مهاجرت مدیران ارشد اجرایی هوش مصنوعی از بانکها به مشاغل جدید طی ژوئیه ۲۰۲۱ تا ژوئیه ۲۰۲۳ را نشان میدهد و جزئیات مربوط به تعداد افرادی را بیان میکند که بانکها از دست دادند و شرکتها به دست آوردند.
با اینحال شرکت جی. پی. مورگان[1] را میتوان یکی از استثنائات به حساب آورد. این شرکت تنها بانکی است که در آن تعداد متخصصان جذب شده در زمینه هوش مصنوعی، بیش از تعداد متخصصانی است که در این زمینه از دست داده و این نسبت برای بانک مذکور، 318 به 204 است. بر اساس تحلیلهای انجام شده از داده‌های لینکدین، شرکت جی. پی. مورگان در سطوح مختلف ارشدیت ۱۲۶۰ کارمند حوزه هوش مصنوعی داشت که بیش از دو برابر تعداد متخصصان هوش مصنوعی در شرکت سیتی[2] است که با داشتن 576 متخصص در این زمینه، در جایگاه دوم قرار دارد.
شرکتهای بزرگ فناور به‌مثابه چالشگران بانک
به طور معمول متخصصان هوش مصنوعی که شرکتهای مالی را ترک میکنند، جذب شرکتهایی مانند گوگل یا آمازون می شوند. این شرکتها از مدتها قبل در تلاش برای تنوع بخشیدن به صنعت بانکداری و سایر صنایع به‌شدت تنظیم‌گری‌شدهای نظیر صنعت مراقبت‌های بهداشتی هستند.
این متنوعسازی از سوی شرکتهای بزرگ فناور را باید در دامنه وسیع تری از پیشینه تحولآفرینی فناورانه مورد بررسی قرار داد. بررسیهای انجام شده پیرامون شرکتهای تازهوارد به فهرست فورچون ۵۰۰ نشان می دهد به کارگیری رویکرد تنوعبخشی در یک شرکت بزرگ، می تواند نسبت به رشد استارتاپی، تحول آفرینی بیشتری برای کسبوکارها داشته باشد. طبقه‌بندی این ۲۳ تازه‌واردی که پیش از پانزدهمین سال تأسیس خود موفق به ورود به این شاخص شدند، دشوار بود و همین دلیلی بود که آنها را انقلابی خواند. شرکت کپیتال وان[3] پیش از آنکه جایگاه خود را به عنوان یک بانک تجاری تثبیت کند، فعالیت خود در قالب شرکتی با خدمات مالی متنوعسازی شده آغاز کرد. شرکتهای گوگل، متا و آمازون نیز اگرچه در ادامه وارد رقابت با حوزه رسانه، خرده‌فروشی، خودروسازان و بعداً مراقبت‌های بهداشتی و بانکها شدند، در با عنوان شرکتهایی فعال در حوزه «اینترنت و بازاریابی مستقیم خرده‌فروشی» شناخته میشدند. به عبارتی، تنوعبخشی در مقیاس بالا همان تحولآفرینی است.
با این فرض که تجهیز شرکتهای فعال در صنعت بانکداری با فناوری هوش مصنوعی میتواند باعث ایجاد مزیت رقابتی شود، بعید نیست که شرکتهایی مانند آمازون، گوگل یا مایکروسافت، دست به ایجاد (و یا خرید) بانکهای سرمایهگذاری کنند که فعالان صنعت را با چالش جدی مواجه کنند. خصوصا که شرکتی مانند آمازون سابقه ورود به بازارهای به شدتتنظیمگریشده دیگری مانند بهداشت و سلامت را نیز در کارنامه دارد؛ و جف بزوس نیز فعالیت خود را در وال‌استریت و صندوق پوشش ریسک دی. ایی. شاو[4] شروع کرده است.
محتمل بودن به معنای قریب‌الوقوع بودن نیست
دلایل زیادی وجود دارد که چرا ممکن است بانکداری سرمایهگذاری بدون تجربه تحولی خاص به کار خود ادامه دهد. بانکهای سرمایهگذاری به‌صورت نظام‌مند موسسه‌های مهمی هستند که تحت کنترل جدی و موشکافی از سوی دولت هستند.
با این وجود بانکها هم به نوع خود از پشتوانه فناورانه و نوآورانهای برخوردارند. میزهای معاملاتی در بانکها، مثالی از نوآوریهای ایجاد شده از طریق فناوری هستند که انتظار میرود با بهبود فناوریهای مرتبط با هوش مصنوعی، با سرعت بهبود پیدا کنند.
شرکتهای بزرگ فناور و شرکتهای بزرگ خدمات مالی هم به‌شدت وابسته به هم هستند. ممکن است این امر مانع از آن شود که بازیگران اصلی شرکتهای بزرگ فناور ناکارآمدی‌های شرکتهای بزرگ خدمات مالی را زیر سؤال ببرند؛ همانطور که در مورد بخش مراقبت‌های بهداشتی این‌گونه عمل کردند. البته باید مراقب باشیم که مبادا این حرفها باعث بزرگنمایی تهدیدات احتمالی تحولات فناورانه هوش مصنوعی برای صنعت مالی شود.
رهبران بانکی باید چه کنند؟
آنچه لازم است رهبران حوزه خدمات مالی برای مصون ماندن از آسیبهای احتمالی تحولات فناورانه انجام دهند را میتوان در موارد زیر خلاصه کرد:
تحول فرهنگی پیش‌شرط ضروری برای تحول دیجیتال و هوش مصنوعی است.
در خدمات مالی، اغلب اوقات رهبران فناوری سفارش‌‌گیرنده هستند نه سفارش‌دهنده. بر اساس تجربه ما، به همین دلیل است که بسیاری از آنها شغل خود را ترک میکنند. اغلب اوقات، وظیفه آنها به‌جای تعیین راهبرد، اجرای راهبرد سایر مدیران ارشد اجرایی است.
البه یک استثنای بارز چنین موردی، مارتی چاوز[5] است؛ کسی که مدیر ارشد مالی گلدمن ساکس[6] بود *. مارتی فردی بود که در بازار وال‌استریت از بعد فرهنگی طرد شده بود؛ متخصص فناوری در سیلیکون‌ولیی[7] بود و شخصی به حساب میآمد که صرفا محدود به نقشهای فنی نبود. مهم‌تر از همه، او جایگاه ویژهای در جذب نخبگان حوزه فناوری به وال‌استریت داشت و فرهنگ موردپسند او، سازمانی مسطح (فاقد سلسلهمراتب خاص)، چابک و نوآور به حساب میآمد که خودش نیز در شکلگیری آن کوشش وافری کرد. در واقع بانکها باید به همان سبکی که بانک گلدمن با بهکارگیری مارتی چاوز پیش رفت، فعالانه به پروش رهبران فناوری که شرکت را در مسیر توسعه فناورانه هدایت میکنند، بکوشند.
به راه‌حل‌های هوش مصنوعی بسنده نکنید.
حتی همان بانک‌هایی که فرآیندهای کاری ناکارآمد دارند و میتوان عملکرد آنها را با فناوری هوش مصنوعی بهبود داد نیر در بطن سازمانهایشان، آزمایشگاه، مراکز رشد و سرمایه‌گذاران خطر‌پذیری هستند که قرار است بر توسعههای مبتنی بر هوش مصنوعی متمرکز باشد. اکنون اکثر ارائهدهندگان خدمات مالی، مایل به مشارکت و حضور در صحنه نوآوری از طریق فناوریهای نوظهور هستند. اما این راه‌حل‌ها،عموما مانع آن میشوند تا بانکها برای اجرای تغییرات معنادار اقدام به انجام کارهای جدیتر کنند. چنین راهکارهایی نخبگان حوزه فناوری را از امکان ایجاد تاثیراتی که در عمق وجودشان خود را قادر به انجام آنها میبینند محرم میکند و در ادامه آنها را به جدایی از شرکت ترغیب میکند.
همه سرمایه‌گذاری‌ها در هوش مصنوعی باید هدفی آشکار برای افزایش درآمد، کاهش هزینه‌ها، یا کاهش ریسک داشته باشند – و این هدف باید در مقیاسی باشد که به‌طور معناداری بر سود تأثیر بگذارد. هر چیزی کمتر از این، به راحتی از سوی افراد بااستعداد و رقبای بالقوه شناسایی خواهد شد.
فرض کنید که تهدید تحول بنیان‌کن واقعی است و فعال باشید.
اساسا چهار رخداد «بحران مالی»، «ادغام و تملک»، «سرمایه‌گذاران فعال جدید» و «بروز تحولات انقلابی و اساسا» را میتوان در زمره مواردی دانست که معمولا باعث ایجاد تغییرات کلانی در شرکتها میشوند.تحول بنیان‌کن فناورانه. گاهی اوقات، یک رهبر آینده‌نگر میتواند بروز چنین بحرانهایی را پیش‌بینی کند و شرکت را فعالانه در مسیر ایجاد تغییراتی مثبت پیش ببرد. اینکه مدیران سازمانها در قالب چنین رهبر فعالی وارد عمل شوند، بسیار دشوار است؛ خصوصا آنکه سازمان در صنعتی فعال باشد که پیش از این هیچ تجربه مشابهی در ایجاد تحولات اساسی نداشته است. در مواقع بروز چنین بحرانهایی عموما رهبران دیگر سازمان، در مشکلات و اضطرار ایجاد شده برای شما شریک نمیشوند و حتی ممکن است مانع پیشروی شما شوند. بانکها باید باور کنند که تهدیدات فناورانه ناشی از هوش مصنوعی، بسیار محتملند؛ حتی اگر هنوز چنین اتفاقی در سازمان شما رخ نداده باشد. در نتیجه همین حالا وقت آن است که رهبران سازمان به صورت فعالان قدم در این مسیر بگذارند و حتی اگر تلاشهایشان با مقاومت برخی اعضای دیگر سازمان مواجه شود، باز هم به مسیر خود ادامه دهند – حتی اگر تغییر در مواجهه با مقاومت دشوار باشد.
• • •
حالا بیشتر از قبل احتمال دارد که شرکتهای بزرگ فناور، شرکتهای بزرگ خدمات مالی را با چالش مواجهه کنند. ترکیبی از افراد بااستعداد در زمینه هوش مصنوعی که از حوزه خدمات مالی به شرکتهای بزرگ فناور مهاجرت میکند. فناوری هوش مصنوعی که میتواند کارها را بهتر، سریع‌تر و ارزان‌تر انجام دهد و تمایل جدید شرکتهای بزرگ فناور برای به چالش کشیدن صنایع به‌شدت تنظیم‌گری شده، به این معنی است امروز فرصت ببیش از هر زمان دیگری برای ایجاد تحولات اساسی و انقلابی در صنایع مالی فراهم است. اما همین افزایش فشار رقابتی، فرصتی برای رهبرانی است که فعالانه در صدد ایجاد تغییرات معنادار فرهنگی بانکهای بزرگ هستند.
نوشته: گرگ لارکین و جینین یوناس
منبع: Harvard Business Review
[1] JPMorgan
[2] Citi
[3] Capital One
[4] D.E. Shaw
[5] Marty Chavez
[6] Goldman Sachs
[7] SiliconValley