پایگاه خبری راه پرداخت دارای مجوز به شماره ۷۴۵۷۲ از وزارت فرهنگ و ارشاد اسلامی و بخشی از «شبکه عصر تراکنش» است. راه پرداخت فعالیت خود را از دوم اردیبهشتماه ۱۳۹۰ شروع کرده و اکنون پرمخاطبترین رسانه ایران در زمینه فناوریهای مالی، بانکداری و پرداخت و استارتآپهای فینتک است.
اصطلاحات تخصصی هوش تجاری
به زبان ساده هوش تجاری (Business Inteligence) مجموعهای از ابزارهای تکنولوژیک است که برای جمع آوری اطلاعات، ذخیره آنها، تحلیل کردن آنها و دسترسی به اطلاعات استفاده میشود که به سازمانها کمک میکند تا با دقت بیشتر و بهتر تصمیم گیری کنند. یکی از عمده ترین حوزههایی که در آن از هوش تجاری استفاده میشود در کشف و ردیابی پولشویی است. هوش تجاری با جمع آوری اطلاعات و تحلیل و بررسی متمادی اطلاعات، رفتارهای مشتری را تا حدودی پیش بینی میکند و به هنگام مغایرت رفتار مشتری به سیستم اطلاع خواهد داد.
در ادامه تعدادی از لغات و اصطلاحات مورد استفاده در حوزه هوش تجاری آورده شده است:
پول شویی: فرآیندی است که مجرمان یا گروههای سازمان یافته به وسیله آن، منشأ و ماهیت مال حاصل از جرم را تغییر میدهند و آن را به حوزه اقتصاد رسمی وارد میکنند. پول شویی پلی است برای ارتباط و اتصال دنیای مجرمان با دیگران.
مهمترین آثار سوء پول شویی بر مؤسسات مالی: ورود خسارت، بحران نقدینگی به علت برداشت ناگهانی وجوه از سیستم مالی، قطع روابط کارگزاری، احتساب هزینههای مربوط به بررسی و نظارت و کشف جرایم در قراردادها و تحمیل آن به کشور، توقیف و ضبط داراییها و کاهش ارزش سهام مؤسسات مالی از آثار سوء پول شویی بر مؤسسات مالی میباشد.
انبار دادهها: وجود دادههای تاریخی برای یافتن الگوها و روابطی که سازمان به منظور داده کاوی به دنبال آنهاست، یک ضرورت است. انبار داده یک گردآوری از دادهها به صورت موضوعگرا، تجمیع شده، غیر فرار و در طول زمان است که برای پشتیبانی از تصمیمات مدیریتی ایجاد میگردد.
ویژگیهای مهم یک انبار داده:
- موضوع محوری: دادهها طبق یک موضوع خاص نظیر مشتریان یا محصولات، سازماندهی میشوند؛
- جامعیت: دادههای انباره از تجمیع دیگر دادهها ساخته میشوند. جهت یکسان کردن دادهها روشهای پاکسازی به کاربرده میشوند؛
- پویا پذیری: عامل زمان در ساختار انبار دادهها به صورت ضمنی یا به وضوح بیان میشود.
- پایایی: برخلاف پایگاه دادهها، دادهها در انبار داده به روز نمیشوند. تنها بارگزاری اولیه دادهها و دسترسی به دادهها صورت میگیرد.
مدیریت ریسک: کاربرد سیستماتیک سیاستهای مدیریتی، رویهها و فرایندهای مربوط به فعالیتهای تحلیل، ارزیابی و کنترل ریسک میباشد. مدیریت ریسک عبارت از فرایند مستندسازی تصمیمات نهایی اتخاذ شده و شناسایی و بهکارگیری معیارهایی است که میتوان از آنها جهت رساندن ریسک تا سطحی قابل قبول استفاده کرد.
هوش عملیاتی: فرآیندهای تجاری را در زمان اجرا کنترل میکند و با شناسایی نواقص و خطاها، به بهینه سازی فرآیندها و فعالیتها کمک میکند.
تحلیل پیشبینانه: انواع مختلف از تکنیکهای آماری، داده کاوی و نظریه بازیها را در برمیگیرد که اطلاعات حال و گذشته را تجزیه و تحلیل میکند و اتفاقات و رویدادهای آینده را پیش بینی میکند.
هوش بازاریابی و فروش: فرآیند تجزیه و تحلیل اطلاعات به منظور درک بازار (مشتریان موجود و بالقوه) و مشخصکردن نیازها و اولویتهای کنونی و آینده بازار، نگرش و رفتار بازار، و ارزیابی تغییرات در محیط بازار که ممکن است به اندازه و طبیعت بازار در آینده تأثیرگذار باشد.
دادهها: رشتهای از بیتها (به صورت صفر و یک) یا اعداد و نشانهها هستند که وقتی در فرمتی مشخص به یک برنامه ارسال میشوند، معنا مییابند ولی هنوز تفسیر نشدهاند.
اطلاعات: دادههایی است که موارد زاید آن حذف شده است و به حداقل ممکنی که برای تصمیمگیری لازم است، تقلیل یافتهاست.
دانش: اطلاعات تلفیق شدهای است که شامل حقایق و روابط میان آنها است. دانش در واقع به عنوان تصاویر ذهنی ما درک، کشف یا فراگیری شده است. دانش همان دادههایی است که در بالاترین سطح تعمیم قرار گرفتهاند.
کشف دانش از پایگاه دادهها: در واقع فرآیند تشخیص الگوها و مدلهای موجود در دادههاست. الگوها و مدلهایی که معتبر، نو، بالقوه مفید و قابل فهم هستند.
دادهکاوی: مرحلهای از فرآیند کشف دانش است که با کمک الگوریتمهای خاص دادهکاوی و با کارایی قابل قبول محاسباتی، الگوها یا مدلها را در دادهها پیدا میکند.
روشهای دادهکاوی: این روشها دو دسته هستند: توصیفی و پیشبینانه.
هدف از توصیف، یافتن الگوهایی در مورد دادهها است که برای انسان قابل تفسیر باشند (با استفاده از فنون مصورسازی)؛
روشهای پیشبینانه با بهکارگیری چند متغیر یا فیلد در پایگاه داده، رفتارهای آینده دادهها و یا مقادیر آینده متغیر را پیشبینی میکنند.
الگوریتمهای پیشبینانه شامل دستهبندی، رگرسیون، سریهای زمانی و پیش بینی است. الگوریتمهای توصیفی شامل خلاصهسازی، خوشهبندی، کشف توالی و قوانین التزامی هستند.
دادهکاوی میتواند نقش مهمی در تشخیص مشتریان احتمالی خوب (مشتریانی که به احتمال زیاد سود آور خواهد بود)، انتخاب کانال ارتباطی مناسب به منظور دسترسی به مشتریان احتمالی و انتخاب پیام مناسب برای گروههای مختلف مشتریان احتمالی ایفا کند.
دسته بندی: فرآیند یافتن مدلی است که با تشخیص دستهها یا مفاهیم داده میتواند دسته ناشناخته اشیاء دیگر را پیش بینی کند. اینکار با تقسیم کردن دادههای موجود به دو بخش آموزش و آزمون انجام میشود. دادههای آموزش برای یادگیری قواعد توسط سیستم و دادههای آزمون برای بررسی دقت دستهبندی به کار میروند.
خوشه بندی: به معنی تقسیم دادهها به گروههای مشابه است به نحوی که شباهت دادههای داخل گروهها حداکثر و شباهت بین گروهها حداقل باشد.