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.
در کارگاه «پیش‌بینی میزان منابع مشتریان به وسیله شبکه‌های عصبی بازگشتی» اعلام شد / روش‌هایی برای آگاهی از ریزش مشتریان بانکی در آینده
در جریان دهمین همایش سالانه بانکداری و نظام‌های پرداخت یک کارگاه آموزشی با موضوع «پیش‌بینی میزان منابع مشتریان به وسیله شبکه‌های عصبی بازگشتی» برگزار شد. وحید عقیل‌پور، معاون داده و عملیات شرکت مهندسی یاس ارغوانی و فردین صبوری، مدیر واحد تحلیل داده شرکت مهندسی صنایع یاس ارغوانی در این کارگاه از مراحل اجرای پروژه‌های تحلیلی و تجارب آن صحبت کردند.
طبق توضیحات عقیل‌پور، عمده درآمد بانک از مشتری و سپرده‌های آنهاست. در این شرایط هزینه جذب مشتریان جدید در بانک پنج‌برابر نگهداشت مشتریان فعلی است؛ یعنی اگر بانک یک درصد بر نگهداشت مشتری متمرکز شود، خلق ارزش داشته و در هزینه‌های خود صرفه‌جویی کرده است.
او با بیان اینکه نگهداشت مشتری و کاربر از اهمیت بالایی برخوردار است، توضیح داد: «بانکی را فرض کنید که می‌خواهد کمپینی جدید به راه بیندازد و این کمپین قرار است به افزایش 30درصدی حساب‌های مشتری منجر شود. بانک مذکور لیست مشتریان را از منابع متفاوت تهیه و فرآیند بازاریابی را آغاز می‌کند، اما الگوریتم‌هایی که باعث می‌شود این مشتریان همان‌هایی باشند که به حساب جاری نیازمندند، چیست؟ همچنین چالش‌هایی برای ایجاد طرح‌های تحلیلی وجود دارد مانند اینکه احتمال موفقیت ما چقدر است. و اینکه گاه پیش می‌آید که ستادها بدون شناخت مشتری طرح‌ها را پیاده‌سازی کنند.»
طبق توضیحات معاون داده و عملیات شرکت مهندسی یاس ارغوانی، برای جلوگیری از مواجهه با این چالش‌ها نکات مهم و مدل‌سازی‌های گوناگونی وجود دارد. البته زمانی که یک سیستم در حال فعالیت است نمی‌توان به یکباره و ضربتی آن را تغییر داد: «ما مدلی تعریف کرده‌ایم که به صاحب ایده کمک می‌کند از موفقیت طرح تحلیلی خود آگاه شود. موضوع بازدارندگی هم نیست؛ تنها هدف اصلی ما کمک به مدیران برای اتخاذ تصمیمات درست‌تر است.»
او همچنین توضیح داد که دستاوردهای پروژه‌های تحلیلی مستقیم است و گاهی خروجی‌هایی دارد که می‌توان آن را در پروژه‌های دیگر به کار گرفت؛ حتی اگر پروژه اصلی شکست‌خورده باشد.
شکست پروژه‌های تحلیلی
عقیل‌پور در ادامه صحبت‌هایش تصریح کرد که یکی از علت‌های شکست پروژه، اشتباه نوشتن پروپوزال است: «نیازمندی مشتری، روشن بودن اصل مسئله، انتظارات مشتری، محدودیت‌های مشتری و سوابق مشتری موضوعاتی است که باید در نظر گرفته شود. درک کسب‌وکار هم مورد دیگری است که به موفقیت پروژه‌های تحلیلی کمک می‌کند.»
او ادامه داد: «ناآشنایی با کسب‌وکار یکی از علل شکست در این مرحله است. پروژه‌های تحلیلی دیربازده هستند و به همین علت شناخت مدیر پروژه از ماهیت کسب‌وکار بسیار مهم است. عدم شناسایی افراد کلیدی تصمیم‌ساز هم یکی از عوامل شکست یک پروژه تحلیلی است. ممکن است کمپین به‌درستی سپری شود و حتی مرحله‌به‌مرحله پیش برود، اما نهایتاً خروجی آن مطلوب مدیران اصلی به‌عنوان ذینفعان اصلی نباشد.»
آموزش ندادن به مشتریان و کارفرما هم یک عامل اصلی شکست است. این آموزش باید سطوح متفاوت کارشناس، مدیر و مشتری را در بر بگیرد و حتماً در طول پروژه انجام شود. به گفته او، آموزش باید مستمر و در درون مسیر اتفاق بیفتد.
موضوع دیگر انتخاب فاکتور غیر قابل اندازه‌گیری است: «اگر در حال انجام یک پروژه تحلیلی هستیم، باید به معیار ارزیابی آن توجه داشته باشیم؛ یعنی اگر هدف ما بهبود بانک است باید بتوانیم بعد از اتمام پروژه این بهبود را اندازه‌گیری کنیم. فاکتور ارزیابی باید کیفی باشد؛ البته این موضوع بسته به ماهیت پروژه متفاوت است. لزوماً قرار نیست پروژه تحلیلی به یک معجزه منجر شود و اندازه‌ای که واقعاً هست باید اعلام شود.»
هوش مصنوعی مدعی نیست
فردین صبوری، مدیر واحد تحلیل داده شرکت مهندسی صنایع یاس ارغوانی نیز در ادامه ارائه شرکت مهندسی صنایع یاس ارغوانی در همایش نظام‌های پرداخت به موضوع دیتا پرداخت. طبق گفته‌های او، پیش‌بینی برحسب داده در بحث‌های مالی از تشخیص و شناسایی دشوارتر است. افراد مشغول در شعب اطلاعات جامع‌تری از مشتری دارند. آنها مشتری، سابقه و شغل و رفتارهای مالی او را می‌شناسند و به‌واسطه این آگاهی می‌توانند پیش‌بینی دقیق‌تری نسبت به مدل‌ها داشته باشند. هوش مصنوعی هرگز ادعا نداشته که اطلاعات دقیق‌تری از خبرگان صنعت‌ها ازجمله صنعت بانکی دارد: «موضوع ما این است که این هوش طبیعی و خبره کم و سرعت آنها آهسته است و در همین راستا سعی کردیم پیش‌بینی منابع را با دقت 70درصدی آغاز کنیم. دیتا یکی از دارایی‌های مهم هر بانک است. بانک‌ها فارغ از زمان افتتاح حساب مدعی هستند که از شغل و تحصیلات مشتری خود آگاهی دارند. ما در زیرپروژه‌هایی منابع مشتری، تسهیلات و ضمانت‌نامه‌ها، چک‌های مشتری، شاخص‌های clm و clv مشتری، اطلاعات دموگرافیک مشتری، شغل و محل فعالیت او و شاخص‌های کلان افتصادی را معیار قرار می‌دهیم تا اطلاعات‌مان به‌روز باشد.»
او در ادامه با اشاره به مدل‌سازی داده توضیح داد که اولویت استفاده از الگوریتم‌های ساده، جداسازی داده‌های تست و آموزش و تنظیم‌کردن پارامترها مراحل ما برای مدل‌سازی و در مرتبه بعدی تحلیل آنهاست.
صبوری درباره اهمیت نگهداشت مشتری و به‌صرفه‌بودن آن توضیح داد که در نتیجۀ مدل تحلیلی به این رسیدیم که اگر معدل حساب یک مشتری در سه ماه متوالی از نصف میانگین یک‌ساله آن کمتر باشد، احتمالاً ریزش اتفاق خواهد افتاد.
به گفته او، این روش باینری است که در مرتبه بعدی می‌توان ریزش یا عدم ریزش آن را بررسی کرد.
عقیل‌پور، معاون داده و عملیات شرکت مهندسی یاس ارغوانی هم در پایان ارائه از اقدامات پس از مرحله استقرار گفت و خاطرنشان کرد: «پس از طراحی مدل به استقرار و پیاده‌سازی آن می‌رسیم. اینکه تصور کنیم اتمام پروژه و سوددهی آن به معنای خط پایان مدل تحلیلی است، اشتباه است. در این نقطه نگهداری و به‌روزرسانی مهم می‌شود.»