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.
لیلا پاکروان نژاد؛ مدیر واحد نظام‌های پرداخت فناپ پرداخت / طبق گزارش Forbes، 87 درصد شرکت‌ها تصور می‌کنند تا پایان دهه جاری، big data یا کلان داده‌ها تغییرات بزرگی را در کسب‌وکار آن‌ها ایجاد خواهد کرد.
بسیاری از شرکت‌ها معتقدند نداشتن یک استراتژی مناسب در حوزه کلان داده منجر به عقب ماندن آن‌ها از بازار یا حتی شکست آن‌ها خواهد شد. اطلاعات، جزئی حیاتی از مدیریت کسب‌وکار است. باوجود کلان داده مدیران می‌توانند رفتار مشتریان را ارزیابی کنند، اطلاعات زیادی از کسب‌وکار خود به دست آوردند و با استفاده از این دانش تصمیم‌گیری و عملکردشان را بهبود دهند.
سؤالی که اینجا مطرح می‌شود این است که آیا big data صرفاً روش دیگری از تحلیل اطلاعات یا analytics است؟
در پاسخ به این سؤال باید گفت که Big data و analytics شباهت‌هایی به یکدیگر دارند، هر دو برای افزایش هوش تجاری در راستای کسب مزیت رقابتی استفاده می‌شوند اما سه تفاوت اصلی دارند:
- حجم (volume): از سال 2012 روزانه نزدیک به دو و نیم اگزابایت داده تولید می‌شود و این مقدار هر 40 ماه دو برابر می‌شود که با این حساب، شرکت‌ها باید توان استفاده از این حجم بزرگ اطلاعات را داشته باشند؛ مثلاً تخمین زده می‌شود walmart در هر ساعت، دو و نیم پتابایت داده از تراکنش‌های مشتریانش جمع‌آوری می‌کند.
- سرعت (velocity): برای بسیاری از کاربردها، سرعت تولید داده از حجم آن مهم‌تر است. در اختیار داشتن اطلاعات در لحظه، شرکت‌ها را چابک‌تر از رقبایش می‌کند؛ برای نمونه داده‌های مکانی کاربران موبایل و همچنین در اختیار داشتن داده‌های مکانی این کاربران در سطح شهر، قدرت پیش‌بینی خارق‌العاده‌ای را ایجاد خواهد کرد.
- تنوع (variety): کلان داده در قالب‌های مختلفی همچون پیام‌ها، عکس‌ها، فیلم‌ها در شبکه‌های اجتماعی، سیگنال GPS از گوشی‌های موبایل، داده‌های دریافت شده از سنسورها و بسیاری دیگر از مدل‌ها به دست می‌آید و این نشان می‌دهد که منابع کسب داده به‌طور فزاینده‌ای در حال افزایش است؛ شکل‌گیری facebook در سال 2004، twitter در سال 2006 و عمر کمتر از ده سال ipad و iphone خود تأییدکننده این گفته است؛ بنابراین دیتابیس‌های ساخت‌یافته (structured) به‌اندازه کافی برای نگهداری این تنوع از داده‌ها مناسب نیستند و از طرفی ارزان شدن اجزای پردازشی نظیر پردازشگر، حافظه، پهنای باند و … نگهداری و پردازش حجم زیاد داده را روزبه‌روز توجیه‌پذیرتر می‌کند.
نباید از این نکته غافل شویم که مسئله واقعی در پایگاه داده به دست آوردن مقدار زیادی داده نیست، بلکه باید بدانیم که می‌خواهیم با این داده‌ها چه کنیم.
وضعیت مطلوب این است که سازمان‌ها بتوانند داده را از هر منبعی جمع و سپس داده‌های مرتبط را تهیه و تحلیل کنند تا پاسخ سؤالاتی را بیابند که کاهش هزینه‌ها، زمان، توسعه محصولات و پیشنهاد‌ها جدید و تصمیم‌گیری هوشمندانه‌تر کسب‌وکار را به دنبال دارد.
نقش کلان داده در بازاریابی
تکنیک‌های سنتی پیش‌بینی خریدها و جذب مشتریان همچون ارسال ایمیل تبلیغاتی، مسابقه، جایزه، یکی بخر دو تا ببر و تخفیف‌ها تنها برای بازه‌های کوتاه‌مدت نتیجه‌بخش است.
در این بازی، رقابت بازاریاب‌ها برای شناسایی حرکت بعدی مشتریان منجر به کسب سود حاشیه‌ای می‌شود. همه در بازه‌های زمانی بلندمدت دوشادوش هم در حرکت‌اند و هیچ‌یک از مدعیان، مزیت رقابتی پایداری برای پیروزی در اختیار ندارند؛ چراکه تمامی شرکت‌ها و فروشندگان محصول، مشتریان خود را به یک چشم نگاه می‌کنند.این‌ها همگی راحت‌ترین و آسان‌ترین و درعین‌حال، سنتی‌ترین روش‌های موجود جذب مشتری است.
تصمیماتی که به این روش‌ها منجر می‌شود معمولاً نیازی به داده‌های زیادی ندارند و دید خود را به‌جای مشتری محور بودن به محصول محور بودن محدود کرده‌اند. البته این به معنای توقف تلاش شرکت‌ها برای پیش‌بینی بهینه‌تر رفتار مشتریان نیست، اما در بسیاری صنایع ازجمله گردشگری، بیمه، ارتباطات، موسیقی و حتی خودروسازی تکنیک‌های بازاریابی به حدی پیشرفت کرده که رقبا به سطحی برابر در قدرت جذب مشتری رسیده‌اند. مهم‌ترین و تنها مؤلفه باقیمانده برای جذب مشتری بیشتر، قدرت پیش‌بینی رفتار مصرف‌کننده‌های نهایی است.
هر شرکت باید سه سؤال مهم زیر را برای ماندن در بازار رقابت در نظر بگیرد
چه نوع اطلاعاتی می‌تواند هزینه و ریسک مشتریان نهایی ما را به حداقل برساند؟
شرکت‌های بزرگی مانند Yelp ،Zagat ،TripAdvisor ،Uber،eBay ، Netflix و Amazon اهمیت زیادی به جمع‌آوری اطلاعات مرتبط با رتبه‌بندی تأمین‌کننده‌های کالا و خدمات می‌دهند؛ چراکه این اطلاعات میزان ریسک‌پذیری مشتریانشان را به حداقل می‌رساند. در حال حاضر این نوع اطلاعات، فاکتور مهمی برای ارزیابی عملکرد تأمین‌کننده‌ها به‌حساب می‌آیند.
بااین‌حال، مشتریان به طرز فزاینده‌ای به اطلاعاتی که به آن‌ها کمک می‌کند رفتار کاربرانی مثل خودشان را در مقابله با محصولات و خدمات مختلف ببینند، توجه نشان می‌دهند. در اختیار گذاشتن چنین اطلاعاتی به قدرت درک عمیق رفتار مشتریان و کشف الگوی توجهشان به عملکرد یکدیگر نیاز دارد و این چیزی است که با کمک کلان داده‌ها می‌توان به آن دست‌یافت.
چه نوع اطلاعاتی در دسترس است؟ آیا باید آن‌ها را جمع‌آوری و مورداستفاده قرار داد؟
آیا جمع‌آوری اطلاعات حاشیه‌ای مانند موقعیت مکانی کاربران ارزشمند است؟ این چیزی است که InVenture (استارتاپ جذاب آفریقایی)، به آن پرداخته است. این شرکت با تبدیل اطلاعاتی که به‌صورت اتفاقی در تلفن همراه کاربران تولید می‌شود، امکان تشخیص مشتریانی را که به خدمات مالی خاصی دسترسی یا نیاز داشته یا دارند، برقرار کرده است.
در محیطی که هیچ تاریخچه‌ای از وضعیت اعتبار مالی بخش بزرگی از جمعیت وجود ندارد، استفاده از اطلاعات حاشیه‌ای به‌ظاهر بی‌اهمیت به دستیاری مناسب برای مؤسسات مالی و تصمیم‌گیری برای پرداخت یا عدم پرداخت وام تبدیل شده است؛ برای مثال این شرکت تشخیص داده که احتمال بازپرداخت منظم و کامل وام افرادی که در دفترچه تماس تلفن همراهشان، نام و نام خانوادگی افراد را به‌طور کامل ثبت کرده‌اند، بیشتر است یا سرویس نامه‌رسان گوگل از جستجوها و مکالمات ایمیلی شما تحلیل می‌کند شما علاقه‌مند به چه موضوعات ورزشی هستید که لینک داغ‌ترین خبرهای ورزشی را برایتان ارسال کند.
تنوع و اختلاف سلیقه مشتریان، چگونه بر میزان سود حاصل از جمع‌بندی اطلاعات سایرین تأثیر می‌گذارد؟
برای مثال شرکتی که محصولات مرتبط با کشاورزی همچون بذر، کود و آفت‌کش را عرضه می‌کند، می‌تواند با جمع‌آوری اطلاعات خرید کشاورزان تشخیص دهد که هر کشاورز بر اساس نوع زمین و شرایطش، چه خرید بهینه‌ای را باید انجام دهد. جمع‌آوری اطلاعات تعداد زیادی کشاورز در کنار طبقه‌بندی مؤلفه‌هایی همچون نوع خاک، آب‌وهوا و شرایط زمین این نتیجه را دارد که برای هر کشاورز، بستهٔ بهینه‌ای از محصولات پیشنهاد و درنهایت نتیجه بهتری برداشت شود.
کلان داده‌ها در حوزه بانکی
در ادامه پنج کاربرد عمومی کلان داده‌ها در حوزه بانکی و خدمات مالی ارائه می‌شوند:
- تشخیص تقلب
بانک‌ها و ارائه‌دهندگان خدمات مالی، از تحلیل داده‌ها برای تفکیک تراکنش‌های تقلبی از تراکنش‌های معتبر مشتریان استفاده می‌کنند. با استفاده از روش‌های تحلیلی و یادگیری ماشین روی تاریخچه رفتار هر مشتری، تراکنش‌های غیرمعمول او را شناسایی و سیستم‌های تحلیلی به‌صورت برخط، تراکنش غیرعادی را متوقف می‌کنند.
- انطباق با الزامات قانون‌گذار
مؤسسات مالی تحت چهارچوب‌های دقیق نظارتی که سطوح مختلفی از پیمایش و گزارش را الزام می‌کنند، فعالیت دارند؛ به‌عنوان‌مثال بعد از بحران مالی سال 2008، تمامی معاملات بایستی مورد نظارت قرار گیرد و مستندات آن ثبت گردد. این اطلاعات برای نظارت و تشخیص الگوی معاملات غیرعادی استفاده می‌شود.
- دسته‌بندی مشتریان
بانک‌ها برای حفظ بازار خود در حال تغییر از مدل محصول محور به مدل مشتری محور هستند. یکی از روش‌های انجام این انتقال، استفاده از دسته‌بندی مشتریان است. کلان داده به آن‌ها کمک می‌کند تا گروه‌های مشتریان را به دسته‌های مشخص بخش‌بندی کنند. این کار به‌وسیله مجموعه‌ای از اطلاعات شامل محل زندگی مشتری، تراکنش‌های روزانه، تعاملات مشتری با سامانه‌های آنلاین و تلفنی و حتی داده‌های خارجی نظیر قیمت خانه مشتری صورت می‌گیرد. بانک، خدمات و محصولات خود را مبتنی بر این بخش‌بندی‌ها اصلاح و تعریف می‌کند.
- بازاریابی شخصی
بازاریابی شخصی، یک گام فراتر از بازاریابی مبتنی بر بخش‌بندی مشتریان است. در این مدل، مشتریان بر اساس تحلیل عادات خرید یا مصرف پولشان، هدف‌گذاری می‌شوند. با تحلیل تراکنش‌های خرید مشتریان از فروشگاه‌ها، اطلاعات به‌دست‌آمده از مشتری در شبکه‌های اجتماعی و نظرات او نسبت به کالاهای خریداری‌شده یا فروشگاه‌ها می‌توان تصویر کامل‌تری از نیازها و علایق مشتری به دست آورد.
- مدیریت ریسک
ازآنجاکه تمامی کسب‌وکارها باید سطوحی از ریسک را مدیریت کنند، این موضوع برای بانک‌ها امری حیاتی است. مثلاً در پازل 3 مؤسسات مالی، موظف به استرس تست و تحلیل ریسک نقدینگی در شرایط مختلف شده‌اند. تحلیل‌های مبتنی بر کلان داده می‌تواند در اندازه‌گیری این ریسک‌ها به‌صورت لحظه‌ای کمک کند.
نگرانی‌ها
اگرچه امروزه کلان داده‌ها فرصت‌های فوق‌العاده‌ای برای ما فراهم می‌کنند، اما درعین‌حال نگرانی‌ها و سؤالاتی هم در این زمینه وجود دارد:
- حریم خصوصی
حجم اطلاعات شخصی افراد که در کلان داده‌ها تولید و ذخیره می‌شود، بسیار زیاد است. اطلاعاتی که افراد حق دارند به‌صورت خصوصی و محرمانه در نظر گرفته شود. همیشه دوست داریم تناسبی بین اطلاعاتی که فاش می‌شوند و راحتی و آسایشی که به‌واسطه خدمات مبتنی بر کلان داده به دست می‌آوریم، برقرار کنیم، پس به چه کسانی اجازه دسترسی به این داده‌ها را می‌دهیم؟
- امنیت
اگر ما تصمیم بگیریم داده‌های خود را برای مقاصد خاصی در اختیار شخص یا سازمانی قرار دهیم چگونه می‌توانیم اعتماد کنیم که این اطلاعات به‌صورت امن نگهداری می‌شوند؟ آیا قوانین به‌اندازه کافی از ما حمایت می‌کند؟
- تبعیض
وقتی همه‌چیز ثبت و در دسترس است، آیا می‌توان پذیرفت که مردم بر اساس اطلاعاتی که از آن‌ها داریم مورد تبعیض قرار گیرند؟ مثلاً در حال حاضر رتبه اعتباری افراد برای اعطای وام استفاده می‌شوند.
برای ما دور از انتظار نیست که این داده‌ها برای مقاصد مذکور مورداستفاده قرار گیرند، اما آیا استفاده از این داده‌ها منجر به سخت‌تر شدن شرایط زندگی مردم نمی‌شود؟ یا مردمی که داده کافی از آن‌ها در اختیار نیست مورد تبعیض قرار نمی‌گیرند؟