راه پرداخت
رسانه فناوری‌های مالی ایران

نگاهی مختصر به رویکردهای داده‌محور بانکی

مسعود مشهدی، هم‌بنیان‌گذار و مدیر واحد دیتای پی‌پینگ / با وقوع بحران مالی سال ۲۰۰۸ و همچنین با گسترش کسب‌وکارهای حوزه فین‌تک، به‌خصوص در شاخه لندتک، بانک‌ها و مؤسسات جهانی در تلاش‌اند تا با تشخیص درست اعتبار متقاضیان تسهیلات، ریسک را تا حد ممکن کاهش دهند. از همین رو، برنامه‌هایی که بتوانند با استفاده از ابزارهای حوزه‌های داده و یادگیری ماشین، به شناسایی و مدیریت این ریسک‌ها کمک کنند، حائز اهمیت زیادی است. در خصوص فرهنگ داده‌محور، بانک‌ها باید در چهار حوزه «وسعت برنامه‌های داده‌محور، تبار داده، کیفیت داده و آزمایش تراکنش» تلاش کنند تا به قابلیت‌های کنترل داده مرتبط با ریسک دست یابند؛ چیزی که در دهه آینده به آن نیاز مبرمی دارند. ما در این مقاله، تنها به دو مورد آخر می‌پردازیم.


کیفیت داده


بهبود کیفیت داده اغلب به‌عنوان یکی از اهداف اصلی مدیریت داده لحاظ می‌شود. اکثر بانک‌ها برای اندازه‌گیری کیفیت داده‌ها و همچنین، برای تحلیل، اولویت‌بندی و رفع مشکلات شناسایی‌شده، برنامه‌هایی دارند. در این مسیر، آنها با دو چالش مشترک روبه‌رو هستند؛ اولاً، آستانه‌ها و قوانین بین بانک‌های مختلف، متفاوت است. البته برخی از نواحی تلاش کرده‌اند برای قوانین کیفیت داده، استانداردهایی را تعریف کنند، اما با شکست روبه‌رو شدند. ثانیاً اقداماتی که به‌دنبال ترمیم وضعیت فعلی هستند، زمان و منابع قابل ‌توجهی را مصرف می‌کنند و در برخی بانک‌ها، حجم انبوهی از کار را بر جای می‌گذارند. برخی مؤسسات دست به دامن ایجاد برنامه‌هایی گسترده شده‌اند تا داده‌ها را ترمیم کنند؛ جایی که صدها کارمند، مشغول پاک‌سازی دستی داده‌ها هستند.

با بالغ‌شدن برنامه‌های کیفیت داده، با سه سطح از پیچیدگی در بانک‌ها روبه‌رو می‌شویم؛ اولین و رایج‌ترین سطح، از تطبیق‌های استاندارد استفاده می‌کند تا کیفیت داده‌ها را در سه دسته تمامیت، انسجام و اعتبار ارزیابی کند. در سطح دوم، بانک‌ها از تحلیل آماری استفاده می‌کنند تا ناهنجاری‌هایی را بیابند که احتمالاً ریشه در نبود دقت دارد؛ اینها می‌توانند مقادیری فراتر از سه انحراف استاندارد باشند یا مقادیری باشند که طی یک ماه، بیش از 50 درصد تغییر می‌کنند. در سومین و پیچیده‌ترین سطح، برنامه‌ها از تکنیک‌های مبتنی بر هوش مصنوعی و یادگیری ماشین استفاده می‌کنند تا مشکلات موجود و نوظهور در حوزه کیفیت داده را شناسایی کرده و اقدامات ترمیمی را شتاب بخشند.

برای شناسایی مشکلات مرتبط با دقت، یک مؤسسه از الگوریتم‌های خوشه‌بندی در یادگیری ماشین استفاده کرد تا انبوهی از وام‌ها را تحلیل و ناهنجاری‌های زمینه‌ای را شناسایی کند؛ نظیر مواردی که مقدار یکی از ویژگی‌ها با مقادیر سایر ویژگی‌ها ناسازگار است. بانک دیگری از هوش مصنوعی و پردازش زبان طبیعی در صدها هزار رکورد استفاده کرد تا شغل گم‌شده مشتری را به‌طور دقیق پیش‌بینی کند. برای انجام این کار، برنامه از اطلاعاتی استفاده کرد که به‌صورت متن آزاد (free-form text) در حین ورود به سیستم اخذ شده بود و آنها را با منابع داده‌ از شخص ثالث ادغام کرد.

در مقطع کنونی، مؤسسات پیشرو مشغول بازنگری در چهارچوب کنترل داده خود و ارتقای کامل آن هستند. آنها در حال توسعه طبقه‌بندی‌های ریسک به‌صورتی همه‌جانبه‌اند که قادر است انواع ریسک‌های داده‌ (مبتنی بر دقت، تناسب زمانی یا تمامیت) را شناسایی کند. آنها انتخاب می‌کنند که از چه نوع کنترلی استفاده شود و همچنین حداقل استانداردها را برای هر نوع کنترل تعیین می‌کنند. با این همه، بانک‌ها کماکان در تلاش‌اند تا به کنترل‌های پیچیده‌تری دست یابند، نظیر کنترل‌هایی که علاوه بر استفاده از یادگیری ماشین، سطوح بالاتری از اتوماسیون را در سراسر چرخه عمر داده‌ به کار می‌بندند.


آزمایش تراکنش


آزمایش تراکنش که به آن ردیابی داده یا آزمایش حساب نیز گفته می‌شود، به مقایسه مقدار داده در پایان سفر با مقدار آن در ابتدای سفر می‌پردازد. بانک‌ها از آزمایش تراکنش استفاده می‌کنند تا اعتبار و دقت داده‌های استفاده‌شده در گزارش‌های کلیدی را بسنجند تا مشخص شود آیا قوانین «جعبه‌سیاه» به‌درستی اجرا شده‌اند یا خیر.

در این بین، رگولاتورها نیز به بانک‌ها فشار می‌آورند تا قابلیت‌های خود در آزمایش تراکنش را تقویت کنند، البته بانک‌ها نیز تمایل زیادی پیدا کرده‌اند تا در این حوزه تمرکز بیشتری کنند؛ چراکه بیش از پیش درک می‌کنند که داده‌های باکیفیت می‌تواند به تصمیم‌گیری‌های استراتژیک منتهی شده، امکان مدل‌سازی دقیق‌تری را میسر ساخته و در نتیجه، اعتماد را در میان مشتریان و سهام‌داران بهبود بخشد.

بانک‌هایی که در حوزه آزمایش تراکنش قابلیت‌های ممتازی دارند، در سه حوزه می‌درخشند:

  • دسته اول، مدل‌های عملیاتی کاملاً تعریف‌شده‌ای دارند که آزمایش تراکنش را به‌صورت مستمر اجرایی کرده و نقش‌ها و رویه‌ها و نظارت حاکمیتی شفافی دارد. یافته‌های حاصل از آزمون‌های تراکنش به فرایندهای مبتنی بر حاکمیت داده هدایت می‌شوند؛ جایی که تأثیر مسائل شناسایی‌شده، ارزیابی و ترمیم آنها در دستور کار قرار می‌گیرد.
  • دسته دوم، با استفاده از فناوری و ابزار نوین، آزمایش تراکنش را به‌صورت استراتژیک، خودکار و تسریع می‌کنند. البته هنوز هیچ ابزاری وجود ندارد که تمامی فرایند را پوشش دهد؛، با این حال، بانک‌های پیشرو با ادغام ترکیبی از بهترین راه‌حل‌ها، برای قابلیت‌های حیاتی (نظیر مدیریت و بازیابی اسناد) راهکار ارائه می‌دهند.
  • دسته سوم، رویکردی ریسک‌محور را اعمال می‌کنند تا متدولوژی خود برای آزمایش تراکنش را پایه‌گذاری کنند. به‌عنوان مثال، بانک‌های پیشرو با ترکیب مادیت و اهمیت داده‌ها با سایر ملاحظات، گروه مورد نظر برای آزمایش را انتخاب می‌کنند. این ملاحظات می‌تواند شامل استمرار مشکلاتی باشد که در آزمایش‌‎های قبلی شناسایی شده است. به‌طور مشابه، اندازه و گزینش نمونه‌ها از دل گروه مورد نظر، مرتبط با ویژگی‌های ریسک همان گروه خواهد بود. اکثر بانک‌های پیشرو نمونه‌های حداقلی (به لحاظ اندازه) و نمونه‌گیری تصادفی را ترجیح می‌دهند؛ این در حالی است که برخی نیز از پروفایل‌سازی داده برای آگاهانه‌کردن نمونه‌گیری خود استفاده می‌کنند و اکثر نمونه‌ها را از حساب‌هایی استخراج می‌کنند که به‌صورت بالقوه مشکل‌سازند.

به‌طور کلی، بانک‌ها پیشرفت قابل توجهی در برنامه‌های داده‌محور خود داشته‌اند؛ با این همه، رویکرد آنها برای ایجاد قابلیت‌های مدیریت داده از منظر هزینه، ریسک و ارزش ارائه‌شده بسیار متفاوت است. حال که از طرف رگولاتور رهنمودهای هماهنگ‌تری وجود ندارد، صنعت بانکداری موظف است بر اساس سرعت اتوماسیون و ریسک‌هایی که باید مدیریت شوند، درصدد چهارچوبی گسترده‌تر و هماهنگ‌تر باشد تا پایداری را در اقدامات داده‌محور تضمین کند.

منبع عصر تراکنش
ارسال یک پاسخ

آدرس ایمیل شما منتشر نخواهد شد.