سید علی طباطبایی، مدیر راهکارهای تحلیل داده داتین / تصور کنید دو گزارش از تعداد تراکنش‌های موفق یک بانک تهیه می‌شود. هر دو گزارش از یک مخزن داده استفاده می‌کنند، اما نتایج متفاوتی نشان می‌دهند. آیا یکی از گزارش‌ها اشتباه است؟ لزوما نه. ممکن است هر دو گزارش بر اساس تعاریف متفاوتی از یک شاخص تهیه شده و هر دو از منظر خود درست باشند.
برای مثال، ممکن است در یک گزارش، تراکنشی که ابتدا موفق ثبت شده اما بعدا برگشت خورده، همچنان در شمار تراکنش‌های موفق قرار بگیرد اما گزارش دیگر، آن را محاسبه نکند. همین تفاوت ظاهرا ساده می‌تواند به دو تصویر متفاوت از عملکرد یک بانک منجر شود. این مثال، یکی از مسائل مهم بانکداری داده‌محور را نشان می‌دهد. اینکه داشتن داده یک موضوع است و توانایی استخراج اطلاعات معتبر و قابل اتکا از آن، موضوعی دیگر.
از سوی دیگر، معماری داده و ایجاد انباره‌های داده در بانکداری، صرفا برای متمرکز کردن اطلاعات نیست. هدف این است که داده‌های پراکنده با قواعد مشخصی دریافت، یکپارچه و آماده بهره‌برداری شوند تا بتوان بر اساس آنها گزارش‌های معتبر و شاخص‌های مدیریتی تولید کرد. حقیقت این است که در پردازش داده‌های بانکی، همیشه با اطلاعات کامل و بدون خطا مواجه نیستیم. ممکن است یک تراکنش چند بار ثبت شده باشد، اطلاعات آن با تاخیر تکمیل شود یا تراکنشی که در ابتدا موفق بوده، در مرحله بعد برگشت بخورد. در چنین شرایطی، نمی‌توان تنها با حذف داده‌های ناقص یا تکراری مسئله را حل کرد. باید برای هر وضعیت، قواعد مشخصی وجود داشته باشد. گاهی لازم است یک رکورد تکراری با برچسب مشخص نگه‌داری شود و گاهی داده ناقص باید تا زمان تکمیل اطلاعات در وضعیت انتظار باقی بماند.
برای جلوگیری از این اختلاف‌ها، باید برای هر شاخص، تعریف مصوب، دامنه کاربرد و مسئول مشخصی وجود داشته باشد. برای نمونه، تعریف «تراکنش موفق» باید وضعیت تراکنش‌های برگشتی و زمان نهایی‌شدن نتیجه را روشن کند. تغییر این تعریف نیز باید ثبت شود تا تفاوت گزارش‌ها قابل ردیابی و شرایط مقایسه آنها روشن باشد. فرد مسئول و مسلط در کسب‌وکار مربوطه با همکاری تیم داده، باید مرجع رفع ابهام و حل اختلاف میان گزارش‌ها باشد.
داده و تصمیم‌های حساس مالی
اهمیت این موضوع زمانی بیشتر می‌شود که داده‌های بانکی مبنای تصمیم‌های حساس قرار می‌گیرند. اعتبارسنجی مشتریان، ارزیابی ریسک، شناسایی رفتارهای مشکوک و کشف تقلب، همگی به کیفیت اطلاعات وابسته‌اند. یک خطا در ثبت یا پردازش داده ممکن است از یک گزارش مدیریتی فراتر برود و بر تصمیمی اثر بگذارد که مستقیما با حقوق و منافع مشتری ارتباط دارد. برای مثال، اطلاعات نادرست می‌تواند در ارزیابی رفتار مالی یک فرد تاثیر بگذارد و باعث شود وضعیت اعتباری یا میزان ریسک او به اشتباه تفسیر شود.
بنابراین، کیفیت داده صرفا یک دغدغه فنی نیست؛ بخشی از مسئولیت بانک در قبال مشتریان و تصمیم‌هایی است که بر اساس اطلاعات آنها گرفته می‌شود. بانکداری داده‌محور هم به معنای فراهم‌کردن دسترسی نامحدود به اطلاعات نیست. برعکس، هرچه کاربرد داده گسترده‌تر می‌شود، اهمیت حکمرانی داده و حفاظت از اطلاعات نیز افزایش پیدا می‌کند.
کنترل دسترسی و ردیابی استفاده از داده
اینجا موضوع معماری داده مطرح می‌شود. در این بخش، دسترسی افراد و سامانه‌ها باید متناسب با نیاز واقعی آنها تعریف شود. مدیری که برای تصمیم‌گیری به یک شاخص تجمیعی نیاز دارد، الزاما نباید به جزئیات تراکنش‌های تک‌تک مشتریان دسترسی داشته باشد. حتی فردی که مسئول طراحی یک مدل داده است، لزوما به تمام اطلاعات واقعی موجود در آن نیاز ندارد.
این کنترل باید در هر دو سطح زیرساخت و بهره‌برداری اعمال شود. همچنین ضروری است مشخص باشد چه کسی، در چه زمانی، به چه اطلاعاتی دسترسی داشته و چگونه از آنها استفاده کرده است. ردیابی فعالیت‌ها، مدیریت مجوزها و امکان لغو دسترسی، اجزای ضروری حکمرانی داده هستند. بدون این سازوکارها، توسعه خدمات داده‌محور می‌تواند با افزایش ریسک‌های امنیتی و تهدید حریم خصوصی همراه شود.
همین الزاماتِ اعتبار، ردیابی و مسئولیت‌پذیری، هنگام استفاده از داده در سامانه‌های هوش مصنوعی نیز تعیین‌کننده‌اند. سامانه‌ای که بر پایه داده نامعتبر یا تعاریف مبهم کار می‌کند، صرفا با استفاده از یک مدل پیشرفته به خروجی قابل اتکا نمی‌رسد. از این رو، ارزیابی هوشمندسازی باید ادامه همان قواعدی باشد که برای کیفیت و حکمرانی داده تعریف شده‌اند.
بررسی و تعیین دستاوردهای هوش مصنوعی
فرض کنیم یک بانک اعلام کند که با راه‌اندازی یک سامانه مبتنی بر هوش مصنوعی، زمان بررسی درخواست‌های مشتریان را ۵۰ درصد کاهش داده است. در نگاه اول، دستاورد قابل توجهی به نظر می‌رسد، اما آیا صرف راه‌اندازی سامانه و اعلام این عدد برای اثبات موفقیت آن کافی است؟
برای ارزیابی چنین ادعایی باید به چند پرسش پاسخ داد:
- زمان بررسی کدام درخواست‌ها کاهش پیدا کرده است؟
- این تغییر در چه بازه‌ای و نسبت به چه مبنایی اندازه‌گیری شده است؟ آیا حجم و نوع درخواست‌ها در دو دوره قابل مقایسه بوده‌اند؟
- کیفیت تصمیم‌گیری چه تغییری کرده و آیا کاهش زمان با افزایش خطا همراه نبوده است؟
پاسخ به این پرسش‌ها تفاوت میان استفاده از یک ابزار فناورانه و بهره‌برداری موثر از آن را مشخص می‌کند. در بانکداری، صرف داشتن داشبورد، مدل داده یا سامانه هوش مصنوعی به معنای داده‌محور یا هوشمند شدن نیست. ارزش فناوری زمانی مشخص می‌شود که بتوان تاثیر آن را بر کیفیت خدمات و تصمیم‌های بانکی اندازه‌گیری و اثبات کرد.
از عملکرد آزمایشی تا نتیجه عملیاتی
ممکن است یک سامانه در محیط آزمایشی عملکرد مناسبی داشته باشد، اما پس از ورود به فرآیندهای عملیاتی بانک، با محدودیت‌هایی در سرعت، کیفیت پاسخ یا پایداری مواجه شود. بنابراین، ارزیابی یک ابزار نباید صرفا به قابلیت‌های اعلام‌شده از سوی توسعه‌دهنده محدود بماند. برای مثال، در اعتبارسنجی هم صرف افزایش سرعت بررسی درخواست‌ها معیار کافی نیست. باید عملکرد مدل در پیش‌بینی رفتار مشتریان و پیامد تصمیم‌های آن در طول زمان ارزیابی شود. برای اثبات اثربخشی هر سامانه هوشمند، لازم است از ابتدا مسئله، وضعیت مبنا و معیارهای موفقیت روشن باشند. مقایسه پیش و پس از اجرا نیز به‌تنهایی سهم سامانه را در بهبود ثابت نمی‌کند؛ تغییر نوع درخواست‌ها، حجم کار یا فرایندهای دیگر می‌تواند بر نتیجه اثر بگذارد. بنابراین، ارزیابی باید تا حد امکان در شرایط قابل مقایسه انجام شود و محدودیت‌های شواهد نیز مشخص باشند.
زیرساخت و حریم خصوصی؛ پیش‌نیاز خدمات هوشمند
دامنه استفاده از هوش مصنوعی در بانکداری، علاوه بر توانایی مدل‌ها، به آمادگی زیرساخت و فرایندهای عملیاتی وابسته است. کیفیت داده، پایداری سرویس‌ها، زمان پاسخ و کنترل‌های امنیتی تعیین می‌کنند که یک قابلیت هوشمند تا چه اندازه می‌تواند وارد خدمت روزمره مشتری شود.
بانک‌ها برای بهره‌برداری از این مدل‌ها به زیرساختی نیاز دارند که داده مورد نیاز را با کیفیت مناسب و در زمان متناسب با کاربرد در اختیار سامانه قرار دهد. در کاربردهای حساس به زمان، مانند شناسایی تراکنش مشکوک هنگام وقوع، پردازش نزدیک به زمان رویداد اهمیت بیشتری دارد. در سایر کاربردها، تناسب زمان پاسخ با نیاز خدمت و هزینه اجرای آن ملاک است. از سوی دیگر، توسعه مدل‌هایی که برای تحلیل یا تولید پاسخ به اطلاعات مشتریان نیاز دارند، نباید به انتقال یا افشای کنترل‌نشده داده‌های حساس منجر شود.
آینده بانکداری و خدمات با دستیارهای هوشمند
یکی از مسیرهای قابل تصور برای آینده بانکداری، حرکت از خدمات مبتنی بر منوها و فرم‌های متعدد به خدماتی است که مشتری نیاز خود را با زبان طبیعی بیان می‌کند. در چنین الگویی، دستیار هوشمند می‌تواند با دسترسی مجاز به اطلاعات مرتبط، وضعیت یک درخواست را توضیح دهد، مدارک لازم را مشخص کند، گزینه‌های خدمت را مقایسه کند و مراحل انجام کار را پیش ببرد. ارزش این تجربه زمانی مشخص می‌شود که مشتری با تلاش کمتر، پاسخ روشن‌تر و نتیجه قابل پیگیری دریافت کند.
این تغییر می‌تواند از پاسخ‌گویی فراتر برود و به پیگیری پیوسته خدمت برسد. برای مثال، دستیار می‌تواند در صورت اجازه مشتری، نزدیک‌شدن موعد یک پرداخت را یادآوری کند، درباره هزینه و شرایط یک خدمت توضیح دهد یا درخواست ناتمام را تا رفع نقص دنبال کند. در خدمات سازمانی نیز می‌توان از آن برای گردآوری اطلاعات مورد نیاز و هماهنگی مراحل رسیدگی استفاده کرد. تحقق این قابلیت‌ها به اتصال دستیار به سرویس‌های معتبر بانک و حفظ اطلاعات و سابقه درخواست در مراحل مختلف خدمت وابسته است؛ افزودن یک رابط گفت‌وگو به‌تنهایی چنین تجربه‌ای ایجاد نمی‌کند.
با گسترش این خدمات، محدوده اختیار دستیار باید برای مشتری و بانک روشن باشد. برای نمونه، در درخواست انتقال وجه، دستیار می‌تواند منظور مشتری را دریافت و جزئیات عملیات را آماده کند، اما احراز هویت، کنترل مجوز و سقف تراکنش، تأیید مشتری و اجرای انتقال باید از مسیر سرویس‌های مشخص و قابل نظارت انجام شود. پاسخ نامطمئن یا درخواست خارج از اختیار نیز باید به مسیر رسیدگی مناسب یا کارشناس انسانی ارجاع شود. مشتری باید بتواند بداند چه اقدامی انجام شده، نتیجه آن چیست و در صورت خطا چگونه موضوع را پیگیری کند.
در این چشم‌انداز، سنجش موفقیت دستیارهای هوشمند باید بر نتیجه خدمت متمرکز باشد: چه تعداد درخواست به‌درستی تکمیل شده‌اند، زمان و تلاش مشتری چقدر کاهش یافته، چه میزان خطا یا ارجاع مجدد رخ داده و رضایت مشتری چه تغییری کرده است. افزایش تعداد گفت‌وگوها یا پاسخ‌های تولیدشده، بدون بهبود این نتایج، شاهد کافی برای تحول خدمات بانکی نیست.
برای حرکت به سوی این الگو، بانک می‌تواند از یک خدمت مشخص و قابل سنجش، مانند پیگیری وضعیت درخواست، آغاز کند: ابتدا تعریف داده‌ها و مسئول هر بخش را روشن کند، سپس دسترسی‌های لازم و مسیر ارجاع را تعیین کند و پیش از اجرای محدود، وضعیت مبنا و معیارهای موفقیت را ثبت کند. گسترش خدمت باید به نتایج ارزیابی وابسته باشد.
اعتماد به بانکداری هوشمند زمانی شکل می‌گیرد که مسیر استفاده از داده و مسئولیت تصمیم‌ها روشن و نتایج قابل سنجش باشند. بانک باید بتواند نشان دهد تصمیم‌ها بر پایه چه داده‌ها و قواعدی گرفته شده‌اند و بهبود خدمات با چه شواهدی تأیید می‌شود. در صورت بروز خطا نیز باید امکان ردیابی منشأ آن، اصلاح پیامدها و پاسخ‌گویی به مشتری وجود داشته باشد.
در چنین چارچوبی، دستیارهای هوشمند می‌توانند تجربه خدمات بانکی را دگرگون کنند؛ نیاز مشتری را در گفت‌وگو تشخیص دهند، مراحل دریافت خدمت را به هم پیوند بزنند و درخواست را تا رسیدن به نتیجه دنبال کنند. تحقق این چشم‌انداز به توان بانک در پیوند دادن داده معتبر، سرویس‌های قابل اتکا و اختیار مشخص دستیارها وابسته است. معیار پیشرفت نیز کیفیت تجربه مشتری خواهد بود: اینکه کار او چقدر ساده‌تر، دقیق‌تر و با حفظ اختیار و حریم خصوصی‌اش انجام می‌شود.
