صنعت بانکداری

مدیریت عملکرد شعب، برای بسیاری از بانک ها به عنوان یکی از مهم ترین نهادهای اقتصادی، پولی و مالی کشور دارای نقشی حیاتی است. بررسی وضعیت نقدینگی بانک، از طریق مدیریت منابع و مصارف در دوره ­های زمانی مختلف، بررسی روند سود آوری حاصل از سرمایه گذاری بانک ها، نظارت و کنترل داخلی بانک و کسب اطمینان از سلامت مالی و ارتقای سطح خدمات بانکداری الکترونیکی، به عنوان یکی از عوامل اصلی کسب مزیت رقابتی در صنعت بانکداری، نقشی اساسی در افزایش سطح رضایت مندی مشتریان ایفا می کند. در ذیل به برخی از مشکلات بانک ها در مدیریت داده ها اشاره می­ شود:

  • دشواری تحلیل اطلاعات گذشته مشتریان به منظور مدیریت و تحلیل رفتار آتی آن­ها
  • دشواری نگهداری، مدیریت و تحلیل حجم عظیم داده های روزانه، ناشی از عملیات های بانکی
  • نگهداری حجم عظیمی از داده ­های خام که به تنهایی و بدون تحلیل، اطلاعاتی را منعکس نمی­ کنند.
  • مدیریت ریسک ­های بانکی

صنعت بانکداری، به عنوان یکی از مهم­ترین نهادهای اقتصادی، پولی و مالی کشور، با چالش­ های متعددی روبه­ رو است. تقابل عامل­ های محیطی و انتظار ذی­نفعان برای بانک ها، ریسک­ هایی را پدید می­ آورد که نیازمند مدیریت مناسب می ­باشد. بانک­ ها باید به طور مداوم به شناسائی، اندازه ­گیری، تقلیل و مانیتور کردن ریسک­ های بانکی بپردازند و نهایت تلاش خود را در جهت انطباق با مقررات بانک مرکزی و بانکداری بین المللی مانند بازل ۳ را به کار گیرند. ریسک‌هایی که به طور عمده، بانک‌ها با آن مواجه‌اند، عبارتند از: ریسک اعتبار، ریسک بازار و ریسک عملیاتی.

  1. ریسک اعتبار

به احتمال عدم بازپرداخت تعهدات وام­ گیرنده اشاره دارد. هوش تجاری این امکان را برای بانک ها فراهم می کند تا از طریق ایجاد پایگاه داده­ هایی یکپارچه، از وام گیرندگان و حوزه‌های ریسکی کسب ‌وکار، این ریسک را کاهش دهند. تحلیل‌هایی که بر روی معاملات و تراکنش‌های قبلی یک وام گیرنده انجام می‌شود، به پیش‌بینی آماری رفتار وی در آینده کمک می­ کند. این اطلاعات به بانک‌ها کمک می‌کند تا مکانیزم‌های وام‌دهی و نمره‌دهی ریسک خود را تصحیح کنند.

  1. ریسک بازار

از نوسانات متغیرهای بازارهایی که بانک‌ها بیشتر با آنها تعامل دارند، ناشی می‌شود. تحلیل بر روی داده‌های تاریخی، می‌تواند سبد بانک را با پر رنگ کردن فرصت‌های تنوع بخشی یا کاهش قرارگیری در معرض ریسک یک وام گیرنده مشخص یا بخش صنعت تقویت کند. مدیریت دارایی- بدهی همچنین می‌تواند از طریق مطالعه‌ی داده‌های قدیمی به صورت موثری انجام پذیرد.

  1. ریسک عملیاتی

ریسکی است که از خطای انسانی، تخلف یا بلایای طبیعی ناشی می‌شود. هرچند نمی‌توان بلایای طبیعی را پیش‌بینی کرد، ریسک‌های ناشی از تخلف یا خطای انسانی را می‌توان به صورت قطعی، از طریق حسابرسی مناسب و کنترل‌های داخلی قوی‌تر چک کرد. هوش تجاری به بانک‌ها کمک می‌کند تا سابقه‌ی جامعی، از تمام تراکنش‌های مالی و غیرمالی کارمندان و سایر ذینفعان خود را نگهداری کنند تا کوچک‌ترین انحراف از فرایندهای مقرر روشن شود. هم چنین یک مکانیزم گزارش‌دهی مناسب، می تواند شفافیت در تراکنش‌های بانکی را تضمین کند و ریسک عملیاتی را کاهش دهد.

  • مدیریت ارتباط با مشتری

هوش تجاری می‌تواند در انتقال مدل کسب ‌وکار از حالت محصول محور، به مشتری محور کمک کند. داده‌کاوی یک تکنیک هوش تجاری است که شامل کنکاش عمیق در داده‌های موجود کسب ‌وکار برای کشف الگو، روند و همبستگی‌های پنهان می‌باشد. جستجو در اطلاعات شخصی مشتریان، می‌تواند نشانه‌هایی از تقاضاهای آینده را بدهد. این امر به بانک‌ها این توانایی را می دهد تا مشتریان سودآور را شناسایی و حفظ کنند و همچنین مشتریانی که سودآور نیستند را فیلتر کنند، زیرا هزینه‌ی جذب یک مشتری جدید از هزینه‌ی نگهداری یک مشتری قدیمی به مراتب بیشتر است. هوش تجاری این امکان را برای بانک‌ها فراهم می کند تا پروفایل مشتریان خود را براساس نیازها و سایر ویژگی ها داشته باشند. بانک ها می توانند از این اطلاعات برای اختصاص محصولات، خدمات و امتیازات خاص، برای مشتریان خاص استفاده کنند. با پیاده سازی هوش تجاری، بانک ها این توانایی را خواهند داشت که با تجزیه و تحلیل عملکرد مشتری، در طی دوره زمانی موردنظر، وضعیت ریزش مشتریان (Churn Analysis) در هر طبقه مشتری را، بررسی کنند و مبتنی بر آن استراتژی های مناسبی را تدوین کنند.

  • تجزیه و تحلیل عملکرد بانک در سطح شعب

گزارش های هوش تجاری به بانک ها این امکان را می دهد که با بررسی وضعیت سپرده های دریافتی، تسهیلات اعطایی و مدیریت منابع و مصارف به تفکیک سرپرستی و شعب، عملکرد سرپرستی و شعب را بررسی کرده و وضعیت آن ها را نسبت به یکدیگر مقایسه نمایند و از این طریق برنامه ها و رویکردهای مقتضی و متناسب با وضعیت هر شعبه را طرح ریزی کنند. طراحی شاخص های تحلیلی، به منظور بررسی وضعیت درآمدهای بانکی و سهم درآمدهای غیر مشاع از کل درآمدهای بانک، این امکان را به بانک ها می دهد که سطح سود و زیان خود را شناسایی کرده و بتوانند کارایی عملکرد شعب خود را بررسی و آن ها رتبه بندی نمایند.

  • بررسی سوددهی کانال های بانکی

هوش تجاری این توانایی را به بانک ها می دهد که با بررسی رشد تعداد و مبلغ تراکنش های هر کانال، رتبه بندی کانال های بانکی از نظر میزان سوددهی، بررسی وضعیت سهم بازار خود در مقایسه با رقبا و بررسی روند زمانی تعداد کاربران فعال در هر کانال بانکی، وضعیت آتی هر کانال بانکی را پیش بینی نموده و استراتژی مناسب را برای بهبود سوددهی کانال ها طرح ریزی کند که این کار به نوبه خود، باعث بهبود سطح خدمات بانکداری الکترونیکی شده و در نتیجه، موجب افزایش سطح رضایت مندی مشتریان و بالارفتن سهم درآمدهای غیرمشاع، به عنوان استراتژی مهمی که مدنظر اکثر بانک ها است، می شود.

  • تحلیل روندهای تاریخی

بانک‌ها، برای طراحی فعالیت‌های آتی خود، نیاز به تحلیل داده‌های گذشته دارند. تحلیل‌های هوش تجاری، از جمع آوری اطلاعات مربوط به شعب، کارکنان، سپرده‌ها، تسهیلات اعطایی، فروش و هزینه، سود و زیان و … به صورت اعداد مطلق و یا درصدی می‌باشند و ممکن است به تفکیک محصول، بخش، پروفایل مشتری، موقعیت جغرافیایی، زمان و یا ساختار توزیع باشند.

هوش تجاری این داده‌ها را در قالب شاخص‌هایی مانند: سودآوری محصول تحلیل می‌کند، شناخت نیازهای مشتری را بهبود می‌بخشد، نواحی محوری و فرصت‌های جدید بازار را شناسایی می‌کند و روشن می‌سازد چه محصولاتی نیاز به قیمت‌گذاری مجدد دارند، کدام محصولات باید حذف شوند و چه محصولات دیگری باید معرفی شوند. به کمک این تحلیل‌ها، بانک‌ها می‌توانند انحراف دستاوردها را از اهداف، کنترل کنند و برای درمان این مسائل اقدام نمایند.

  • تسهیل ارائه گزارشات به نهادهای داخلی و خارجی ذینفع بانک ها و رعایت مقررات بانکی

بانک ها ملزم به ارائه گزارش‌های متعدد به نهادهای قانونی خارجی و واحدهای داخلی هستند. بانک ها، برای ارائه دقیق، آسان و به موقع این گزارش‌های مبتنی بر داده، که در صورت عدم ارائه با اقدامات سختگیرانه از سوی نهادهای قانونی مواجه خواهند شد، داده‌های مربوط به تمامی وقایع و تراکنش‌ها را نگهداری می کنند. هوش تجاری این امکان را فراهم می آورد تا بانک ها تمامی داده‌های مرتبط را جمع‌آوری کرده و گزارشات مورد نظر خود را در کمترین زمان ممکن ودر قالب‌های مورد نیاز مرتب ساخته و ارائه کنند.

  • پیگیری سوء استفاده های مالی و کشف، ردیابی کلاهبرداری، تقلب و پولشویی

پدیـده پولشـویی، سـلامت مؤسسـات مالـی را به خطـر مـی انـدازد و هم چنیـن بـه اشـکال گوناگون، موجـب بی ثباتـی آن هـا می شـود. افزون بر آن، سبب ریسک شهرت، ریسک های قانونی و ریسک های عملیاتی می گردد که هزینه های سنگینی بر بانک ها تحمیل می کند. بنابراین در صورتی که راه حل مناسبی برای مبارزه با متخلفان اتخاذ نشود، این خسارات، منجر به ورشکستگی بانک یا موسسه مربوطه می‌گردد. سامانه ضدپولشویی (َAnti-Money Laundering) به منظور تجزیه و تحلیل اطلاعات مالی، نیازمند یک انبار داده متمرکز است و از این رو شباهت نزدیکی با سیستم های هوش تجاری دارد. سنگ بنای هردو سامانه طراحی و ایجاد انبار داده، طراحی و ساخت مکانیزم‌های ETL، طراحی و اجرای رویه‌های تحلیل داده و طراحی و ساخت داشبورد گرافیکی، برای نمایش نتایج به کاربران است. در همین راستا هوش تجاری به کمک مجموعه‌ای از ابزارها، تکنولوژی‌ها و فرآیندها کار یکپارچه‌سازی، تلفیق، پالایش و تحلیل اطلاعات موجود در پایگاه‌های مختلف اطلاعاتی سازمان را انجام داده و دانش مورد نیاز، برای انجام تحلیل های سامانه ضدپولشویی را فراهم می کند. پیاده سازی این سیستم موجب کاهش نیروی انسانی مورد نیاز برای بررسی، شناسایی و رسیدگی به موارد مشکوک شده، امکان نظارت متمرکز بر موارد مشکوک را افزایش داده و باعث کاهش انبوه گزارش های کاغذی می شود. این سیستم به بانک ها کمک می کند که با حذف خطای انسانی در تولید گزارش ها، گزارش هایی دقیق و در کم ترین زمان ممکن، برای نهادهای ذیربط تهیه کنند.

  • توانایی و تجربه کافی در استخراج مکانیزه داده از سامانه‌های مالی، اداری و … متداول در کشور (همانند همکاران‌سیستم، رایورز، سندپرداز، نماد ایران، چارگون، بریدسامانه، تدوین فرایند، CSD و …) بدون وابستگی به شرکت‌های تولیدکننده (برندها) و تکنولوژی‌های بانک‌های اطلاعاتی
  • عدم وابستگی به تکنولوژی‌های پیاده‌سازی انبار داده (Data Warehouse) و هوش تجاری همانند Microsoft و Oracle و ابزار لایه‌ی نمایش اطلاعات و داشبوردها (هر ابزار OLAP Support در این لایه قابل‌استفاده می‌باشد)
  • ارائه‌ی ابزار نمایش اطلاعات و داشبورد به‌صورت رایگان و عدم نیاز به پرداخت هزینه لیسانس و عدم محدودیت در تعداد کاربر
  • توانایی و تجربه در مدیریت و نگهداری اطلاعات با مقیاس بسیار بزرگ (Big Data) همچون انبارهای داده بانکی و مخابراتی با میلیاردها رکورد
  • توانایی اتصال به منابع داده­ای با تکنولوژی‌های قدیمی برای نمایش روند تاریخی داده‌ها و استفاده از عمق اطلاعات
  • توانایی اتصال مکانیزه به منابع داده‌ای بیرونی مانند بورس، کدال، گمرک و …
  • استفاده از ابزارهای استاندارد و روتین در طراحی و پیاده‌سازی سامانه در همه بخش‌ها جهت جلوگیری از وابستگی سازمان جهت توسعه سامانه