0
0

Big Data چیست و در بانکداری چگونه از آن استفاده می‌شود؟

۱۳:۳۰ - ۱۳۹۶/۶/۲۲کد خبر: 133096
بانکها و شرکت‌های پرداخت چگونه می‌توانند از Big data منتفع شوند؟

به گزارش گروه تحقیق و ترجمه عصر بانک؛در بازاریابی و فروش اهداف اصلی استراتژیک شامل جذب مشتریان جدید و حفظ و توسعه‌ی مشتریان قدیمی است. سازمانهای خدمات مالی حجم بالایی از داده را تولید می‌کنند؛ مواردی همچون سوابق خرید، داده‌های کاربری، سوابق جست و جو یا داده‌های ورودی روزانه در شبکه‌های اجتماعی. بازاریابان با بکارگیری درست و عاقلانه‌ی این داده‌ها می‌توانند به اهداف عمده‌ی بازاریابی خود بصورت موثرتری دست پیدا کنند.

 

در طول سالیان گذشته، Big Data در بسیاری از صنایع بر سر زبان‌ها بوده است، اما فهمیدن اینکه چگونه می‌توان از Big Data برای بهبود ارزش کسب و کارها استفاده کرد یا اینکه بازاریابان چه کاربردهایی ازBig Data را باید در نظر بگیرند که در آن هم از نظر زمانی و هم مالی سرمایه گذاری کنند، کاری سخت و پیچیده است.

 

هدف ما در این مقاله نشان دادن لیست جامعی از موارد استفاده‌ی این داده‌ها و ارزش آنها است که امروزه توسط تیم‌های موفقی در سراسر دنیا به کار گرفته شده است. ما این موارد را در صنعت بانکداری بررسی می‌کنیم.


تعریف Big Data

 

یکی از مشکلات کلیدی رو در رو با هر تحقیقی بر سر Big Data این است که خود واژه بسیار گنگ و نامفهوم است و یک جست و جوی ساده در گوگل حاوی میلیون‌ها صفحه می‌شود که هر کدام تعریفی از این واژه را بکار گرفته اند. این می‌تواند منجر به کج فهمی در تعریف Big Data شود. برای جلویگری از هرگونه گمراهی، ما تعریف Big Data را آنطور که در زیر آمده است در نظر می‌گیریم:

 

Big Data زمانی به وجود آمد که مجموعه‌ی داده‌ها آنقدر بزرگ و حجیم و پیچیده شدند که ابزارهای سنتی برای پردازش آنها ناکارآمد شدند. با جمع‌آوری حجم‌ بزرگی از داده از منابع مختلف، Big Data  برای تصمیم‌گیری‌های کسب و کار و شناسایی سریع رفتارها،  بسیار موثر شدند؛ کاری که تا قبل از آن با ابزارهای سنتی مثل BI قابل انجام نبود.

 

گرایشات تحلیل داده

 

Big Data  موضوع روز در طول سالیان گذشته بوده است، اما این روش تنها یک گرایش و یک روند در دراز مدت است. تفاوت مابین این نوع تحلیل داده‌ها در بهترین حالت نامفهوم هستند اما تکنولوژی‌های روز به نظر می‌توانند تمایزی مابین گرایشات قدیمی و جدید ایجاد کنند. تکنولوژی بکارگرفته شده بدون شک Hadoop است، یک اکوسیستم نرم‌افزاری باز که برای تحلیل آماری داده‌های بزرگ طراحی شده است.

 

هادوپ یک چارچوب نرم‌افزاری ‌باز است که پردازش‌ ‌داده‌های بزرگ را بر روی خوشه‌هایی از سرورها ممکن می‌سازد.

 

توانایی Hadoop و انعطاف پذیری آن برای بررسی کردن داده‌های پیچیده موجب ایجاد فرصت‌های جدیدی برای استخراج ارزش از داده‌های حجیم سازمانی می‌شود. BigData همچنین موجب می‌شود که این داده‌ها‌ی داخلی با داده‌های مشابه خارجی نیمه ساختار یافته در حجم بیشتری از منابع عمومی و شبکه‌های اجتماعی یکپارچه شوند؛ این کار موجب می‌شود که ارزش بدست آمده از داده بسیار بیشتر شود. ترکیب و پردازش داده‌های داخلی و خارجی توسط ابزارهای تحلیلی و ابزارهای مدیریتی سنتی قبل از عصر Big Data امکان پذیر نبود.

 

 

OLAP - سال  1997 - جدول‌ داده‌های چند بعدی


هوش کسب و کار (BI)  - سال 2000 - تصمیمات برگرفته از داده و ابزارهای گزارش‌دهی


ابزار تحلیلی - سال 2010 -  تحلیل‌های ریاضی و آماری


BigData  - زمان حال - داده‌های بزرگ نیمه ساختاریافته


----

تعاریف


داده


داده می تواند هم ساختار یافته باشد و هم بدون ساختار. اغلب متادیتاهای بیشماری به داده‌ها الصاق می‌شوند که می توانند همانند خود داده مفید و کاربردی باشند. مقیاس منابع داده‌ای می‌تواند بسیار بزرگ باشد که پایگاه داده‌های شرکتی و کانال‌های اینترنتی را نیز شامل شود.

 

تکنولوژی


تکنولوژیهایی همچون اکوسیستم Hadoop از ابتدا به این منظور طراحی شده اند که بتوانند داده‌های پیچیده و بزرگ را مدیریت و تحلیل کنند. ویژگی که مخصوص Big Data است. چیزی که Hadoop را قدرتمند می‌سازد توانایی این نرم افزار برای توزین خطی با پیچیدگی فزاینده‌ی داده‌ها است و همین کار باعث می‌شود این نرم افزار به ابزاری ارزشمند تبدیل شود.

 

سایز  Big Data


Big Data، شامل حجم بزرگی از داده است اما این بزرگی چقدر است؟ هیچ جواب برای این سوال وجود ندارد اما زمانی که سیستم‌های سنتی نمی‌توانند داده را تحلیل کنند و Hadoop به میدان می‌آید، در می‌‌یابیم که  Big Data است.

 

5 مورد استفاده از Big دیتا برای / جذب مشتری / توسعه‌ی مشتری / حفظ مشتری

 

1.  تحلیل تمایلات


ارزیابی گفته‌های مشتریان برای افزایش موفقیت بازاریابی / شناسایی مشتریان کلیدی برای بهبود روشهای بازاریابی / بررسی بازخورد مشتری به جهت بهبود کیفیت محصولات و خدمات

 

2. مشتری 360


شناسایی پروفایل مشتریان / شناسایی میزان جذب مشتری به محصولات / شناسایی زمان ترک مشتری


3. بخش‌بندی مشتری


طراحی برنامه‌های هدفمند بازاریابی / ایجاد برنامه‌های وفادار کردن مشتری به برند مبتنی بر عادات رفتاری آنها / بهینه ساختن استراتژی قیمتی / ایجاد روابط با مشتریان با ارزش


4. بهترین پیشنهاد بعدی


بهبود سطح وفادار ماندن مشتری از طریق پیشنهادات هدفمند / افزایش میل مشتری نسبت به محصولات / یکپارچه کردن محصولات به جهت افزایش درآمد


5. مسیر طی شده توسط مشتری


مهیا کردن محتوای مرتبط از طریق کانال‌های مورد علاقه / شناسایی رفتارهای چند کاناله‌ که منجر به فروش می‌شود / اندازه گیری تاثیربخشی بازاریابی در کانال‌ها
 

مشاهده مطالب مربوط به آموزش بانکداری و پرداخت الکترونیکصفحه نخستمطالب آموزشی
ارسال به دوستان با استفاده از: تلگراملینکدین


» ارسال نظر
نام:
آدرس ایمیل:
متن: *
عدد روبرو را تایپ نمایید




اطلاعات تصویری