0
0

هوش تجاری ابری در صنعت بانکداری

۱۶:۳۳ - ۱۳۹۶/۱۱/۲۹کد خبر: 147314
کاهش هزینه‌ها، کاهش مدت زمان ارائه خدمات بانکی، مقیاس‌پذیری بالا، افزایش قابلیت اشتراک‌گذاری داده‌ها و ظرفیت نامحدود در ذخیره‌سازی داده‌ها، بهبود انطباق با اصول و قوانین جهانی، تقویت مبارزه با پولشویی و استفاده بهینه از منابع باعث شده است ۶۵ درصد از بانک‌های جهان تا پایان سال ۲۰۱۷ از هوش تجاری ابری استفاده کنند.

عصر بانک؛استفاده از تکنولوژی های جدید، به ویژه هوش تجاری، به بانکها این فرصت را داد تا با استفاده کامل از پتانسیل عظیم به وجود آمده در سیستم اطلاعات اولیه روزانه، علاوه بر تحلیل روند داده‌های گذشته، بتوانند عملکرد مالی آتی سیستم و بسیاری از شاخص‌های تجاری خود را پیش‌بینی کنند و بهبود بخشند. بانک‌ها با استفاده از این تکنولوژی قادر به مدل‌سازی رفتار مشتری - نه تنها از نظر استفاده از سرویسها و خدمات جدید، بلکه از دیدگاه مدیریت ریسکهای بالقوه- نیز بودند. اما، هوش تجاری در سال‌های اخیر با چالش‌های کلیدی مواجه شد که از آن جمله می‌توان به کیفیت ضعیف داده‌ها و زمان‌بربودن پردازش آنها، نیاز به سرمایه‌گذاری بالا در سخت‌افزارها و به‌روزرسانی دائم نرم‌افزارها اشاره کرد. وجود این شرایط زمینه بازنگری فناوری هوش تجاری و رفع نقاط ضعف این تکنولوژی را برای مهندسین و کارشناسان فناوری اطلاعات فراهم کرد و موجب شکل گیری رهیافتهای جدیدی همچون هوش تجاری ابری گردید.

 

کاهش هزینه‌ها، کاهش مدت زمان ارائه خدمات بانکی، مقیاس‌پذیری بالا، افزایش قابلیت اشتراک‌گذاری داده‌ها و ظرفیت نامحدود در ذخیره‌سازی داده‌ها، بهبود انطباق با اصول و قوانین جهانی، تقویت مبارزه با پولشویی و استفاده بهینه از منابع باعث شده است ۶۵ درصد از بانک‌های جهان تا پایان سال ۲۰۱۷ از هوش تجاری ابری استفاده کنند. لذا در شرایط کنونی سؤال این نیست که آیا بانک‌ها و مؤسسات مالی و همچنین بازارهای سرمایه  باید از هوش تجاری در ابر استفاده کنند یا خیر؟ بلکه پرسش این است که چگونه می‌توان از مزیت این تکنولوژی استفاده بیشتری کرد و جرائم سایبری آن را کاهش داد. لذا با توجه به اهمیت این موضوع و استفاده بسیاری از بانک‌های جهان از این تکنولوژی، سعی بر آن شده است که در این نوشتار، ضمن بررسی چالش‌های هوش تجاری در بانکداری به مزایا و منافع استفاده از هوش تجاری ابری در این حوزه اشاره شود تا پیاده‌سازی آن در بانک‌های کشور افزایش یابد.


هوش تجاری در بانکداری


در دنیای امروز بانک‌ها و مؤسسات مالی دارای مخازن داده الکترونیکی بسیار بزرگی هستند که به خودی خود و بدون تحلیل، اطلاعات خاصی را منعکس نمی‌کنند. لذا برای به دست آوردن اطلاعات مفید و کاربردی و برای پشتیبانی از تصمیم گیری‌های بهتر، استفاده از سیستمهای هوش تجاری توصیه شد. به عبارتی، با خلق یک نسخه واحد، بانک‌ها توانستند از داده‌های واقعی در انجام بهتر و هوشمندانه تر فرایندها کمک بگیرند.


به کارگیری سامانه انباره داده و استفاده از سیستم هوش تجاری موجب شد بانک‌ها از تمرکز صرف در ارائه خدمات بانکی به مدیریت ارتباط با مشتری تغییر وضعیت دهند؛ زیرا بانک‌ها باید علاوه بر ارائه خدمات بانکی، بر تمامی جوانب روابط با مشتری نظارت داشته باشند، به طوری که سود آورترین مشتریان را شناسایی و حفظ کرده و مشتریان جدید را در رقابت‌ها جذب کنند. علاوه بر این، در دنیای بانکداری جدید، مدیران بانکی همواره باید بازارهای جدید و محصولات جدید را شناسایی کنند. بنابراین، بانکها برای دستیابی به این اهداف نیازمند تبدیل داده‌های روزانه به اطلاعات مفیدی هستند که بتوانند ارتباط با مشتری، سودآوری، بهره‌وری از عملیات و همچنین مدیریت ریسک بانک‌ها را ارتقا دهند. لذا هوش تجاری به عنوان یک تکنولوژی توانست با ارائه اطلاعات، بسیاری از چالش‌های موجود در حوزه‌های مختلف بانک را پوشش داده و کاربردهای بسیاری در بخش‌های مختلف بانک مانند سیستم پرسنلی، وام و سوئیچکارت داشته و در نهایت، در تصمیم گیری مدیران در این حوزه‌ها نقش مؤثری را ایفا کرده است.


به طور خلاصه، مهمترین کاربردهای هوش تجاری در حیطه صنعت بانکداری عبارتند از مدیریت ارتباط با مشتری (CRM)، مدیریت عملکرد (PM)، مدیریت ریسک (RM)، مدیریت دارایی و بدهی (ALM) و همخوانی با استانداردها از جمله قوانین بازل، تشخیص تقلب، مدیریت پورت‌فولیو و مبادلات اوراق بهادار، سیستم ضدپولشویی، انبار داده و پردازش تحلیلی آنلاین (OLAP) از پایگاههای اطلاعاتی.


چالشهای کلیدی در پیادهسازی هوش تجاری در بانک‌ها


عملیاتی کردن هوش تجاری و بهره‌گیری از کاربردهای آن مزایای رقابتی زیادی در بانک‎‌ها ایجاد کرد و بسترهای مناسبی را جهت سرمایه‌گذاری افزایشی در زمینه فناوری اطلاعات به وجود آورد به طوری که، هوش تجاری توانست یک سیستم پشتیبانی از تصمیمهای مدیران بانکی در سطح کلان اقتصادی باشد. اگر چه بانک‌ها منتظر دریافت مزایای اساسی پیاده‌سازی هوش تجاری بودند، اما آنها نباید به این تکنولوژی به منزله یک راهکار اساسی معجزه آسیا نگاه می‌کردند؛ زیرا این سیستم، چالش‌های کلیدی نیز به همراه داشت که در این بخش به اختصار توضیح داده می‌شود.


در فناوری هوش تجاری، انباره‌های داده و سایر ابزارهای پردازش رایج به طور خاص برای پردازش کلان داده به صورت مؤثر و سریع طراحی نشده‌اند. حداقل اینکه داده‌ها باید در قالب سطرها و ستون‌ها قرار بگیرند تا آماده پردازش شوند؛ امری که در مورد کلان داده به سختی امکان‌پذیر است و در صورت انجام، پردازش آن نیازمند مدت زمان طولانی خواهد بود. از سوی دیگر، گسترش و ارتقای انباره‌های داده برای پشتیبانی از داده در سطح پتابایت نیازمند سرمایه‌گذاری‌های کلان در بخش سخت افزار است که برای همه سازمان‌ها و بانک‌ها امکان پذیر نیست. بنابراین، استنباط این است که تکنولوژی هوش تجاری و پیاده‌سازی آن در بانک‌ها در صورتی می‌تواند زمینه اتخاذ تصمیم‌گیری بهتر برای مدیران ارشد را فراهم آورد که پایگاه داده عظیم، یکنواخت و سازگار با نرم‌افزارهای تبیین شده داشته باشد. همان گونه که بیان شد برای تحقق این شرایط، سخت‌افزارهایی با قدرت بالا نیازمند است که این امر خود می تواند مخارج هنگفتی برای بانک‌ها به همراه داشته باشد. علاوه بر این، نرم‌افزارهای مورداستفاده در هوش تجاری نیازمند نگهداری امن و به‌روزرسانی مستمر هستند که این امر نیز نیازمند هزینه بالا و اختصاص زمان مشخصی است.


از سوی دیگر، گسترش وب، تلفن‌های همراه هوشمند، حسگرهای الکترونیکی مانند ردیاب ماهوارهای (GPS) و به تبع آن، رشد چشمگیر تنوع داده‌ها در بانک‌ها (مانند داده‌های شبکه‌های اجتماعی، داده‌های مکانی و فایلهای ثبت تراکنش) زمینه ناسازگاری داده‌ها در سطح کلان و عدم انطباق آنها با یکدیگر را فراهم آورده و این امر باعث شده است که استفاده مشترک بانکها از این داده‌ها به سختی صورت پذیرد؛ زیرا داده‌های جدید برخلاف داده‌های سنتی ساختار مشخص و تعیین شده‌ای نداشته و زمان بسیار زیادی برای انطباق و پردازش آنها نیاز است. ‌در جدول (۱) می‌توان تفاوت داده‌های سنتی و داده‌های جدید را مشاهده کرد.

از این رو، بانک‌ها از پیاده‌سازی این تکنولوژی چشم پوشی کرده و تعداد کمی از این نهادها و مؤسسات مالی این فناوری را پیاده‌سازی کرده‌اند.

وجود این شرایط باعث شد مدیران بانک‌ها و مؤسسات مالی، مهندسان فناوری اطلاعات را تحت فشار قرار داده تا بتوانند از این تکنولوژی به عنوان یک عامل تحلیلی - اطلاعاتی کاربردی، نافذ و فراگیر با هزینه کم استفاده کنند. پس از بررسی‌های دقیق تر، کارشناسان این حوزه پارادایم هوش تجاری ابری را مطرح کردند که بستری برای رفع نقاط ضعف این تکنولوژی و جایگزین پیاده‌سازی گران قیمت و پیچیده هوش تجاری در محل سازمان یا نهاد مالی است.

 

هوش تجاری ابری


فناوری رایانش ابری شیوه جدیدی از محاسبات کامپیوتری در فضایی است که قابلیتهای مرتبط با فناوری اطلاعات را به عنوان سرویس و یا خدمت به کاربر عرضه می‌کند و به او این امکان را می‌دهد که بدون نیاز به زیرساخت و یا اطلاعات تخصصی در مورد این فناوری‌ها به سرویسهای مبتنی بر این تکنولوژی در اینترنت دسترسی داشته باشد. محاسبات ابری ساختاری شبیه یک توده ابر است که به واسطه آن، کاربران میتوانند به برنامه‌‌های کاربردی هر مکانی از دنیا دسترسی داشته باشند (سیادت و مظفری مهر، ۱۳۹۵).


براساس تعاریف مؤسسه فناوری و استانداردهای آمریکا (NIST)، رایانش ابری مدلی برای ایجاد دسترسی همگانی به صورت راحت و آسان و بنا به سفارش شبکه و مجموعه‌ای از منابع رایانشی پیکربندی پذیر مانند شبکه‌ها، سرورها، فضای ذخیرهسازی، برنامه‌های کاربردی و سرویسهاست که بتوانند با کمترین نیاز به تلاش‌های مدیریتی یا تعامل با ارائه دهنده سرویس، به سرعت فراهم و یا آزاد و رها شوند (لیاقت، ۱۳۹۰).


خدمات ارائه شده در رایانش ابری را می‌توان در ۳لایه نرم‌افزار به عنوان سرویس(SaaS)»، «پلت فرم به عنوان سرویس (PaaS) و زیرساخت به عنوان سرویس (LaaS) طبقه‌بندی کرد.

 


 

 

 

-لایه «نرم‌افزار به عنوان سرویس» یکی از روش‌های پردازش ابری در زمینه فناوری اطلاعات است. در این لایه، نرم‌افزار یا اپلیکیشن به عنوان یک سرویس و نه یک محصول به کاربران در بستر اینترنت عرضه شده است و مصرف کننده نیازی به تهیه سخت‌افزار برای استقرار نرم‌افزار ندارد. همچنین هزینه های نصب، تعمیرات، نگهداری، به‌روزرسانی و غیره نیز در این مدل برای مصرف کننده وجود ندارد. بهترین نمونه از «نرم افزار به عنوان سرویس» را میتوان خدمات تحت وب آفیس مایکروسافت دانست.


-لایه « پلت فرم به عنوان سرویس» متشکل از پایگاه داده مقیاس پذیر و چندکاربره است. این پایگاه داده در فضای میزبانی ابر پیاده‌سازی شده و کاربر نیازی به نصب نرم‌افزار و یا به روز‌رسانی آن ندارد؛ به طوری که، در این لایه، پایگاه داده بدون مشاهده مدیریت فیزیکی، آمادگی پاسخگویی به درخواست کاربران را دارد و درخواست به‌روزرسانی پایگاه داده از طرف کاربر به این لایه منتقل می‌شود. در این بستر مجموعه‌ای از حداقل‌های موردنیاز برای ساخت یک برنامه خصوصی و ارائه آن توسط ابر مهیا می‌شود. سرور مایکروسافت آژور و موتور اجرای برنامه گوگل مثال‌هایی برای «پلت فرم به عنوان سرویس» هستند.


- لایه «زیرساخت به عنوان سرویس» به طور رایگان زیرساخت را روی اینترنت برای کاربر قرار میدهد. با این اقدام، مکانی برای او فراهم می آورد تا قدرت CPU  یا همان توان پردازشی، فضای ذخیره‌سازی، شبکه‌ها و دیگر منابع اصلی را که به صورت رایانش ابری در اختیار کاربر است، به گونه‌ای که خود می‌خواهد در نرم افزار موردنظر قرار دهد و اجرا کند. کاربر زیرساخت ابری را مدیریت یا کنترل نمی‌کند، ولی بر روی سیستمهای عامل، فضای ذخیره‌سازی، برنامه‌های قرارداده شده و احتمالا گزینش اجزای شبکه بندی (مثل فایروال) کنترل دارد. به بیان دیگر، هدف این بستر آماده کردن سرورهای موردنیاز سازمان‌ها به صورت فیزیکی یا مجازی است که در اغلب اوقات سرویسهای اضافی نیز ارائه می‌شود. سرویس وب آمازون و سیستم ابر اچ پی نمونه‌هایی از «زیرساخت به عنوان سرویس» هستند.


هوش تجاری ابری توانسته است با استفاده از پردازش اینترنت محور، منابع، نرم افزارها و اطلاعات مشترک را از کامپیوترها گردآوری کرده و مزایای زیادی را برای سازمان‌ها و نهادهایی که از آن استفاده میکنند، داشته باشند که در ذیل به اختصار بیان میشود.


• بازدهی هزینه


در سیستم ابری، هزینه مرتبط با خرید سخت‌افزار، نصب نرم‌افزار جدید و یا به روزرسانی آنها در سرورهای محلی کاهش یافته است و کاربران آنها می‌توانند بدون صرف زمان و مخارج اضافی، هوش تجاری در رایانش ابری را پیاده‌سازی کنند؛ به این معنی که، آنها میتوانند به سهولت، استفاده از نرم‌افزارهای خود را بدون تأخیر با هزینه اجباری حتی فارغ از خرید و نصب سخت افزار توسعه دهند. علاوه بر این، این تکنولوژی با دارابودن ویژگی چندین مستأجر، موجب می‌شود هزینه و منابع، میان تعداد عظیمی از کاربران توزیع شود. لذا با کاهش هزینه مالکیت، سازمان‌ها، شرکتها و نهادهای مالی می‌توانند کنترل بهتری در هزینه سرمایه و عملکرد داشته باشند و کاربران در داخل سازمان نیز از منافع حاصل از این تکنولوژی منتفع شوند.


• انعطاف پذیری و مقیاس پذیری


هوش تجاری ابری توانسته است انعطاف پذیری بیشتری را برای دسترسی تکنیکی کاربران به فناوری‌های جدید به ارمغان آورد. سیستم ابری، با ارائه راه حل‌هایی برای هوش تجاری باعث شده است کاربران تجاری قادر به کنترل بهتر مالی و محاسباتی پیرامون پروژه‌های مرتبط با فناوری اطلاعات باشند. برای نمونه، در سیستم ابری توانایی پشتیبانی همزمان از چند کاربر وجود دارد و منابع می‌توانند به طور خودکار و سریع در داخل و خارج مقیاس گذاری شوند.


.ظرفیت نامحدود در ذخیره سازی داده‌ها


هوش تجاری ابری می‌تواند اعتماد را از طریق استفاده از چندین مکان و سخت افزار اضافی بهبود دهد. این تکنولوژی میتواند مکان‌های امنی برای ذخیره داده‌ها میسر سازد و منابع می‌توانند در بین تعداد زیادی از کاربران پراکنده شوند. به عبارتی، کاربران می‌توانند با استفاده از سایتهای مختلف، مکان‌های امن برای ذخیره داده و منابع را افزایش دهند و در مقیاس وسیع از آنها استفاده کنند.


. قابلیت اشتراک گذاری وسیع داده‌ها


اپلیکیشنهای مورداستفاده در هوش تجاری ابری، قابلیت به اشتراک گذاری داده‌ها از راه دور را مسیر میکند و توانمندی ظرفیتهای به اشتراک گذاری آسان داده‌ها را (حتی اگر از طریق اینترنت و یا خارج از فایروال شرکت به کار گرفته شوند) افزایش می‌دهد.


ژاله زارعی

مدیر داخلی انجمن علمی پول و بانک ایران


در مطلب بعدی استفاده از هوش تجاری ابری در بانک ها را بررسی می‌کنیم.
 

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




آخرین اخبار

درک درستی از کارکرد بانک‌ها در کشور وجود ندارد

کمیجانی: اسب سرکش دلار رام شد/ اصلاح نظام بانکی با جدیت پیگیری می شود

حجم سپرده‌های بانکی کشور ۱۷ هزار میلیارد تومان است/ ضرورت بازنگری در قوانین حاکم بر نظام پولی

گیت‌های اخذ عوارض در آزادراه‌ها جمع‌آوری می‌شود

امکان انتخاب کارت های بانک ملت جهت ثبت نام کارت سوخت بانکی

کاهش نرخ ارز‌های دیجیتال ادامه دارد

گوشی اچ‌تی‌سی مجهز به بلاک‌چین

نظام بانکی برای کشور چه کرده است؟

جدول/ بانک‌ها چقدر دارایی خارجی دارند؟

افزایش سرمایه بانک صادرات ایران تا مجمع سال ٩٨ به سرانجام می‌رسد

شمار سایت‌های اینترنتی با هویت ایرانی از مرز یک میلیون گذشت

بلاک چین و هوش مصنوعی محبوب ترین فرصت های شغلی در لینکدین

۲ روش کلاهبرداری از کاربران فضای مجازی/تبلیغ شارژ رایگان دروغ است

لیستی از متداول‌ترین و بدترین رمزعبورهای سال ۲۰۱۸

ثبت نام برای کارت سوخت المثنی یک هفته دیگر تمدید شد/ثبت نام بیش از ۲ میلیون متقاضی

اطلاعات تصویری