روز شنبه 4 خرداد ماه 98 مصاحبه‌ای با آقای دکتر محرابیون مشاور توسعه کسب و کار بانک انصار صورت گرفت که ذیلاً در اختیار علاقه‌مندان قرار می‌گیرد.

خواهشمند است در ابتدا خودتان را معرفی بفرمایید و تجربیات و سوابق خود را در زمینه تحلیل‌ داده و عظیم‌داده مطرح بفرمایید.

محرابیون هستم، دکترای مدیریت IT از دانشگاه علامه طباطبائی و از سال 88 در بحث تحلیل داده وارد شده‌ام. عمده‌ی پروژه‌هایی که فعالیت داشته‌ام در حوزه پرداخت و بانکی بوده است و همچنین در حوزه خرده‌فروشی، پیش‌بینی فروش و حوزه سنجش اثربخشی تبلیغات بر اساس داده‌های رفتاری کاربران نیز فعالیت داشته‌ام. در حوزه پرداخت با حجم زیادی از داده‌ها مواجه هستیم که با توجه به تعداد پذیرنده‌ها در کشور و دستگاه‌های POS، شامل ابعادی نظیر تعداد یا مبلغ تراکنش‌هایی که در هر دقیقه انجام می‌گیرد می‌باشد و می‌توان آنرا به درگاه پرداخت اینترنتی (IPG)ها و همینطور پرداخت‌ از طریق موبایل نیز تعمیم داد. از این‌رو می‌توان این داده‌ها را عظیم‌داده به شمار آورده و تحلیل آن می‌تواند به PSPها و بانک‌ها کمک نماید. در حوزه بانکی بیشتر کارهایی که انجام شده است شامل مکان‌یابی خودپردازها، بحث تحلیل و مدیریت ریزش مشتریان و خوشه‌بندی و طبقه‌بندی مشتریان بر اساس CLV بوده است. پروژه دیگری که در بانک انجام شد این بود که ما داده‌ها را به تحقیقات بازار گره زدیم. به این معنا که با استفاده از اطلاعاتی که از مشتریان در اختیار داریم می‌توانیم تفاوت در رفتار مشتریانی که در یک خوشه هستند به طور مثال در زمینه استفاده یا عدم استفاده از تسهیلات را علت‌یابی نماییم که این امر نیازمند تحقیقات بازار است و می‌تواند منجر به افزایش فروش نیز بشود. نکته‌ای که در حوزه پرداخت وجود دارد این است که در حوزه پرداخت نسبت به حوزه بانکی، ساختار داده‌ها یا ویژگی‌های داده‌ها محدودتر است. در بانک مشتری می‌تواند چندین محصول را بخرد و یا اعتبارات و تسهیلات دریافت نماید اما در حوزه پرداخت این اطلاعات کمتر است. بنابراین بیشتر کاربرد عظیم‌داده در صنعت پرداخت در این راستاست که بتوان به پذیرنده خدمت‌رسانی نمود تا اینکه به تحلیل مشتری منجر شود و در بانک بیشتر داده‌کاوی سمت مشتری است. به عبارت دیگر در حوزه پرداخت بیشتر حول محور پذیرندگان است و به بهبود کسب و کارشان منجر می‌شود.

لطفا در خصوص یکی از پروژه‌هایی که در زمینه تحلیل داده انجام داده‌اید توضیحات بیشتری بفرمایید.

به طور مثال یکی از پروژه‌هایی که در سال 91 استارت آن زده شد بحث تحلیل داده‌های ATMها بود. ATM برای بانک‌ها می‌تواند ضررده باشد. تحلیل خودپردازها هم از جنبه کسب و کاری مهم است و هم جنبه حاکمیتی دارد چرا که ممکن است حملاتی بر روی آن اتفاق بیفتد و همچنین بحث های کشف تقلب و … از سوی دیگر می‌تواند به رونق کسب و کار کمک کند. به عنوان مثال اجاره دستگاه خودپرداز. بانک‌ها برای خودپرداز هزینه می‌کنند که شامل هزینه خرید، تملیک، نگهداشت، پول‌گذاری و ... است. از این رو برای بسیاری از بانکها خودپرداز نه تنها سودآور نیست بلکه ضررده است زیرا اگر بانک صادرکننده کارت و بانک پذیرنده کارت یکی نباشد، بانکی که کار پرداخت یا انتقال وجه را انجام می‌دهد باید از بانک صادرکننده کارت کارمزد بگیرد. بنابراین بانک‌هایی که کارت‌های زیادی در بازار دارند، و به آن اندازه دستگاه خودپردازشان درست مکان‌یابی نشده باشد نسبت به بانک‌هایی که شاید کارت‌های کمتری دارند اما مکان‌یابی بهتری برای دستگاه خودپرداز انجام داده‌اند، هزینه بیشتری صرف می‌نمایند. تحلیل داده‌ها در این زمینه ‌می‌تواند به مکان‌یابی دستگاه های خودپرداز کمک نماید. انتخاب نوع دستگاه خودپرداز و مدل مالی مربوط به تأمین آن و مکان‌یابی و کشف تقلب از جمله بحث‌هایی بود که در این پروژه مورد توجه قرار گرفت.

وضعیت عظیم داده و تحلیل داده با توجه به تجربیات شما در ایران چگونه است؟

مسئله مهمی در تحلیل داده وجود دارد. تحلیلگر داده و تحلیلگر کسب و کار باید به نوعی با هم اتصال پیدا کنند. تحلیلگر کسب و کار باید چندین سال در کسب و کاری بوده باشد تا قواعد و مکانیزم ها را شناسایی نماید. ممکن است صاحبان کسب و کار نتوانند از نتایج تحلیلگرهای داده استفاده کنند و در بلندمدت دید صاحبان کسب و کار نسبت به استفاده از داده‌کاوی کمرنگ شود. بنابراین باید دوره های آموزشی business analytics برگزار شود (شامل تحلیل کسب و کار و داده). بحث دیگر در تحلیل داده و به خصوص عظیم داده این است که در بسیاری از موارد تعریف مسئله درست اتفاق نمی‌افتد که می‌توان گفت به نوعی بیشتر الگوریتم‌زده هستیم. درحالیکه الگوریتم‌ها و کاربردپذیر ساختن آن‌ها در نهایت باید بتواند کسب و کار را ارتقا دهد.

کاربردهای عظیم داده و تحلیل‌های داده در صنایع بانکداری و پرداخت به نظر شما چه می‌تواند باشد؟

در بانک‌ها مفهومی به اسم کانال داریم که اگر به صورت سرویس نگاه کنیم مشتری یکسری لایه های تعاملی با بانک دارد. این لایه‌ها می‌تواند دستگاه خودپرداز، موبایل بانک، تلفن بانک، شعبه و ... باشد. کانال‌های مختلف دیتا را از مشتری دارند اما اینها را با هم sync نمی‌کنند و مشتری معمولاً نمی‌تواند در صنعت بانکداری مفهوم چندکاناله بودن را حس کند. بحثی که امروزه به سمت آن حرکت می‌کنیم بحث (KYC (know your customer در حوزه خدمات بانکی است. یعنی ارتقای تجربه مشتری. مشتری برای اینکه توسط کسب و کار شناخته بشود زمان می‌گذارد و سیستم‌های اعتبارسنجی فرآیند شناسایی مشتری را بهبود می‌دهد.

بحث دیگر بحث سیستم‌های باشگاه مشتریان یکپارچه است. وقتی مشتری در یک بانک حساب دارد اما سراغ پذیرنده‌ای می‌رود که دستگاه متصل به بانک دیگر را دارد این نقدینگی از حساب بانک خارج می‌شود و به مرور مدیریت جریان نقدینگی دچار مشکل می‌شود. باشگاه مشتریان با داده‌های خوبی که از مشتری و پذیرنده‌هایی که حساب متصل به بانک دارند می‌تواند بر اساس نیاز مشتری، پذیرنده‌ای را به شما معرفی کند که نیاز شما را پاسخ می‌دهد و نقدینگی از حساب بانک خارج نمی‌شود.

کاربرد دیگر در بانکداری شرکتی است. در این خصوص شما باید بتوانید به شرکت طرف قرارداد با بانک در راستای مدیریت جریان مالی و اتوماتیک و هوشمند نمودن جریان‌های مالی راه حل بدهید. و در نهایت در بحث بانکداری VIP و اختصاصی بحث PFM (مدیریت مالی شخصی) است. در واقع سیستم PFM خاستگاهش از بانکداری اختصاصی است. در این کاربرد به مشتری در زمینه سرمایه‌گذاری کمک می‌شود تا با توجه به سیگنال‌هایی که در بازارهای موازی وجود دارد فرد بتواند تصمیم‌گیری مناسب داشته باشد. اقداماتی در این زمینه انجام شده اما برای رسیدن به نتیجه مطلوب باید رفتارهای مالی مشتری را تحلیل و پیش‌بینی نموده و به او در لحظه پیشنهاد بدهد که تحت عنوان بانکداری الگوریتمی و یا تحت عنوان robo-adviserها نیز شناخته می‌شوند.

به نظر شما دانشگاه‌ها و واحدهای پژوهشی چه خدماتی می‌توانند به کسب و کار شما ارائه دهند؟

دانشگاه‌ها و واحدهای پژوهشی از چند جهت می‌توانند مؤثر باشند که به طور کلی در زیر چتری تحت عنوان open technology (تکنولوژی باز) یا از جنبه‌ی توسعه‌ای open banking قرار می‌گیرد. برخی دانشگاه‌ها روندی را شروع کرده‌اند مانند دانشگاه شریف که فضاهایی را در اختیار افراد قرار داده‌اند که افراد وارد بحث‌های فین‌تک و بانکداری شوند. دانشگاه‌ها به طور کلی از این جهت که دارای نیروهای تازه نفس و علاقه‌مند هستند که به نسبت کارشناسان باسابقه هزینه‌های پایین‌تری نیز دربردارد و البته به علم روز آشناتر هستند می‌تواند مؤثر باشد و همچنین می‌تواند تعریف مسائل و پایان‌نامه‌ها را به سمت تحقیقات بانک‌ها ببرد که البته این امر نیازمند آن است که بانک‌ها نیازمندی‌های تحقیقاتی‌شان را مشخص نمایند. هر چند این ارتباط گاهی انجام شده است اما مکانیزم درستی که منجر به ارزیابی و ذخیره خروجی‌ها و در نهایت ارتقا و تاثیر آن بر یک واحد نظیر بهبود فرآیندها گردد، وجود ندارد. بنابراین این ارتباطات باید هم در ارزیابی عملکرد دانشگاه و هم ارزیابی عملکرد دپارتمان، واحد یا شرکت اثر داشته باشد. از طرف دیگر نیازمند یک پایگاه دانش بانکی هم هستیم که باید با همکاری بانک‌ها و دانشگاه اتفاق بیفتد. به طور مثال یک پروفایلی تعریف شود و دغدغه‌ها مطرح شده و مسئله‌یابی به شیوه جمع‌سپاری با نگاه بانکی و فین‌تکی انجام پذیرد. در نهایت اینکه بانک‌ها می‌توانند بخشی از دیتا را به صورت open data (داده باز) جهت ارائه راه‌حل در اختیار دانشجویان قرار دهند که البته این امر نیازمند فرهنگ‌سازی و چابک شدن فرآیندهاست که با توجه به وجود فین‌تک‌ها انتظار می‌رود که این امر محقق گردد. البته می‌توان جنبه‌های دیگر هم نظیر اینشورتک یا رگ تک را هم مدنظر قرار داد که اساسا نیازهای اکچوئری یا حقوقی دارند.