- خانه
- نوشتارهای علمی
- مصاحبه با آقای دکتر مصطفی ثابتی
مصاحبه با آقای دکتر مصطفی ثابتی
روز شنبه 4 خرداد ماه 98 مصاحبهای با آقای دکتر ثابتی مدیر مرکز فینتک 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.
مصطفی ثابتی هستم دارای تحصیلات کارشناسی فناوری اطلاعات، کارشناسی ارشد مدیریت فناوری اطلاعات و DBA. تقریباً 17 سال است در بانک و سازمانهای دیگر مشغول به کار هستم و جایی که مستقیماً با دادهها و تحلیل داده درگیر بودهام در بانک بوده است. البته بر اساس تعریف دقیق عظیمداده در واقع باید گفت هنوز در بسیاری از سازمانها بیگ دیتا به آن مفهوم را نداریم و اغلب با انباردادههای سنتیتر و قدیمیتر و مدلهای معمول تحلیل داده مواجهیم تا بیگ دیتا یا مدل استریم و ... در چند پروژهای که در بانک وجود داشته در زمینه تحلیل تراکنشها و تحلیل فعالیتهای مشتری فعالیت داشتهام.
لطفا در خصوص برخی از پروژههایی که در زمینه تحلیل داده یا عظیم داده انجام دادهاید توضیحات بیشتری بفرمایید.
در خصوص عظیمداده باید گفت حجم داده به شدت زیاد باشد و دادهها به صورت بلادرنگ در حال تولید باشد و تحلیل به صورت بلادرنگ روی جریان داده صورت بگیرد و اقدام هم در ادامه همان تحلیل داده اتفاق بیفتد. اما در واقع پروژههایی که در آن فعالیت داشتم این شرایط را نداشتند. پروژهای در معاونت فناوری اطلاعات بانک برای تحلیل دادههای مشتریان در بحث تسهیلات انجام شده است. تحلیل مورد نظر بر روی تسهیلاتی که مشتری دریافت میکند و به هر نحوی غیر فعال میشود، یعنی معوق، سررسید گذشته و ... است، میباشد. موضوع در واقع تحلیل حجم زیادی از دادههای مربوط به تسهیلات و پرداختهای مشتریان به ازای هر رکورد تسهیلات طی هر ماه بود که ممکن بود هر مشتری طی ماه یک پرداخت داشته باشد یا چند پرداخت داشته باشد و تحلیل میشد که رفتار مشتریان خاص در قبال پرداخت اقساط تسهیلاتشان به چه صورت است و روشهای مختلفی که امکان احصاء مبلغ قسط را از مشتری داشتیم به طور مثال کسر از حقوق، ارتباط با ضامنها و ... اینکه کدام یک از این مدلها برای هر دسته از مشتری بهتر جواب میدهد تحلیل میشد.
پروژه ی دیگر در معاونت توسعه کسب و کار بانک بود که در واقع تحلیل رفتار مشتریان در استفاده از سیستمهای بانکداری مدرن یعنی تلفنبانک، موبایلبانک، اینترنتبانک و USSD بود. روی این پروژه تحلیل به این صورت بود که مشتری برای دریافت هر کدام از سرویسها بیشتر از کدامیک از کانالهای بانکداری مدرن استفاده میکند. در ادامه سیستم توصیهکنندهای طراحی میشد که در آن با توجه به رفتار گذشته مالی مشتری توصیه میکرد از کدامیک از کانالهای بانکداری الکترونیک بهتر میتواند استفاده کند و برایش مفیدتر خواهد بود.
وضعیت عظیم داده و تحلیل داده با توجه به تجربیات شما در ایران چگونه است؟
بر اساس تعریف کلاسیک مربوط به بیگ دیتا میتوان گفت در شبکه بانکی جایی که از بیگ دیتا استفاده میشود مربوط به تراکنشهای شتابی و کارتی است که در واقع تراکنش زیاد و به صورت استریم در سیستم بانکی داریم و نیاز به تحلیل از نوع بیگ دیتا دارد. ابزارهایی که ترافیک تراکنشهای شتابی را روی سوئیچهای بانکی تحلیل میکنند و مبتنی بر آن به صورت بلادرنگ تصمیماتی اتخاذ میکنند که stability سوئیچ را بالا ببرند و در واقع تراکنشها را بالانس کنند یا یکسری سرویسها را در مواقع خاص down بکنند تا در نهایت نرخ تراکنشهای fail شده پایین بیاید. مشکلی که اکثر بانکها داشتند و سعی کردند با استفاده از این تحلیلها کاهش دهند، جریمهای بود که باید بابت تراکنشهای fail شده روی شبکه شتاب پرداخت میکردند. همانطور که ذکر شد، ما معمولاً جایی از بیگ دیتا استفاده میکنیم که تولید داده به شدت و با سرعت زیاد اتفاق بیفتد مثل شبکههای اجتماعی. چون در حال حاضر بانکها به غیر از جایی که تراکنشهای کارتی اتفاق میافتد، در بخشهای دیگر عملیات بانکها درگیر حجم زیاد تراکنش نیستند و فیدبک بلادرنگ از شبکههای اجتماعی و اقدام مبتنی بر آن انجام نمیگیرد، به همین دلیل میتوان گفت هنوز در صنعت بانکداری ما تحلیل بیگ دیتا در عمل صورت نمیگیرد. اما در تئوری در بحث تحلیل رفتار مشتری مباحث و طرحهای زیادی مطرح است. بنابراین چیزی که الان وجود دارد به جز سیستمهایی که روی مدیریت سوئیچ کارت کار میکنند، مورد دیگری را نمیتوان نام برد.
کاربردهای عظیمداده و تحلیلهای داده در صنعت بانکداری به نظر شما چه میتواند باشد؟
کاربرد تحلیل عظیمداده برای ما در دو بعد میتواند مطرح شود. یکی زمانی که به صورت بلادرنگ بتوانیم همان زمان که تحلیل انجام میدهیم، اقدامی را انجام دهیم که این اقدام منجر به بهبود عملکرد یا ارائه سرویسهای سفارشیسازی شده به مشتریان شود و در واقع تجربه مشتری بهتری را رقم بزند و کاربرد دیگر اینکه تحلیل داده باعث میشود به ما به عنوان مدیر بانکی یک بینشی در خصوص تشخیص ترندها و اتفاقات پیش رو به دست بیاوریم. به طور مثال مواقعی که با تغییر نرخ ارز، خروج منابع را از شبکه بانکی داریم که باید تحلیل کنیم این منابع کجا میرود. اگر بانک یک سیستم هوش تجاری واقعی داشته باشد و بتواند پیشبینی کند که با تغییر چنین پارامتری، تغییر در سپردهها و منابع خواهیم داشت، آنگاه میتواند یک تصمیم هوشمندانه بگیرد و با چند درصد جا به جا کردن نرخ یا در نظر گرفتن تعرفههای تشویقی سعی کند این اثر زنجیرهای را کم کند. اما اجرای این کار نیاز به دو قضیه دارد یکی اینکه بانک سیستمهای تحلیل داده بلادرنگ و مناسب داشته باشد که بتواند تحلیل بیگ دیتا انجام دهد و دیگر اینکه زیرساخت دادهای برای بیگدیتا وجود داشته باشد. در واقع علاوه بر نیاز به زیرساخت برای ذخیرهسازی داده، مشکل شفافیت و دقت داده و مشکل جمعآوری داده را نیز داریم. زمانی در مورد بیگ دیتا صحبت میکنیم که جمعآوری داده از دست افراد خارج شده باشد و سنسورها در حال جمعآوری دادهها باشند. در شبکه مالی به جز تراکنشهایی که روی دستگاههای POS و ATM انجام میشود، در جای دیگری سنسوری نداریم که بتواند رفتار مالی مردم را تحلیل بکند. هر جا بتوانیم رفتار را به صورت اتوماتیک و با حجم زیاد جمعآوری کنیم بعد میتوانیم روی تحلیل آن نیز فکر کنیم. این مهمترین چالشی است که به نظر میرسد در استفاده از بیگ دیتا در صنعت بانکداری وجود دارد.
بنابراین میتوان گفت یک کاربرد همان افزایش عملکرد سوئیچهاست و کاربرد مهم دیگر بحث تجربه مشتری است. یعنی زمانی میتوانیم یک تجربه خوب برای مشتری فراهم نماییم که بتوانیم رفتار مشتری را تحلیل نماییم. بخش زیادی از رفتار مشتریان اکنون در شبکههای اجتماعی اتفاق میافتد. اگر بتوانیم رفتار مشتریان را در لحظه روی شبکههای اجتماعی، روی پلتفرمهای خرید و پلتفرمهای حمل و نقل و هر جایی که یک رفتار مالی از مشتری سر میزند داشته باشیم، میتوانیم نیاز مشتری را تشخیص دهیم و مبتنی بر نیاز یا علائق مشتری سرویس طراحی کنیم. برای تشخیص نیاز باید بدانیم که سبک زندگی مشتری به طور مثال در حوزه مالی به چه صورت است. یکی از جاهایی که دادههای خوبی تولید میشود اما شفاف نیست، شبکه POSهای فروشگاهی است. وقتی در مورد سبک زندگی صحبت میکنیم، اینکه بدانیم مردم کجا چه خریدهایی و به چه میزان انجام میدهند اهمیت پیدا میکند. با این حال روی شبکه POSهای فروشگاهی دو مشکل وجود دارد. یکی عدم دقت در تشخیص محل نصب POS و دیگری عدم اتصال دستگاههای کارتخوان به پایانههای فروش واقعی یا صندوقهاست که منجر میشود اطلاعات مربوط به ریز خرید را نداشته باشیم و در نتیجه نتوانیم تحلیلی بر روی آن ارائه دهیم.
هرگاه زیرساخت اطلاعاتی ما کامل شود، از این جهت که بتوانیم دادههای دقیق در بیاوریم، مبتنی بر آن دادهها میتوانیم سبک زندگی مشتری را استخراج کنیم که شامل خریدها، علائق، برندهای موردنظر و ... در مورد مشتری میباشد. در این صورت بانک میتواند مشتری را ارزیابی کرده و از این دادهها برای اعتبارسنجی مشتری و تولید محصول بهتر برای مشتری استفاده کند. البته این زیرساخت صرفا زیرساخت بانکی نیست و در واقع بین واحدهای تجاری، بانکها، اپراتورها و ... باید یکپارچگی صورت بگیرد و بعد از اینکه این یکپارچگی اتفاق افتاد، حجم زیادی داده داریم که میتوانیم روی آن تحلیل انجام داده و تصمیم بگیریم.
در اینجا میتوان نقش فینتکها را مطرح نمود. ما به عنوان بانک با تمام چالشهای موجود و نبود ساختار، اما دادهها را تا حدی در اختیار داریم. اما هم مشکل بانک و هم سایر سازمانهای بزرگ این است که با وجود اینکه بزرگترین نگهدارندههای داده هستند، اما بدترین استفاده کننده از دادهها نیز هستند. بانکها و سازمانهای بزرگ معمولاً چون چابک نیستند نمیتوانند بسرعت تحلیل کنند و مبتنی بر آن تحلیل تصمیم بگیرند. در واقع تصمیم گیری دادهمحور در سازمانهای بزرگ اتفاق نمیافتد. اما فینتکها این قابلیت را دارند که اگر به بانک متصل شوند، میتوانند از دادههایی که در بانک وجود دارد و تحلیل این دادهها ارزشآفرینی بکنند درحالیکه خود بانک نمیتواند به سادگی این کار را انجام دهد. در واقع میتوانند مبتنی بر تحلیلی که انجام میدهند یک محصول جدید را توسعه داده و در اختیار مشتری بگذارند و یک ارزش افزودهای ایجاد کنند که برای مشتری جذاب است. بنابراین کاری که فینتکها میکنند و در تمام دنیا به عنوان مزیت فینتکها نسبت به کسب و کارهای بزرگ یا حداقل بانکها وجود دارد، این است که آنها بهتر میتوانند از دادهها استفاده نمایند.
مزیت دیگر از نقصان دادهای یا کمبود دادهای (به طورمثال همان مورد جزئیات خرید) نشأت میگیرد. ما میتوانیم استارتآپهایی در حوزه فینتک داشته باشیم که بسیار دقیقتر و بهتر از شبکه فعلی پرداخت بتوانند دیتا جمعآوری کنند. چون اگر بتوانیم یک زنجیره ارزش یا شبکه از استارتآپها در حوزههای مختلف داشته باشیم، و سعی کنیم که نیاز مشتریها را به جای اینکه از کانالهای سنتی فیزیکی برطرف کنیم، به استفاده از سرویسهای ارائه شده بر روی پلتفرمها سوق دهیم، آنوقت دیگر دغدغه ناقص بودن دادههای مشتری را نداریم. یعنی مشتری به جای اینکه از فروشگاه فیزیکی خرید کند، روی اپلیکیشن یا وبسایت خریدش را انجام بدهد، و در این صورت علاوه بر اینکه میدانیم مشتری چقدر پرداخت کرده، دادههای مربوط به سبد کالایی که مشتری انتخاب کرده را داشته و به صورت بلادرنگ امکان دسترسی به آن را داریم. اگر در ادامه اطلاعات حمل و نقل مشتری را هم از طریق پلتفرمهای حمل و نقل داشته باشیم، آنگاه میتوانیم بفهمیم مشتری در طول روز برای انجام کارهایش چه الگویی را طی کرده و ... به همین ترتیب میتوانیم حوزههای مختلف مشتری را پشت سرهم ردیابی کنیم. خاصیت کلی که کسب و کارها و پلتفرمهای دیجیتال برای ما فراهم میکنند این است که سعی میکنند برای ما یکپارچگی داده ایجاد کنند. در آن صورت اگر ما به این دادهها دسترسی داشته باشیم و بتوانیم از این دادههای یکپارچه استفاده کنیم، خیلی راحتتر مشتری را شناخته و راحتتر برایش سرویس خلق میکنیم چه به عنوان یک سازمان بزرگ و چه به عنوان استارتآپهای کوچکتر. البته این موارد مستلزم آن است که چالش مربوط به حریم خصوصی نیز در نظر گرفته شود و اینکه مشتری در ازای تجربه کاربری خوبی که میگیرد در واقع مورد ردیابی نیز قرار گرفته است.
به نظر شما دانشگاهها و واحدهای پژوهشی چه خدماتی میتوانند به کسب و کار شما ارائه دهند؟
بانکها معمولاً یکسری کارشناس دارند و دانشی که به مرور زمان در بانک ایجاد شده است که مبتنی بر سیاست نگهداری کسب و کار موجود میباشد. به بیان دیگر، سازمانهای بالغ به این صورت عمل میکنند که در جهت حفظ کسب و کار موجود قدم بر میدارند یا نهایتاً یک فناوری بالغی را که جا افتاده است در سازمان خودشان ایجاد میکنند. اما اکنون ما در مورد ارزشآفرینی صحبت میکنیم. ارزشآفرینی جایی اتفاق میافتد که یک نوآوری اتفاق بیفتد بنابراین انتظار ما از نوآوری ایجاد یک ارزش جدید است. نوآوری در سازمانهای بزرگ با وجود ساختارهای پیچیده و تو در تو و تلاش برای حفظ وضع موجود کمتر اتفاق میافتد. کاری که دانشگاه در این خصوص میتواند انجام دهد این است که فارغ التحصیلان دانشگاهی بتوانند در کنار دانشی که کسب کردهاند نوآوری جهت خلق ارزش را داشته باشند.
مورد دیگر در این زمینه هم این است که به جای حل مثالهای کلاسیک آکادمیک، سعی شود از ابتدا دانشجو درگیر صنعت و مسائل واقعی در بانکها و سایر سازمانهای بزرگ شود و مسائل تا حد ممکن به مسائل واقعی نزدیک باشد. در اینصورت میتوان با حل مسائل واقعی موجود در صنعت، خلق ارزش دو سویهای برای دانشگاه و صنعت داشت.
دسته بندی
- معرفی ابزار 26
- مطالعه موردی 27
- کتاب بخوانیم 49
- معرفی کتاب 31
- مرور منابع علمی 32
- اینفوگرافیک 7
- تجربه داخلی 4
- مصاحبه 22
- معرفی کسب و کار داده محور 9
- معرفی سرویس 7