گذار به بانکداری هوشمند

در دنیای امروز بانک‌ها دارای حجم انبوهی از اطلاعات و داده‌های مشتریان هستند که منبع ارزشمندی به منظور خلق ارزش محسوب می‌شود. بانک‌ها از طریق روش‌های داده‌ کاوی می‌توانند خدمات خود را با رصد کردن الگوهای رفتاری مشتریان، متناسب با نیازها و ویژگی‌های شخصی مشتریان ارائه نمایند.

لذا قابلیت خلق ارزش از حجم زیادی از داده‌های ساختار یافته و غیرساختار یافته مشتریان است که بانکداری نوین را از نسل‌های پیشین متمایز خواهد کرد و هدف از بانکداری نوین که بانکداری داده‌محور نیز نامیده می‌شود، آن است که تمام فرآیندهای بانکی، با استفاده از فناوری‌های پیشرفته تحلیل، و همچنین پردازش داده‌ها به صورت هوشمند انجام شوند.

تحقق بانکداری هوشمند نیازمند ایجاد تحول در لایه‌های مختلف، خصوصاً لایه ارتباط با مشتری، لایه امور داخلی بانک و لایه تنظیم‌گری و نظارت بانکی می‌باشد.

در همین راستا، تعریف مجدد فرایندها، شرح وظایف و به طور کلی ساز و کار تعامل با مشتریان، نیازمند شخصی‌سازی ارتباط با مشتری در راستای انطباق هرچه بیشتر و بهتر با ویژگی‌ها، تمایلات و خواسته‌های آن‌هاست. بانکداری هوشمند علاوه بر تأکید بر بازآفرینیِ تعامل با مشتریان، سبب ایجاد تحولی اساسی در لایه تصمیم‌گیری داخلی بانک نیز خواهد شد و بر خلاف روش‌های سنتی نظیر رویکرد کارت امتیازی، رویکرد اعتبارسنجی مبتنی بر یادگیری ماشینی با استفاده از حجم بالایی از داده‌های مشتری (از تراکنش‌های بانکی گرفته تا فعالیت در رسانه‌های اجتماعی)، قدرت پیش‌بینی را افزایش داده است.

هوشمندسازی فرآیندهای اعتبارسنجی مشتریان، ضمن بهبود تجربه مشتری، نقش بسزایی در مدیریت ریسک اعتباری و کاهش حجم مطالبات غیرجاری در شبکه بانکی خواهد داشت؛ لذا به منظور ایجاد تحول در فرآیندهای سنتی اعطای تسهیلات، پیش رفتن به سوی اعتبارسنجی از طریق هوش مصنوعی و خودکارسازی فرآیندهای عملیاتی با کمک چت‌بات‌ها و دستیاران مجازی از اهمیت ویژه‌ای برخوردار است.

اخیراً مشاهده شده که موسسات مالی به منظور بهبود تجربه مشتریان در کانال‌های مختلفِ ارائه خدمات بانکی، تحقیقات و سرمایه‌گذاری‌های زیادی در حوزه تحول دیجیتال و کلان‌داده‌ها انجام داده‌اند، اما بانک‌ها، در شناسایی و تحلیل رفتار مشتریان، کمی از رقبای خود عقب مانده‌اند و صحت این موضوع را در شکاف زیادی که میان انتظارات مشتریان و نحوه ارائه خدمات بانکی در کشور وجود دارد می‌توان مشاهده کرد.

لذا ارائه یک محصول برای دامنه وسیعی از مشتریان بانک بدون توجه به نیازها و ترجیحات متفاوت مشتریان، مغایرت دارد با مفهوم بانکداری داده‌محور. به همین جهت فناوری‌های هوش مصنوعی و یادگیری عمیق در بانکداری داده محور، تمامی موضوعات از جمله مدیریت ریسک، کشف تقلب، پولشویی، اعتبارسنجی مشتریان و… را دستخوش تغییرات اساسی می‌کند، به نحوی که با خودکارسازی و ارتقای کارایی فرآیندهای بانکی، هزینه‌های عملیاتی بانک به طرز قابل توجهی کاهش خواهد یافت.

خصوصاً تحول در فرآیندهای اعتبارسنجی مشتریان در بانکداری هوشمند موجبات تسهیل دسترسی به خدمات و تسهیلات بانکی را فراهم می‌آورد. کاربرد فناوری‌های داده‌کاوی و یادگیری ماشین باعث خواهد شد تا فرآیندهای جمع‌آوری و پردازش داده‌های بانکی، با چابکی بیشتری انجام شوند.

خودکارسازی فرآیندهای نظارتی و بهره‌گیری از فناوری پردازش زبان طبیعی در تحلیل داده‌های ساختارنیافته، ناظران بانکی را قادر خواهد ساخت، به صورت فعالانه و زودهنگام نسبت به ریسک‌های احتمالی واکنش نشان دهند. ارتقای امنیت و کاهش ریسک تقلب و کلاهبرداری نیز از دیگر حوزه‌های مهم خلق ارزش از داده‌هاست.

فرآیندهای هوشمند تشخیص تقلب با بهره‌گیری از تحلیل رفتار مشتریان، بانک‌ها را قادر می‌سازد تا از انجام تراکنش‌های مشکوک ممانعت به عمل آورند. سامانه‌های کشف تقلب مبتنی بر هوش مصنوعی، قادر هستند با تحلیل کلان داده‌ها و استخراج الگوهای مالی، رفتارهای متقلبانه نوین را با چابکی بیشتری تشخیص دهند، همچنین در بانکداری داده‌محور، عادات مالی مشتری، نوع فعالیت و سابقه تراکنش‌های قبلی وی در مدت زمان کوتاهی بررسی و با استخراج الگوی رفتاری وی، از سوء استفاده‌گری‌های مالی جلوگیری می‌شود.

با وجود پیشرفت‌های چشمگیر بانکداری دیجیتال در کشور، همچنان تا استقرار کامل بانکداری داده‌محور فاصله زیادی وجود دارد. بانک‌ها باید با بهره‌گیری از نوآوری‌های تحول‌آفرین مبتنی بر هوش مصنوعی در ارائه پیشنهادات و خدمات شخصی‌سازی شده، انتظارات رو به رشد مشتریان را برآورده سازند. چراکه حرکت به سمت بانکداری داده‌محور، نحوه بازاریابی و طراحی محصولات بانکی را دچار تحولات جدی می‌کند..