داده کاوی در بانکداری الکترونیکی ((Data Mining in e-banking
چکیده:
درعصر انفجار اطلاعات شرکتهای فردی هرروزه حجم زیادی از داده را تولید وجمع آوری خواهندکرد. استخراج اطلاعات مفید از پایگاه داده و تبدیل کردن اطلاعات به نتایج عملی چالش اصلی است که شرکتها با ان روبرو هستند . با توجه به پیشرفت کشور در زمینه فنآوری اطلاعات و نگاه های ویژه به دولت الکترونیک و نفوذ استفاده از سیستم های رایانه ای در صنعت و ایجاد بانک های اطلاعاتی بزرگ توسط ادارات دولتی، در بانک ها و بخش های خصوصی نیاز به استفاده از داده کاوی به طور عمیق احساس می شود.
داده کاوی چیست؟
داده کاوی[1] فرایند اکتشاف ، تجزیه وتحلیل خودکاریا نیمه خودکار از مقادیر زیادی از داده ها بمنظور کشف الگوها و قوانین معنادار می باشد. داده کاوی فرایند استخراج وتشخیص الگوهای پنهان یا اطلاعات از پایگاه داده می باشد. به بیان بهتر تجزیه و تحلیل ماشینی داده ها برای پیدا کردن الگوهای مفید ، تازه و قابل استناد در پایگاه داده های بزرگ ، داده کاوی نامیده می شود. می توان داده کاوی را فرآیند به خدمت گرفتن یک متدولوژی کامپیوتری تعریف کرد که با استفاده ازتکنیک های مختلف مستقیما از داده ها دانش استخراج می کند. داده کاوی فناوریهایی همچون انبارداده[2] و نرم افزارهای مدیریتی مدیریت ارتباط با مشتری را در یک حوزه جدیدی که شرکتها می توانند مزیتهای رقابتی را کسب کنند ایجاد می کند . داده کاوی نقش کلیدی درتقسیم بندی بازار، سرویس های مشتری ،تشخیص تقلب و محک زدن رفتار مشتریان دارد. [9]
عمل داده کاوی از یک پایگاه داده به چند مرحله مشخص تقسیم می شود :
● مرحله اول : تشکیل انبار داده .
این مرحله برای تشکیل محیطی پیوسته و یکپارچه جهت انجام مراحل بعدی و داده کاوی در آن، انجام می گیرد.در حالت کلی انبار داده مجموعه پیوسته و طبقه بندی شده است که دائما در حال تغییر بوده و دینامیک است که برای کاوش آماده می شود.
● مرحله دوم : انتخاب داده ها .
در این مرحله برای کم کردن هزینه های عملیات داده کاوی، داده هایی از پایگاه داده انتخاب می شوند که مورد مطالعه هستند و هدف داده کاوی دادن نتایجی در مورد آنهاست.
● مرحله سوم : تبدیل داده ها .
برای انجام عملیات داده کاوی لزوما باید تبدیلات خاصی روی داده ها انجام گیرد ممکن است این تبدیلات خیلی راحت و مختصر مثل تبدیل byte به integer باشد یا خیلی پیچیده و زمان برو با هزینه های بالا مثل تعریف صفات جدید و یا تبدیل و استخراج داده ها از مقادیر رشته ای و … باشد.
● مرحله چهارم : کاوش در داده ها .
در این مرحله داده کاوی انجام می شود.در این مرحله با استفاده از تکنیک های داده کاوی داده ها مورد کاوش قرار گرفته ، دانش نهفته در آنها استخراج شده و الگو سازی صورت می گیرد.
● مرحله پنجم : تفسیر نتیجه .
در این مرحله نتایج و الگو های ارائه شده توسط ابزار داده کاوی مورد بررسی قرار گرفته و نتایج مفید معین می شود.
همچنین در داده کاوی از الگوریتم های ژنتیک و شبکه های عصبی هم استفاده می شود.شبکه های عصبی به علت کار آمدی در حل مسائل پیچیده و بزرگ مورد استفاده اند و کاربرد الگوریتم های ژنتیک در داده کاوی برای جستجو و ساختن یک مدل بهینه در میان مدل های بدست آمده است ، به این گونه که مدل های اولیه روی کرومزوم هایی قرار می گیرند و با رقابت بر سر انتقال صفات به نسل بعد ، بهترین مدل و لایق ترین آنها به کاربر ارائه می شوند. [2]
تشریح داده کاوی در بانک:
بدلیل حجم گسترده و بسیار زیاد داده های موجود در بانک و همچنین عدم امکان ذخیره سازی انها ونیاز به پردازش واستخراج پویای اطلاعات ودانش نهفته ها در داده ها بحث داده کاوی جریان داده ها دربانک طی سالهای اخیر بسیار مورد توجه قرار گرفته است. ارتباط با مشتری یکی از مهمترین عوامل سازنده مخصوصا در سازمانهای خدماتی می باشد ازجمله این سازمانها بانک ها و موسسات مالی است که مدیریت ارتباط با مشتری درآنها نقش کلیدی را دارا می باشد. دربانکداری نوین، بانکها برای شناسایی مشتریان و نیازهای آنها دست به بازاریابی تک به تک و بازاریابی براساس پایگاه داده می‌زنند. بازاریابی تک به تک ایجاد و مدیریت رابطه فردی با تک تک مشتریان می باشد. امروزه بدلیل بهره‌گیری ازفناوری رایانه‌ای و استفاده از پایگاه داده ها وداده کاوی این امکان فراهم است که بانک برای تک به تک مشتریان خود برنامه ای داشته باشند و بازاریابی تک به تک درمقیاس وسیعی قابل اجرا و اقتصادی درنظر گرفته شود.
شناسایی تکنیکهای داده کاوی در بانکداری الکترونیکی منجر به تولید سامانه های مشتری محور و امن می گردد و توجه به جزییات داده ها منجر به خلق مزیت رقابتی پایدارتر و غیر قابل الگو برداری می شود . چهارجنبه مهم کاربرد داده کاوی در بانکداری الکترونیکی شامل : بازاریابی ، مدیریت ارتباط با مشتریان ، تشخیص کلاهبرداری و مدیریت ریسک داراییها می باشد . [4]
از کاربرد های داده کاوی دربانک می توان به نمونه های زیر اشاره کرد :
ـ کشف پول شویی
ـ تشخیص مشتریان ثابت و همیشگی
ـ تعیین مشتریان استفاده کننده از یک سرویس خاص
همچنین اطلاعات استخراج شده از داده کاوی را می توانیم برای بکار گیری بازاریابی در بانکداری الکترونیکی نیز استفاده کنیم. ازجمله کاربردهای داده کاوی در صنعت بانکداری شامل بازاریابی ،مدیریت ریسک ،تشخیص تقلب ،کسب وحفظ مشتری می باشدهمچنین نتایج داده کاوی در بعد تحلیل بازارشامل پشتیبانی مواردی چون بازاریابی هدفمند نیز می باشد.
سابقه بانکداری الکترونیکی در ایران به کمتر از یک دهه می رسد . با توسعه خدمات الکترونیکی در سیستمهای بانکی ، مراکز داده ای بانکها نیز توسعه پیدا کردند . داده کاوی در صنعت بانکداری از دو سال قبل با تشکیل کارگاههایی به صورت محدود درمرحله شناخت آغاز شده اند . در سومین و چهارمین کنفرانس بین الملی داده کاوی در کشورنیز مقاله هایی در مورد مشتری مداری و کابردهای داده کاوی در آن ارائه شد که هیچ گونه مدل واقعی برای تحلیل داده ها در آنها بیان نشده است.
با توجه به نقش اساسی ومهم تصمیمات بازاریابی درمحیط رقابتی ومشتری مداری، سازمانهای امروزی خصوصا بانکها و موسسات مالی واعتباری نیازمند ساختاری جهت یکپارچه سازی ومدیریت دانش مرتبط با مشتریان وساختاری که بواسطه ان بتوانند دانش نهفته در داده های مربوط به مشتریان را استخراج ، مدیریت وسپس به پشتیبانی از تصمیمات بازاریابی بپردازند می باشند.
کلمات کلیدی : بازاریابی ، بانکداری الکترونیکی ، تقسیم بندی بازار ، داده کاوی ، مشتری مدارینویسنده مقاله: سیده فاطمه زین العابدینی منابع این مقاله برای علاقمندان موجوداست لطفا درصورت نیاز به منابع مقاله دربخش نظرات تقاضای خودرا مطرح فرمایید.
به عنوان مثالی ساده برای واضح کردن کاربرد داده‌کاوی در نظر بگیرید که با داشتن سه ویژگی "درآمد"، "نوع اتومبیل" و "جنسیت مشتری" قصد داریم قوانینی برای تشخیص مشتریان با اعتبار مالی بالا از مشتریان با اعتبار مالی پایین استخراج کنیم. فرض کنیم اطلاعات مربوط به 10 مشتری به صورت زیر در دسترس ما است:
|
|
درآمد |
ماشین |
جنسیت |
میزان اعتبار |
|
مشتری 1 |
کم |
جدید |
زن |
بد |
|
مشتری 2 |
متوسط |
قدیمی |
زن |
بد |
|
مشتری 3 |
متوسط |
جدید |
مرد |
خوب |
|
مشتری 4 |
کم |
جدید |
مرد |
بد |
|
مشتری 5 |
بالا |
جدید |
مرد |
خوب |
|
مشتری 6 |
بالا |
جدید |
زن |
خوب |
|
مشتری 7 |
متوسط |
جدید |
زن |
خوب |
|
مشتری 8 |
بالا |
قدیمی |
زن |
خوب |
|
مشتری 9 |
متوسط |
قدیمی |
مرد |
بد |
|
مشتری 10 |
کم |
قدیمی |
زن |
بد |
با توجه به نقاط آبی در جدول می‌توان قانون زیر را نتیجه گرفت
If income=high then credit rate = good
به این معنی مشترینی که دارای درآمد بالا هستند، اعتبار بالایی نیز دارند. حال با در نظر گرفتن خانه های قرمز می‌توان قانون دیگری به صورت زیر استنباط کرد.
If income=low then credit rate= bad
به این معنی که مشتریان با درآمد پایین دارای اعتبار مالی پایین هستند و وام دادن به آنها ریسک بالایی می‌خواهد.
حال با در نظر گرفتن خانه های سبز می‌توان دریافت در صورتی که درآمد افراد متوسط باشد، نمی‌توان با اتکا به ویژگی درآمد میزان اعتبار مشتری را پیش بینی کرد. اگر علاوه بر درآمد نوع اتومبیل افراد را نیز در نظر بگیریم می توان قانون زیر را استنباط کرد.
If income= middle and car=new then credit rate = good
If income= middle and car=old then credit rate = bad
در نهایت چهار قانون بدست آوردیم که با استفاده از آنها می‌توانیم مشتریان جدید را تعیین اعتبار کنیم. البته در عمل تعداد مشتریان و تعداد مشخصه آنها بسیار بالا است.
یکی از سیستم های داده‌کاوی پیاده سازی شده برای بانکها سیستم K.R.I.O.S برای win bank می‌باشد. این سیستم دو هدف دارد یکی رفع نیازهای تجاری win bank و دیگری رفع نیازهای مشتریان. سیستم K.R.I.O.S به ایجاد یک ارتباط دائمی مناسب با مشتریان کمک می‌کند. همچنین این سیستم در فعالیت‌هایی مثل ارائه سرویس‌های شخصی به مشتریان، cross selling، بازاریابی و تشخیص fraud به بانکها کمک می‌کند. Modeler زیر سیستمی است که شامل ابزارهای BI و داده‌کاوی است. این زیر سیستم مسئول پردازش داده‌ها است و مدل‌ها و الگوهای موجود در پایگاه دانش را کشف می‌کند. هر اطلاعات کوچکی که به کاربر داده می‌شود از این مخزن اطلاعاتی استخراج شده است.
در صنعت بانکداری داده‌کاوی می‌تواند در حوزه‌های مختلفی ا زجمله دسته بندی مشتریان، تعیین میزان سود بخشی مشتریان، امتیاز دهی اعتبار، تصویب اعتبار، بازاریابی، تشخیص تراکنش‌های متقلبانه، مدیریت پول نقد، پیش‌بینی عملیات و رتبه بندی سرمایه گذاری‌ها به کار گرفته شود. علاوه بر این بانکها می‌توانند از داده‌کاوی برای شناسایی مشتریان کارت اعتباری که بیشترین سود بخشی را دارند یا برای شناسایی متقاضیان وامی که دارای ریسک بالا هستند استفاده کنند. [2]
بازاریابی
بازاریابی یکی از مهمترین کاربردهای داده‌کاوی در صنعت بانکداری در حوزه‌ی بازاریابی است. دپارتمان بازاریابی بانک می‌تواند از داده‌کاوی برای تحلیل پایگاه داده مشتریان استفاده کند و سرویس‌ها و محصولات ترجیحی مشتریان را تشخیص دهد. با ارائه سرویس‌ها و محصولاتی که مشتریان واقعاً متقاضی آنها هستند از هدر رفتن هزینه برای تامین سرویس‌های بدون متقاضی جلوگیری می‌شود. بنابراین واحد بازاریابی بانک می‌تواند با کسب دانش بیشتر در مورد مشتریان، بیشتر بر روی نیازهای آنها تمرکز کند. [5]
مدیریت ریسک
مدیران تصمیم گیری بانک برای بسیاری از تصمیم گیری‌ها نیاز دارند بدانند که آیا مشتریان بانک ها قابل اطمینان هستند یا خیر. اگر آنها اطلاعات کاملی در مورد مشتریان خود نداشته باشند، ارائه‌ی کارت‌های اعتباری به مشتریان جدید، گسترش اعتبار مشتریان کنونی و تصویب وام‌ها، تصمیمات دارای ریسک برای بانک هستند.
داده‌کاوی می تواند با استخراج داده در مورد مشتریان ریسک بانکها را در این موارد تصمیم‌گیری کاهش دهد. با تحلیل رفتارهای تراکنشی مشتریان با حساب‌های سپرده‌هایشان می‌توان رفتار آنها را در ارتباط با وام و بازپرداخت وام‌ها پبش‌بینی کرد. Credit scoring یکی از اولین ابزارهای مدیریت ریسک تولید شده، می‌باشد و در صنعت بانکداری برای گرفتن تصمیم در مورد اعطای وام به مشتریان بسیار با ارزش است. وام دهنده‌ها بهتر است برای تصمیم گیری، ابزاری ارزیابی ریسک داشته باشند. سوابق متقاضیان وام خوب و بد می‌تواند برای ایجاد یک الگو برای تشخیص خوب یا بد بودن متقاضیان جدید به کار گرفته شود. [6]
تشخیص تقلب
یکی دیگر از حوزه‌های مهم در صنعت بانکداری که داده‌کاوی می‌تواند در آن موثر باشد تشخیص تقلب است. "ّFlacon’s fraud assessment system" یکی از سیستم‌هایی که در تشخیص تقلب موثر بوده، این سیستم توسط بسیاری از بانک‌های صادر کننده کارت اعتبار ی به کار گرفته شده است. مثلاً این سیستم در آمریکا و با استفاده از داده کاوی 80% تراکنش‌های کارت‌های اعتباری صادر شده را بررسی کرده است. [1]
به دست آوردن و حفظ مشتری
داده کاوی علاوه بر کمک به بانکها برای بدست آوردن مشتریان جدید، به حفظ مشتریان جدید نیز کمک می‌کند. کسب و حقظ مشتری برای هر صنعتی یک عامل اساسی است. امروزه مشتریان برای انتخاب بانکی به منظور انجام فعالیت‌های اقتصادی خود، گزینه‌های متعددی دارند در صورتی که مسئولین اجرایی نتوانند توجه کامل مشتریان را جلب کنند، مشتری به راحتی می‌تواند بانکی را پیدا کند که توقعاتش را برآورده کند. [7]
نتیجه گیری
داده‌کاوی ابزاری است که برای استخراج اطلاعات مهم از داده‌های موجود به کار گرفته می‌شود و امکان تصمیم‌گیری بهتر را فراهم می کند. ابتدا از data warehouse برای ترکیب داده‌های مختلف از پایگاه داده‌های مختلف در فالب یک فرمت قابل قبول استفاده می‌شود و در مرحله بعد داده‌ها تحلیل شده و اطلاعاتی استخراج می‌شوند که سازمانها می‌توانند از آنها برای پشتیبانی فرآیندهای تصمیم‌گیری خود استفاده کنند. بانکها نیز برای حفظ قدرت رقابت خود، داده‌کاوی را در فرآیندهای تصمیم گیری خود به کار می‌گیرند واز مزایای آن در کسب و حفظ مشتری و در نتیجه افزایش سود آوری بهره می‌گیرند.