Data analitikasının bank sektorunda rolu
  • Tural Məmmədzadə
  • 19 İyun 2019

Data analitikasının bank sektorunda rolu

Data analitikasının bank sektorunda rolu

Data elminin bank sektorunda istifadəsi bir trenddən daha çox, digər banklarla rəqabət apara bilmək üçün zəruriyyət halını almışdır. Banklar artıq bilirlər ki, Big Data texnologiyaları onlara öz resurslarını effektiv şəkildə istifadə etməkdə, daha ağıllı qərarlar qəbul etməkdə və fəaliyyətini artırmaqda kömək edəcəkdir. Bəs bu sözü gedən texnoloji yeniliklər hansılardır və bankların strategiyalarına nə cür təsir edə bilər? Aşağıdakı siyahıda siz data elminin bank sektoruna müsbət mənada təsir etdiyi halları görə bilərsiniz.

 

Fırıldaqçılıq aşkarlanması

  Müştərilərinə yüksək səviyyədə güvənliyin qarantiyasının verilməsi bankların və digər maliyyə qurumlarının vəzifəsidir. Fırıldaqçıları aşkarlamaq üçün effektiv bir sistemin yaradılması sözü gedən qurumların qarşılaşdığı əsas çətinliklərdən biridir. Çünki, sadəcə yüksək-ixtisaslı data alimləri istifadəçilərin etdiklərinə əsaslanaraq fırıldaqçıları tapa və onların qarşısını ala biləcək alqoritmlər yarada bilər. Bu alqoritmlərin ən mükəmməl xüsusiyyəti isə öz-özünə öyrənməsidir və bu da alqoritmlarin vaxt keçdikcə daha “ağıllı” və effektiv olması deməkdir. Maşın öyrənimi (Machine learning)  kredit kartlarında, mühasibatlıqda, sığortada və başqa sahələrdə fırıldaqçıların aşkarlanması və qarşısının alınmasında  əhəmiyyətli rol oynayır. Saxtakarlığın müəyyən olunması üçün əvvəlcədən görülən tədbirlər, alınan önləmlər, xüsusən də, sözü gedən alqoritmlərin olması işçi və müştərilər üçün vacibdir, çünki bu tədbirlər vasitəsilə bank hansısa mövzudakı problemləri daha sürətli tapır, dəyəcək zərərləri minimallaşdırır, yüklü miqdarda itkinin qarşısını alır və bank fəaliyyətinin davamlılığı üçün ən əsas şərtlərdən biri olan güvənliliyi təmin edir.

 

bank data analitikasi excel telimi biznes analitikasi telimi  data socool


 Bəs alqoritm fırıldaqçılığı necə müəyyənləşdirir? Ümumiyyətlə, data elmi üzrə nəzəri biliklərinin praktiki olaraq tətbiq olunması üçün birləşdirmə, proqnozlaşdırma və qruplaşdırma (ing. clustering) kimi data-mədənçiliyi (data-mining) texnikaları üzrə expert olmaq lazımdır.

Fırıldaqçılığı müəyyənləşdirmək üçün atılmalı addımlar:

  1. İlkin yoxlama və model hazırlanması üçün məlumatların(dataların)  toplanması
  2. Modelin hazırlanması
  3. Yoxlanma

Yüksək məbləğdə tranzaksiyalar baş verdikdə, bankın alqoritmi bunu anlayır və  hesabın sahibi bu transaksiyanı təsdiq edənə qədər gözləyir. Yeni hesablarda isə alqoritmlər normal olmayan dərəcədə bahalı məhsullar aldıqda və ya qısa müddətdə oxşar hesablar açıldıqda da həmin alqoritm bu hadisənin potensial təhlükə olduğunu anlayır və həmin hesabları araşdıra bilir.

 

Müştərinin məlumatlarının idarə edilməsi

  Müştərilərin məlumatları banklar üçün ən əsas mənbədir. Bu səbəbdən də, effektiv məlumat idarə etməsi banklar və digər maliyyə şirkətləri üçün böyük bir uğurdur. Banklar böyük həcmdə məlumatları yığır, analiz edir və saxlayır, lakin bu datalara sadəcə baxmaqla kifayətlənməyib, onlara maşın öyrənimini və Data elminin müəyyən alətlərini tətbiq edərək, müştəriləri haqqında daha yeni məlumatları əldə edirlər.

bank machine learning data analitikasi excel telimi biznes analitikasi telimi  data socool

  Bu günlərdə, elektron bankçılıq xidməti müştərilərin işlərini asanlaşdırması və operativləşdirməsi səbəbilə sürətlə yayılır və  getdikcə daha çox istidafəçi qazanır. Bu xidmət, həmçinin, banklara istifadə edəbiləcəyi terabaytlarla müştəri məlumatı da “hədiyyə” edir. Data alimləri ilk olaraq bu məlumatlardan lazım olmayanları aradan qaldırır. Bunun üçün də data alimlərinin köməyinə SQL, Oracle kimi bəzi köməkçi vasitələr gəlir. Nəticədə, müştərilərin davranışları, zövqləri, qarşılıqlı əlaqələri və s. haqqında məlumatları əldə edilir. Sonrakı addımda, data alimləri düzgün maşın öyrənimi modellərini tətbiq etməklə, yeni gəlir fürsətlərini, daha uğurlu ola biləcək strategiyalar, effektiv yanaşmalar və s. aşkarlaya bilirlər. Maşın öyrənimi alqoritmləri müştərilərin maliyyə keçmişlərini öyrənərək spesifik maliyyə trendlərinin və bazarın inkişafının təsirlərini analiz edirlər. Son olaraq, bunlar hesabatlar yaratmaq üçün istifadə oluna bilər.

 

 

Avtomatlaşdırılmış risk menecment  

  Risk menecmenti banklar üçün çox vacib olan bir sahədir. Bankların güvənliliyi, etibarlılığı və stratejik qərarları risk menecmentdən asılıdır. Risklərin idarəedilməsi keçən illər ərzində maliyyə sektorunun təbiətinə uyğun olaraq dəyişiklərə uğramışdır. Bu günlərdə, maşın öyrənimi şirkətlərin inkişaf istiqamətini müəyyənləşdirməklə bərabər, risk menecmentinə çox kömək edir.

bank credit risk data analitikasi excel telimi biznes analitikasi telimi  data socool

 

  Risklərin mənbələri fərqli ola bilər, onlar rəqiblərdən, investorlardan, müştərilərdən qaynaqlana bilər. Bundan başqa risklər vacibliyi və səbəb ola biləcəyi potensial zərərə görə də bir-birindən ayrılır. Buna görə də, atılası əsas addımlar: riski müəyyən etmək, qruplaşdırmaq və yoxlamaqdır(monitorinq) ki, bunlar da maşın öyrənimi üçün çox uyğun bir tapşırıqdır. Müştəri məlumatları, maliyyə kreditləri və sığorta nəticələrini öyrənməklə, alqoritmlər yanlız risk modelləri hazırlamır, həmçinin, xərclərin səmərəliliyi və davamlılığını da artıra bilir.

    Data elminin risk menecmentə tətbiqlərindən biri də ola biləcək müştərilərdən hansıların kredit verilə biləcək ola bilməsini müəyyənləşdirə bilməsidir. Hansısa müştəriyə uyğun kredit məbləğini müəyyənləşdirmək üçün alqoritmlər həmin müştərilərin əvvəl etdiyi xərcləmə davranışlarını və  modellərini analiz edib, müəyyən nəticəyə gəlir. Bu yeni müştərilərlə işlədikdə çox faydalı olur.

 

  Bank sektorundakı risk menecmenti prosesinin elektronlaşması və avtomatikləşməsi erkən fazada olmasına baxmayaraq, potensialı çox böyükdür. Banklar və digər maliyyə qurumları maliyyə proseslərini avtomatlaşdıraraq, işçilərinin analitik qabiliyyətlərini inkişaf etdirərək və texnoloji yatırımlar edərək baş verməkdə olan bu dəyişikliyə hazırlaşırlar. Bu hazırlıqlar nə qədər sürətli və geniş həcmli olsa, həmin bank rəqabətdə bir o qədər öndə olacaqdır və daha çox kar əldə edəcəkdir.

  Real vaxt və proqnozlaşdırmaya əsaslanan analitika

  Bank sektorunda analitikanın artmaqda olan önəmi danılmazdır. Maşın öyrənimi alqoritmləri və data elmi alətləri bankların analitik strategiyalarının böyük ölçüdə inkişafına səbəb olmuşdur.  Məlumatların çeşidliyinin artması və daha əl çatan olması, analitikanın daha çoxyönlü və dəqiq olmasına gətirib çıxarır.

 

bank machine learning risk data analitikasi excel telimi biznes analitikasi telimi  data socool

  Əl çatan məlumatların potensial dəyəri düşündüyünüzdən çox daha dəyərlidir: son dövrlərdə datalar üzərində işləmə prosesinin xərci azalmış(istər maddi, istərsə də vaxt olaraq) və mənalı dataların miqdarı da əhəmiyyətsiz datalara nəzərən xeyli artmışdır. Ümumi olaraq, əlaqəli məlumatları əhəmiyyətsiz məlumatlardan ayırmadan effektiv problem həllinin tapılması və ağıllı qərar vermək çox çətindir. Real vaxt analitika(Real time analytics) işə mane olan problemləri anlamağa kömək edir, Proqnozlaşdırmaya əsaslanan analitika (Predictive analytics) isə sözü gedən problemi həll etmək üçün lazım olan üsulu seçməkdə kömək edir. Gələcəkdə baş verə biləcək problemlərin qarşısını ala bilmək üçün banklar analitikanı öz işlərinə inteqrasiya etməklə daha yaxşı nəticələr ala bilərlər.

 

Müştəri seqmentasiyası

  Müştəri seqmentasiyası, müştərilərin davranışlarına (davranışa əsaslanan seqmentasiya) və ya spesifik xüsusiyyətlərinə görə müəyyən qruplara bölünməsidir. Burada spesifik xüsusiyyət dedikdə, müştərinin doğulduğu bölgə, yaşı, aylıq gəliri, ailə vəziyyəti və s. nəzərdə tutulur. Data alimləri məntiqi reqressiya, qruplaşdırma (ing. clustering), qərar ağacı və s. kimi üsullar vasitəsi ilə az dəyərli və ya yüksək dəyərli seqmentləri müəyyən edir, hər bir müştəri seqmentinin “Müştərinin ömür boyu dəyəri”ni (ing. Customer Lifetime Value, hər hansısa müştərinin həyatı boyu şirkətə verə biləcəyi faydanın təxmini) müəyyən edə bilir. Bu məlumatlar da öz növbəsində bankların şəxslərə özəl yanaşmasına, gəlirlərini artırmasına və daha effektiv işləməsinə kömək edir.

  Bunu da unutmamaq lazımdır ki, müştəri seqmentasiyasının məqsədi müştərilərə daha yaxşı xidmət göstərmək və müştəriləri əldə saxlamaq üçün yaradılmışdır ki, bu da bank sektoru üçün çox əhəmiyyətlidir. Son dövrlərdə də, müştəri seqmentasiyasını data elmi olmadan təsəvvür eləmək çox çətindir.

bank risk data analitikasi excel telimi biznes analitikasi telimi  data socool

Müştəri dəstək xidməti  

  Müştəri dəstək xidməti müştərilərlə məhsuldar əlaqələri inkişaf etdirməkdə şirkətlərə kömək edən vasitədir. Banklar da xidmət sektorunun bir hissəsi olduğuna görə, müştəri dəstək xidməti banklar tərəfindən çox istifadə olunur. Ümumiyyətlə, müştərilərin müəyyən mövzularla bağlı sualları, narazılıqları və ya təklifləri olur və müştəri dəstək xidməti bu məsələlərlə məşğuldur. Data elmi bu proseslərin avtomatlaşdırılmasında, dəqiq, məhsuldar olmasında, o cümlədən, vaxta qənaət edilməsində bank üçün çox faydalı ola bilir.

  Data elminin tətbiqləri banklara böyük imkanlar təklif edir. Sadəcə banklar deyil, bütün şirkətlər rəqabət üstünlüyü qazanmaq üçün data elmini, analitikanı və maşın öyrənimini qərar qəbul etmə prosesinə, strategiyalarını müəyyənləşdirilməsinə, müştəriləri ilə əlaqə yaradılmasına, bir sözlə şirkətin özünün bir parçasına çevilməsinə daha çox diqqət ayırmalıdır. Biz yuxarıda data elminin bank sektoruna tətbiqi və verdiyi faydaların sadəcə bir hissəni haqqında məlumat verdik, ancaq bu hamısı deyil. Data üzərində işləməyin digər sektorlara da təsirlərini nəzərə alsaq, kifayət qədər genişdir və kəşf olunmağı gözləyir.
 

Daha çox oxu:

Data analitikasının sığorta sahəsində tətbiqi haqqında

Data analizinin risk menecmentində tətbiqləri

Big data iqtisadiyyatı və Biz


Paylaş: