داده‌کاوي ديگر يک مفهوم آينده‌نگر نيست، تفسير داده‌ها ارزان‌تر و راحت‌تر از هرزماني شده است.

داده‌کاوي ديگر يک مفهوم آينده‌نگر نيست، تفسير داده‌ها ارزان‌تر و راحت‌تر از هرزماني شده است. 

به گزارش افتانا (پایگاه خبری امنیت فناوری اطلاعات)، در U.S. Bank، داده‌هاي بزرگ (بيگ‌ديتا) يک مفهوم انتزاعي نيست. اين مفهوم براي اين بانک مستقر در مينياپوليس با سرمايه ۳۷۱ ميليارد دلار درآمدزايي خوبي دارد.
 
اين بانک تراکنش‌ها و رفتار آنلاين مشتريان را پايش کرده تا پيام‌هايي شخصي‌سازي‌شده براي‌شان ارسال کنند. اخيراً مدير يکي از شعب از اين طريق موردي را شناسايي کرده و با مشتري کسب و کاري خود تماس گرفت. اين مشتري با هدف وام گرفتن از يک بانک ديگر، پول زيادي را از U.S. Bank برداشت کرده بود. رئيس شعبه اين مشتري را قانع کرد که وام را از U.S. Bank بگيرد. 

ريکارد مارتينو، نايب رئيس ارشد داده‌هاي سازمان و تفسير آنها در U.S. Bank، مي‌گويد: «آنها نه‌تنها توانستند سرمايه‌اي که مشتري به آن نياز داشت را تهيه کنند، بلکه يک خط اعتباري به او دادند تا به هزينه‌ها برسد.» 

ديگر براي بازارياب‌ها و متخصصان يک مفهوم آينده‌گر نيست. شرکت‌هاي کارت‌هاي اعتباري سال‌ها است که از تحليل داده‌ها براي شناسايي کلاهبرداري‌ها، و همچنين ارائه طرح‌هاي اعتباري به مشتريان استفاده مي‌کنند، ولي اين راهکار به‌صورت گسترده توسط بانک‌ها مورد استفاده قرار نگرفته است، ولي اين روند در حال تغيير است. 

حتي امروزه بانک‌هاي کوچک هم برش‌هاي کوچکي از اطلاعات را خريداري مي‌کنند تا استراتژي‌هاي محوري خود را جهت دهند. هزينه اين‌گونه اطلاعات براي طيف وسيعي از شرکت‌ها ارزان‌تر شده و استفاده از آنها هم ساده‌تر شده است. 

محرک اين قضيه انباره داده‌ها هستند که هرچيزي را در مورد شما مي‌دانند و اينکه شما چيزي در مورد اکسيکوم در آرکانزاس، و آژانس‌هاي رتبه‌بندي اعتباري مانند اکويفکس در آتلانتا نمي‌دانيد. حجم و وسعت اطلاعاتي که مي‌توانيد خريداري کنيد غيرقابل انداز‌ه‌گيري است. انباره داده‌ها مي‌توانند مشتريان مناسب براي هدف‌گيري در کمپين‌هاي بازاريابي را شناسايي کنند، نه‌تنها بر اساس جايي که زندگي مي‌کنند، بلکه بر اساس عادت‌هاي خريد آنها، سطوح درآمدي آنها، قسط‌هايي که پرداخت مي‌کنند و اينکه چه مقدار دارايي‌هاي قابل سرمايه‌گذاري دارند. شما مي‌توانيد قبل از اينکه پيشنهاد يک وام را از طريق کمپين ايميلي براي‌شان ارسال کنيد، از خريد آنها مطمئن شويد. 

آيا مي‌خواهيد بدانيد کدام‌يک از مشتريان شما خود را براي خريد يک خانه آماده مي‌کند؟ جاي نگراني ندارد. داده بخريد. چه کساني مي‌خواهند ماشين بخرند؟ داده‌ها را چک کنيد. آيا مي‌خواهيد با تمام کساني که در عرض يک هفته از نزديکي يکي از شعبه‌هاي شما رد شده‌اند تماس برقرار کنيد؟ (قبل از اينکه در بانک ديگري حساب باز کنند؟) به داده‌ها نگاهي بيندازيد. 

تحليل داده‌ها مي‌تواند درزمينه خدمت‌رساني به مشتريان و مديريت روابط با آنها، به‌علاوه ريسک‌ها و تطابق با قوانين مورداستفاده قرار گيرد. چالش‌ها تعيين مي‌کنند که بانک شما به چه داده‌هايي نياز دارد، چگونه آنها را تفسير کند و بر آن اساس برنامه‌هاي خود را اجرايي کند. به گفته پاتريک گراسرود، مدير محصول در «خدمات بازاريابي ديلاکس»، «بانک‌ها و مؤسسه‌هاي اعتباري با اين مسئله در حال تقلا هستند، آنها نمي‌توانند ترکيبي مؤثر را پيدا کنند. انگار که مي‌خواهند آب اقيانوس‌ها را به‌جوش بياورند.» 

بانک‌هاي بزرگ صدها کارمند دارند که در حوزه تحليل داده‌ها کار مي‌کنند و سعي همگي آنها بر اين است که دريابند داده‌هاي آنها در مورد مشتريان‌شان چه مي‌گويند. برخي از آنها درزمينه کمپين‌هاي بازاريابي يا تشخيص کلاهبرداري‌ها يا مديريت تطابق با قوانين کار مي‌کنند. به‌گفته شريف مليس، يکي از مديران شرکت مشاوره خدمات مالي نوانتاس، بزرگ‎ترين بانکها حدود ۴۰ نفر تحليلگر شعبه‌ها، ۵۰ نفر تحليلگر قيمت‌گذاريها، و ۱۰۰ نفر تحليلگر بازار در اختياردارند. بر اساس برآوردهاي او، بانک‌هايي که از تحليل داده‌هاي مربوط به مشتريان استفاده مي‌کنند سالانه حدود ۳ تا ۴ صدم درصد درآمد خود را افزايش مي‌دهند. 

مدير بخش بانکداري خرده‌فروشي در شرکت اکويفکس، برد جونز مي‌گويد «بانک‌هاي بزرگ ارتشي به‌اندازه شرکت ما دارند که درون داده‌ها پرسه مي‌زنند. آنها نزديک‌بين هستند و حتي نمي‌دانند شرکت‌شان با اين داده‌ها چه مي‌کنند. آنها فقط به داده‌ها نگاه مي‌کنند.» 

براي حفاظت از مشتريان، آژانس‌هايي مانند «شرکت فدرال بيمه سپرده‌گذاري» بانک‌ها را مجاب کرده بيانيه حريم خصوصي خود را منتشر کرده تا مشتريان بدانند داده‌هاي خصوصي آنها چگونه پردازش شده و درصورت تمايل اجازه پردازش اين داده‌ها را به آنها ندهند. 

راهکار اصلي براي يک بازاريابي داده خوب اين است مشتريان خود را هدف‌گذاري کنيد بدون اينکه حس کنند روي آنها جاسوسي مي‌کنيد. براي مثال U.S. Bank، رئيس شعبه در تماس تلفني با مشتري اسمي از تراکنش بزرگ مالي نبرد، بلکه از او پرسيد که آيا از بانک و خدمات آن رضايت دارد يا خير. 

بانک‌ها همچنين مي‌توانند از عرضه‌کننده‌هاي خارجي استفاده کنند تا کمپين‌هاي بازاريابي را ترويج دهند. براي مثال، زماني که يک آژانس رتبه‌بندي اعتبار مي‌تواند ببيند که شما ماهانه چه مقدار قسط براي خودرویی که خريده‌ايد پرداخت مي‌کنيد، آنها مي‌توانند رتبه شما را تعيين کنند و زماني که يک ماشين ديگر مي‌خريد، به بانک شما بگويند که زمان يک پيشنهاد خود رسيده است. بانک‌ها بيشتر از آنچه فکر م‌يکنند در مورد مشتريان خود داده در اختياردارند،. ولي گردآوري داده از هر زمان ديگري ساده‌تر شده است. 

کوري بوث، شريک مديريتي گروه مشاوران بوستون ميگويد «بهترين چيز در مورد تحليل داده‌ها اين است که اين روزها از هر زمان ديگري ارزان‌تر شده است.» راهکارهاي رايانش ابري مي‌توانند به ذخيره‌سازي داده‌ها کمک کنند. شرکت‌هاي فناوري محوري استارت‌آپي سعي دارند از نرم‌افزارهاي ارزان‌تر استفاده کنند. وي مي‌افزايد «کار سختي است، ولي نه به‌اندازه‌اي که قبلاً بود.» 

براي مثال، شرکت StrategyCorps، که يک محصول حساب‌جاري بانکي به نام بازينگ را ارائه مي‌دهد، از داده‌هاي خود بانکها استفاده مي‌کند تا به آنها در تشخيص اينکه چه مشترياني سودده هستند کمک‌کند. آنها اين تحليل‌ها را بر اساس معيارهاي زيادي، از درآمدهاي دستمزد اعتباري گرفته تا قسط‌ها، انجام مي‌دهند. 

به مشتريان سود‌ده يک حساب‌جاري بانکي، با ارزش افزوده و کوپن‌ها و خدمات متنوع، به‌صورت رايگان، داده مي‌شود. مشتريان غير سودده مي‌توانند با پرداخت ۶ دلار به‌صورت ماهانه از اين حساب‌هاي جاري بهره‌مند شوند (يا درصورتي‌که ميزان سپرده‌گذاري آنها از يک مقدار مشخصي بيشتر باشد، از حساب‌هاي ساده استفاده کنند). اصولاً بانک‌هايي که ميزان دارايي آنها بين ۵۰۰ تا ۷۵۰ ميليون دلار است از بازينگ استفاده مي‌کنند. 

گراسرود مي‌گويد اگر بانک‌ها مي‌خواهند به‌خوبي از داده‌ها استفاده کنند، مسائل زيادي هستند که از همان ابتدا بايد موردتوجه قرار دهند. لازم است تعيين کنيد که چه‌کار مي‌خواهيد بکنيد. سپس بايد از خود بپرسيد که آيا اين مسئله قابل اندازه‌گيري است يا خير. اگر قابل اندازه‌گيري نيست، همان‌جا کار را متوقف کنيد. سؤال بعدي اين است که: آيا مي‌توان از اين کمپين درآمدي کسب کرد؟ اگر بعد از انجام تحليل به اين نتيجه رسيديد که تنها ۷ نفر هستند که بايد به سراغ‌شان برويد، ممکن است اين تحليل سودده نباشد. 

آيا بخشي از بازار که روي آن متمرکز شده‌ايد، آن‌قدر ثابت هستند که در طول زمان ناپديد نشوند؟ چگونه موفقيت خود را ردگيري و اندازه‌گيري مي‌کنيد؟ آيا موفقي شما بر اساس تعداد کساني است که روي يک تبليغ آنلاين کليک مي‌کنند يا تعداد کساني که فرم‌هاي درخواست سرويس را پر مي‌کنند؟ نقاط کنترلي ايجاد کنيد، گويي که يک آزمايش علمي را انجام مي‌دهيد. چه اتفاقي خواهد افتاد اگر اين کمپين بازاريابي را انجام ندهيد؟ و چگونه اين را خواهيد دانست؟ سازمان‌هايي که دپارتمان بازاريابي مقياس‌پذير ندارند، مجبور خواهند شد يک شرکت بازاريابي را استخدام کنند تا در تصميم‌گيريها و طراحي کمپين به آنها کمک کنند. چه اتفاقي مي‌افتد اگر شما به تحليل داده‌ها وارد نشويد؟ به‌هرحال اين کار زمان‌بر و گران به‌نظر مي‌رسد. راه منسوخ شده ايجاد درخواست‌هاي رهن خانه اين است که با بنگاه‌هاي معاملات ملکي رابطه برقرار کنيد. ولي اين راه‌هاي قديمي ديگر چاره‌ساز نيستند. اين روزها بيشتر مردم از طريق اينترنت خانه‌ها و خودروهاي قسطي را جستجو مي‌کنند. 

استفان راميــرز، مديـــرعامـــل شرکـــت Beyond the Arc که تحليلگر داده‌ها براي بانک‌ها است، عنوان مي‌کند که اين روزها مشتريان جوان‌تر، بيشتر به توصيه دوستان خود توجه مي‌کنند تا به توصيه بنگاه‌هاي معاملات ملکي. مردم روي رهن‌هاي خود قيمت مي‌گذارند و از طريق آنلاين پيشنهاد دريافت مي‌کنند. وي مي‌گويد «اين نوآوري‌ها در حال ريشه دواندن هستند و امروزه تدوين يک استراتژي کسب وکاري و سازگاري اين استراتژي با اولويت‌هاي شما، بيش از پيش اهميت يافته است. 

پل شاوز، مديرعامل و مؤسس شرکت مشاوره CCG Catalyst مي‌گويد اکنون زماني حياتي براي بانک‌ها است تا به نحوه استفاده خود از داده‌ها توجه بيشتري نشان دهند. او مي‌گويد «فناوري ما را قادر ساخته است تا مشتريان خود را نشان کرده و آنها را به بانک خود جذب کنيم. اگر شما اين کار را نکنيد، رقباي شما اين کار را خواهند کرد و شما با مشترياني باقي خواهيدماند که هيچ بانکي آنها را نمي‌خواهد.» 
منبع: ماهنامه دیده‌بان فناوری- شماره نخست