23.11.2022 By: Aysu Məhərrəmli

Bank sektorunda "Data Science" rolu

Bankçılıqda Data Science-ın tətbiqi bank sənayesinin simasını sürətlə dəyişir. Hər bir bank Data Science-in tətbiqi ilə bağlı daha yaxşı yol axtarışındadır.

Belə ki: 
  • - Banklar müştərilərini daha yaxşı başa düşmək üçün daha səmərəli əməliyyat üsullarını təmin edərək müştəri loyallığını artırırlar;
  • - Banklar müştərilərlə səmərəli əlaqə qurmaq üçün mövcud əməlliyat məlumatlarının nümunələrini müəyyənləşdirməyə çalışılırlar; 
  • - Data Elmi ilə banklar müştəri əməliyyatları, əvvəlki tarix, trendlər, kommunikasiya,  loyallıq kimi məlumatları istifadə edirlər;
  • - Böyük miqdarda məlumatdan önəmli qavramların çıxarılması banklar üçün böyük çağırışdır. Çünki, bunlar əsasən strukturlardırılmamış məlumatlardır; 
  • - Banklar data elmindən saxtakarlığın aşkarlanması, müştəri seqmentasiyası kimi müxtəlif vacib tapşırıqların həllində istifadə edirlər;
  • - Bu məqaləmizdə Data Science-ın bank sahəsində müxtəlif mövzularda olan əhəmiyyətindən danışacağıq.
  •  
1. Saxtakarlığın aşkarlanması
Saxtakarlığın aşkarlanması bank sənayesində olduqca əhəmiyyətli mövzudur. Bank sektorunun ən böyük narahatlığı müştərilərin və işçilərin tam təhlükəsizliyini təmin etməkdir. Bu səbəbdən, banklar zərərləri minimuma endirmək üçün saxtakarlığı mümkün qədər tez aşkarlayacaq yolların axtarışındadırlar.

Data Science bank sektoruna lazımı qorunma səviyyəsinə çatmaqda və maliyyə itkilərinin qarşısını almaqda kömək edir. Data Scientist-lər müştərilərin müxtəlif bank fəaliyyətlərini izləmək və təhlil etməklə müştəri təhlükəsizliyini artırmağa qadirdirlər və bu yolla  hər hansı şübhəli və zərərli fəaliyyət aşkarlana bilir.
Saxtakarlığın aşkarlanmasına daxil olan əsas əməliyyatlar bunlardır:

  • - Təlim və modelin sınanması üçün çox sayda məlumat nümunəsinin toplanması;
  • - Proqnozlaşdırma üçün modelin hazırlanması;
  • - Nəticə və yerləşdirmənin dəqiqliyinin yoxlanması.

Data Scientists-lər əlaqələndirmə, klasterizasiya, təsnifatlaşdırma kimi müxtəlif data mining texniki biliklərə sahib olmalıdırlar və onlar müxtəlif məlumat bazası ilə işləmək və real vaxt rejimində bank problemlərinə tətbiq oluna biləcək bəzi vacib fikirlər əldə etməkdə  müştərilərə kömək etməlidirlər. Məsələn, hesab sahibinin özü onları yoxlayana qədər birdən-birə müştərinin hesabından böyük miqdarda əməliyyatlar baş verərsə, gələcək əməliyyatları saxlayan bir sistem düşünək. Bu cür sistemlər müştərilərə hesab əməliyyatlarını nəzarətdə saxlamaqda kömək edir. 

2. Müştəri məlumatlarının idarə edilməsi
Günümüzdə banklar iri məlumat bazasına malikdir, bu qədər böyük datanı toplamaq, təhlil etmək və saxlamaq olduqca çətindir. Buna görə də, bir çox bank təşkilatları Data Science və Machine Learning.ə aid olan fərqli alət və texnikalardan istifadə edirlər.
Data Science və Machine Learning aid olan fərqli alət və texnikalar bu məlumatları elə bir formata çevirir ki, müştəriləri daha yaxından tanımaq, yeni strategiyaları inkişaf etdirmək, daha yaxşı gəlir mənbəyi qazanmaq üçün istifadə edilsin. Son vaxtlar, rəqəmsal bankçılığın istifadəsi və populyarlığı ilə əlaqədar olaraq hər gün terabaytlarla məlumat yaradılır.
Data Scientists-lər ilk olaraq onlara faydalı olan dataları ayırmaq üçün fərqli üsullar tətbiq edirlər. Bu məlumatların təhlili onlara müştəri davranışı, öncəlikləri haqqında fikirlər qazanmağa kömək edir ki, bu da banklara daha dəqiq nəticələr verən səmərəli modellər hazırlamağa imkan yaradır. Müxtəlif Machine Learning alqorimtlərinin tətbiqi banklara gəlir qazanmaq üçün yeni imkanlar yaratmağa və məlumata dayanan qərarlar verməyə kömək edə bilər.

3. Risklərin modelləşdirilməsi
Risklərin müəyyən edilməsi və qiymətləndirilməsi investisiya bankları üçün narahatlıq mənbəyidir. Müxtəlif maliyyə fəaliyyətlərini tənzimləmək və fərqli maliyyə alətləri üçün doğru qiyməti müəyyənləşdirmək üçün banklar Data Science-dən istifadə edirlər.

Risk modelləşdirilməsinin növləri bunlardır:

* A. Kredit risk modelləşdirilməsi
Bu, banklara müştərilərin əvvəlki tarixlərini və kredit hesabatlarını təhlil etməklə müştərinin borc ödəmə qabiliyyətini proqnozlaşdırmağa icazə verir. Kredit risk təhlili hər bir hal üçün risk qiymətləndirməsini hesablamağa kömək edir. Bundan sonra isə bank risk qiymətləndirməsinin dəyərindən asılı olaraq kreditə icazə verib-verməməyə qərar verir.

* B. İnvestisiya risk modelləşdirilməsi
İnvestisiya bankları riskli investisiyaları müəyyənləşdirmək üçün risk modelləşdirilməsindən istifadə edir. Bu banklara müştərilərə daha yaxşı investisiya məsləhətləri vermək və mənfəəti artırmaq üçün doğru qərarlar verməyə kömək edir. Məhz bu səbəblər risk modelləşdirilməsini banklar üçün vacib edir. İndi bank təşkilatları Data Science həllərindən istifadə edərək effektiv risk modelləşdirilməsi üçün yeni strategiyalar qururlar. Bu onlara məlumata dayanan səmərəli qərarlar verməyə kömək edir

4. Müştərinin Ömürlük Dəyərinin (CLTV) proqnozlaşdırılması
Xalis mənfəətin proqnozlaşdırılan dəyərinə müştərinin ömürlük dəyərinin pronozlaşdırılması deyilir. müştərinin ömürlük dəyərinin pronozlaşdırılması bütün biznes əlaqələri ərzində bir müştəridən qazanılacaq dəyərdir.

Banklar gələcəkdə hər hansı müştəridən qazanılacaq gəlirləri proqnozlaşdırmaq üçün fərqli proqnoz təhlil yanaşmalarından istifadə edir. Bu, bankların proqnozlaşdırılan gələcək dəyərləri əsasında müştərilərin müəyyən qruplara bölünməsinə kömək edir. Bu, banklara müştərilərin gələcək proqnozlaşdırılan dəyərləri əsasında onları müəyyən qruplara bölməkdə kömək edir. Yüksək gələcək vəd edən müştəriləri müəyyən edilməsi təşkilatlara bu cür müştərilərlə yaxşı əlaqələr saxlamağa imkan yaradır. Bunu banklar daha yaxşı müştəri xidməti, qiymət, təklif, endirim kimi daha çox vaxt və resursların qoyulması kimi xidmətlər ilə edilə bilər. Classification and Regression Tree(CART), Stepwise Regression and Generalized Linear Models(GLM) bu cür məqsədlər üçün ən geniş istifadə olunan Data Science alətləridir.

Etibarlı və gəlirli müştəriləri tapmaq və onlarla əlaqədə olmaq banklar üçün həmişə böyük prioritetdir. Artan rəqabət şəraitində banklar öz resurslarından daha səmərəli istifadə etmək üçün müştərilərinin hər bir fəaliyyətinə nəzarət etməlidirlər. Banklar bu problemin həlli üçün müştəri məlumatlarını toplamaq, təmizləmək və təhlil etmək üçün Data Science-dən istifadə edir. Nümunə olaraq  müştəri davranışı və gözləntiləri haqqında lazımı fikirlər əldə etməyi göstərə bilərik. Data Science-dən istifadə edərək Müştərinin Ömürlük Dəyərinin proqnozlaşdırılması təşkilatlara inkişaf və məfəətləri üçün daha uyğun qərarlar verməkdə yardımçı olacaq.

5. Müştəri dəstəyi
Effektiv müştəri dəstəyinin çatdırılması şirkətlərə öz müştəriləri ilə uzun müddətli əlaqələr qurmaqda kömək edir. Müştəri Dəstəyi Müştəri Xidmətlərinin çox önəmli hissəsidir. 
Müştərilərə bankın təklif etdiyi fərqli xidmətlərin istifadəsində kömək etmək banklara öz müştəriləri ilə daha yaxşı ünsiyyətdə olmağa zəmin yaradır. Müştəri dəstək xidmətləri onları daha yaxşı anlamaq üçün müştərilərin sual və şikayətlərinə mümkün qədər vaxtında cavab vermək kimi xarakterizə edilə bilər. Data Science bank sənayesinə müştərilərə daha yaxşı və dəqiq cavablar vermək üçün bu xidməti avtomatlaşdırmağa kömək edir. Həmçinin, şirkətlərə öz işçilərinə ayırdığı vaxtı və məbləği azaltmağa kömək edir.

6. Müştəri seqmentləşdirilməsi
Banklar müştəriləri müəyyən qruplara bölmək üçün müştəri seqmentasiyası fəaliyyətini həyata keçirir. Bu qruplar ya davranış seqmentasiyası adlanan müştərilərin davranışlarından asılı olaraq yaxud da demoqrafik seqmentasiya adlanan müştərilərin müəyyən xüsusiyyətlərindən asılı olaraq yaradılır. Demoqrafik seqmentasiyaya din, cins, yaş, gəlir və s. kimi faktorlar daxildir.

Müştəri seqmentasiyası banklara öz vaxt və resurslarını müvafiq şəkildə ayırmağa icazə verir. Klasterinq, qərarvermə ağacı, məntiqi reqressiya kimi Data Science texnikaları banklara bu işdə kömək ola bilər. Bunun köməyi ilə onlar fərqli müştəri seqmentləri üçün Müştəri Ömürlük Dəyərini proqnozlaşdıra bilər, məsələn, yüksək və aşağı dəyərli müştərilərin müəyyən edilməsi.

Müəyyən müştəri qruplarını hədəfləməklə seqmentasiya təşkilatlara satışlarını artırmaq üçün resursların daha effektiv istifadəsinə kömək edir. Bu həmçinin daha yüksən müştəri xidməti göstərmək və müştərilərin loyallığını artırmaq üçün istifadə edilə bilər.

7. Tövsiyyə mexanizmi
İstənilən bir sahədə müvəffəqiyyətin açarı istifadəçilərə onların həqiqətən istədiyi seçilmiş mal və xidmətləri təklif etməkdir. Fərqli Data Science və Machine Learning alətləri sənaye sahələrinə müştərilərin fəaliyyətini təhlil edərək öz müştəriləri üçün ən uyğun məhsulları müəyyən etməyə kömək edir. Data Scientyst-lər əvvəlki axtarış tarixçəsindən, əməliyyat tarixçəsi və profil məlumatlarından bütün istifadəçi məlumatlarını əldə edir. Bu da banka onları təhlil etmək və istifadəçiləri maraqlandıra biləcək daha dəqiq proqnozlar vermək üçün şərait yaradır.

Tövsiyyə mexanizmləri iki alqoritmanın köməyi ilə qurula bilir. Birincisi, istər müştəriyə, istərsə də əmtəəyə istiqamətlənə biləcək əməkdaşlıq filterləmə üsuludur. Bu istifadəçi davranışını qiymətləndirərək yeni istifadəçilərə tövsiyyələr verir.

İkincisi isə, məzmuna əsaslanan filterləmə üsuludur. Bu, istifadəçiyə öncəki fəaliyyətlərində bəyəndiyi məhsullara ən çox oxşar olanları tövsiyyə edir. Yuxarıda qeyd edilən üsullar məqsəd və şəraitlərindən asılı olaraq tövsiyyə mexanizminin qurulmasında istifadə edilə bilər.

8. Real vaxt və proqnozlaşdırma təhlili
Bank işində istifadəçinin hər bir əməliyyatı əhəmiyyətli məlumat mənbəyidir. Hansı ki, biz məlumatlardan istifadə edərək müxtəlif təhlil üsullarını tətbiq edə və gələcək hadisələri proqnozlaşdıracaq faydalı bilgilər əldə edə bilərik. Bankçılıqda təhlillərin aparılması üçün müxtəlif Data Science və Machine Learning üsullarından istifadə edilir. Məlumatların artan həcmi Data Science mütəxəssisləri üçün biznesə kömək edə biləcək faydalı məlumatları deşifrə etmək üçün bir çox imkanlar yaradır.

Bank işində əsasən iki növ təhlil üsulundan istifadə edilir:
  • - Real vaxt təhlilləri banklara cari ssenarilərə nəzərdən keçirmək və müvafiq addım atmaq imkanı yaradır.
  • - Proqnozlaşdırılan təhlillər banklara gələcək haqda fikir yürütməyə kömək edir. Deyə bilərik ki, bu, banklara yaxın gələcəkdə yarana biləcək problemləri proqnozlaşdırmaq, lazımi addımlar atmaq, bir sözlə onun təsirini minimuma endirməkdə yardımçı olur.

Yekun
Bank işində Data Science-in müxtəlif tətbiq sahələrini araşdırdıqdan sonra deyə bilərik ki, Data Science bütün aparıcı bank təşkilatlarına kömək edir. Bu rəqiblərlə ayaqlaşmaqmüştərilərə ən yaxşı xidmətləri təmin etməkdə kömək edir. Bankçılıqda Data Science saxtakarlığın aşkarlanması, tövsiyyə mexanizmlərinin hazırlanması, müştəri dəstəyinin səmərəli təmin edilməsi kimi müxtəlif bank fəaliyyətlərində əhəmiyyətli rolu oynayır.