أجبرت الهزات الاقتصادية العالمية و عمليات الاندماج الكبرى المصارف على إعادة التفكير في وضع استراتيجيّات جديدة وتطوير نماذج أعمال تسمح لهم بالمنافسة و الاستمرار ضمن عالم تقني يتطوّر تطوراً مذهلاً. طبعاً أدركت المصارف أنّ عليها و بشكل سريع اتخاذ القرارات الاستراتيجيّة الصحيحة بسرعة. التحدي الأكبر الذي يواجهها الآن هو القدرة على جمع بيانات العملاء و المورّدين إضافة إلى البيانات التنظيميّة الهامة و المبعثرة ضمن عشرات أنظمة العمليات و التحويلات الموجودة.

تواجه جميع المصارف في العالم نفس التحديات وهي: كيف يمكنها تخفيض التكاليف و زيادة الأرباح؟ كيف يمكنها أن تعين و تجذب و تبقي على أكثر العملاء ربحيةً، مع تقليص المخاطر في نفس الوقت؟ ثمّ كيف يمكنها إنشاء و تنفيذ استراتيجيّة متماسكة و فعّالة تسمح بالحصول على قيمة مساهمة أعظمية؟

للإجابة عن هذه الأسئلة لابدّ من الاستعانة بحلول مصرفيّة ذكيّة Banking Intelligence Solutions، تعتمد على تقنيات التنقيب في المعطيات و مخازن المعطيات. يمكن أن تعتمد هذه الحلول على العديد من المكوّنات التي تزيد مرونتها و تسّرع تطبيقها. تعتمد البنية الأساسية لهذه الحلول أساسياً على مصادر معطيات المصارف Banking Data Sources. يمكننا بناء مخزن معطيات تفصيلي Detailed Data Store اعتماداً على نماذج معطيات منطقية و فيزيائيّة مبنيّة سلفاً، و باستخدام التعاريف الموجودة ضمن واصف المعطيات metadata،وهذا مما يساعد على تنظيم معطيات العملاء بسرعة. يجري بعد ذلك استخدام مرحلة خاصة هي مرحلة الاستحصال، والتحويل، والتحميل Extraction, transformation and loading (ETL) التي تقوم بتجهيز و تحميل معطيات العملاء، اعتماداً على المتطلبات الخاصة لكلّ مصرف، و ذلك لإجراء التحليلات ضمن متاجر المعطيات التحليلية Analytic Data Marts. تستخدم بنى المعطيات الموجودة ضمن متاجر المعطيات هذه ضمن التطبيقات المتعلقة بالعملاء كالتقطيع وكشف الاحتيال و غيرها، أو ضمن التطبيقات المتعلقة بإدارة المخاطر Risk Management. يوضح الشكل التالي مخططاً مقترحاً للبنية الأساسيّة للحلول المصرفية الذكيّة:

سنعرض في الفقرات التالية أهمّ الخيارات التي يمكن الاستعانة بها لتحسين أداء الأعمال المصرفيّة:

مكافحة تبييض الأموال Anti-Money Laundering

إذا كنت من متتبعي نشرات الأخبار، أو قارئاً للصحف المنشورة خلال السنوات القليلة الماضية، فلا بدّ أنّك أصبحت تعرف أنّ العمليّات الماليّة غير القانونيّة، كعمليّات تبييض الأموال، قد أصبحت موضوعة تحت التدقيق و المراقبة الشديدين في مختلف أصقاع العالم، إضافةً إلى مجهودات الحكومات العالمية بغية وضع حدّ لهذا التهديد المتنامي. نتيجةً لذلك، وجدت المصارف، والوحدات الماليّة (إضافةً إلى الأشخاص التنفيذيين فيها) نفسها موضوعة تحت المراقبة، و قابلة للمحاسبة في حال حدوث أيّ عمل مالي غير قانوني لديها.

لم تساعد الإجراءات اليدوية التي استخدمها الكثير من المؤسسات في وضع حدّ لعمليّات تبييض الأموال. لذلك ظهرت حاجة ماسّة لإنشاء نظام ذكي، يعتمد على أدوات التنقيب في المعطيات، يقوم بمعالجة الكميات الهائلة من المعلومات الموجودة في مختلف أقسام المؤسسة، و تحويلها إلى معرفة مفيدة تساعد  تلقائياً على تصنيف أيّ سلوك مشبوه.

هذا الأمر يساعد على الوصول إلى المعلومات المهمة بسرعة، و اكتشاف العمليّات المشبوهة بدقة أكبر، مع إمكان حجز المصادر على وجه أفضل ووفقاً لمتطلباتك، و سهولة الوصول إلى مسار المراجعة audit trail، و عرض هذه المعلومات على المحقّقين عرضاً دقيقاً.

إذن هذا الحلّ يسمح للمصارف بتجميع معلوماتها من مصادر المعلومات المختلفة، ثمّ تحويل المعطيات المناسبة إلى معرفة مفيدة، يجري بعدها الكشف عن العمليّات المشبوهة، و إعلام المحقّقين والسلطات بدقة. يمكن على سبيل المثال إرسال إنذار نحدّد بواسطته الشخص الذي أجرى التحويل، و مكان التحويل أو التحويلات المشبوهة، و حجم المبلغ الذي جرى تحويله، إضافةً إلى معلومات أخرى مرتبطة. أغلب الأنظمة الموجودة حالياً تحتوي  أنظمة إنذار عن طريق الوب e-alerts.

تسمح تقنيات التنقيب في المعطيات بإنشاء أدوات استكشاف فعّالة. فبإمكانك تصميم و تخمين سيناريوهات جديدة، و تحسين السيناريوهات الموجودة اعتماداً على معلومات الأداء القديمة. وبالطبع مهما كبر حجم هذه المعلومات، فبالإمكان التنقيب فيها و اكتشاف العمليّات المشبوهة بطريقة ذكيّة اعتماداً على العديد من تقنيات التنقيب كالتقطيع segmentation، و التشكيل profiling، و النمذجة التوقعيّة predictive modeling. بالإمكان كذلك تحديد نماذج patterns قد تحتوي دلالات على وجود عمليّات تبييض أموال. يمكننا أيضاً دمج الطرق التجريبيّة heuristic methods التي تستخدم للبحث عن الأنماط المعروفة لعمليّات تبييض الأموال، وذلك في الطرق الإحصائيّة statistical methods.

يمكننا أيضاً استخدام تقنيات النمذجة التوقعيّة predictive modeling كالشبكات العصبونيّة neural networks، و المنطق العائم fuzzy logic، و التحليل الارتدادي regression analysis بغية استخراج مجموعات الأشخاص الذين يظهرون غير مرتبطين و لا يتبعون سلوك كامل المجموعة، وذلك بدلاً من استخراج الحسابات الشخصيّة فقط.

يمكن أيضاً مراقبة و تحليل معلومات العملاء بمرور الزمن. هذا الأمر يسمح بتعريف قيمة حديّة threshold تساعدنا على أن نقرر أن تحويلاً ما قد أصبح مشبوهاً أم لا.

الاستجابة لمتطلبات اتفاقيّة Basel II

بغية الاستجابة لمتطلبات اتفاقيّة Basel II، كان على مؤسسات الخدمات الماليّة مراقبة الأرصدة، و التحويلات بعناية أكثر. لذلك كان عليها البحث عن أفضل الخيارات التي تقلّص الأخطار، وتساعد على الالتزام بالقوانين الموضوعة.

تزوّدنا اتفاقيّة Basel II بإطار عام لإدارة المخاطر وذلك للمحافظة على استقرار المؤسسات المالية، وذلك بإجبارها على اتخاذ خطوات فعّالة تتضمّن:

·        بناء قاعدة بيانات خاصة بمراقبة أخطار ضياع العمليّات.

·   تحديد وجود فجوات ضمن المعطيات للتحقق من وجود المعطيات اللازمة لحساب العمليّات المطلوبة ضمن المؤسسات.

·        تزويد المعطيات في الزمن الحقيقي لضمان إجراء تحليل مخاطر مستمر.

·   بناء البنية التحتيّة التي تمكّن أيّ مستخدم، و في أي وقت، من متابعة مصدر البيانات الخطرة، و فهمها، و الإجراءات المضادة التي جرى تطبيقها .

استجابةً لهذه المتطلبات، قامت المؤسسات المالية الكبيرة ببناء مخازن معطيات خاصّة، و إجراء تحليلات متعددة الجوانب، و استخدام أدوات التنقيب في المعطيات.

وقد توقّع آخر تقرير صدر عن مجموعة أبردين Aberdeen Group أن تحتاج المصارف إلى صرف أكثر من 3.2 بليون دولار خلال الأعوام الأربعة القادمة من أجل التحضير لاتفاقية Basel II.

تحليل ربحيّة العملاء Customer Profitability Analysis

يمكن تحليل ربحيّة العملاء اعتماداً على المنتجات، و العملاء، و الخرج الناتج عن العلاقة بين العملاء و المصارف، مروراً بالمنتجات باستخدام طرق تعتمد على أدوات التنقيب في المعطيات. يمكن باستخدام هذه الطرق فهم نمط علاقة العميل بالمصرف، التي أدت إلى تحقيق أرباح في الماضي، ومن ثم توقّع نتيجة هذه العلاقة في المستقبل.

فهم ربحيّة العملاء هام جداً، و بخاصة في شركات الخدمات، كالمؤسسات الماليّة و شركات الاتصالات التي تقدّم خدمات مباشرة للعملاء.

ربحيّة العملاء customer profitability في مؤسسات الخدمات المالية أهم بكثير من ربحيّة المنتجات product profitability لأنّ تكلفة تزويد منتج خدمة تتحدّد عادةً بسلوك العميل. لنأخذ على سبيل المثال منتجاً قياسياً كالتحقّق من الحساب checking account. فقد يقوم عميل واحد بإجراء إيداعات ، أو سحوب أو طلبات خدمة قليلة جداً، ويقوم باستخدام القنوات الإلكترونية ATM و الإنترنت فقط. هذا النوع من العملاء يستخدم نسبة منخفضة من مصادر المصرف. بعكس عميل آخر يقوم بإجراء عمليات سحب أو إيداع متكرّرة، بحيث يحاول عدم الاحتفاظ إلا بمبالغ قليلة من المال بين يديه. هذا النوع من العملاء قد يكون غير مربح أبداً ضمن ظروف التسعير المعتمدة. لذلك يجب على مؤسسات الخدمات تحديد ربحيّة كلّ عميل من العملاء، حتى أؤلئك الذين يستخدمون منتجات معياريّة.

التطوّر الحاصل باتجاه شركات العملاء customer-centric company يتطلب معرفة القيمة الحالية و المستقبليّة لجميع عملائك، لإن شركتك بدون هذه المعلومات تسير بالتأكيد على غير هدىً. للحصول على هذه المعلومات ستحتاج للإجابة عن الاستفسارات التالية: ما هو نوع الخدمة، و العروض الخاصة التي يجب أن يحصل عليها العميل؟ ما هي المنتجات التي تحتاج إلى دعم تسويقي إضافي و ميزانية إضافيّة؟ ما هي الخدمات التي يجب إيقافها؟

المشكلة الأساسيّة التي نحتاج إلى حلّها هي تحديد جميع الموارد و المصاريف المرتبطة بعميل. من هنا يجب الأخذ بعين الاعتبار مشهدين من مشاهد ربحيّة العملاء:

1.  المشهد الحالي Current: الذي يدلّ على ربحيّة عميل ما و كيف يساهم في الشركة خلال الشهر أو الربع الحالي، أو خلال وحدة زمن أخرى.

2.  المشهد المستقبلي Forward-looking: و يعرف كذلك بقيمة عمر lifetime value عميل. يأخذ هذا القياس بعين الاعتبار البيانات السكانيّة والاتجاهيّة، وذلك بغية توقّع المكاسب المحتملة من العميل في المستقبل. على سبيل المثال، قد يمتلك مصرف عميلين لهما نفس قيمة الربحيّة الحاليّة، لكن أحدهما جراح عمره 30 سنة تقريباً، وقد بدأ حياته المهنيّة للتو، أما الثاني فعمره 75 عاماً و متقاعد. من وجهة نظر الربحيّة، هناك اختلاف كبير بين الرجلين. يطبّق النموذج الإحصائي statistical modeling في أغلب الأحيان على الصفات السابقة للحصول على قيم عمر عميل.

يمكن باستخدام المعطيات الرقميّة (التحويلات، عدد المنتجات، قيمة الحساب، القروض) حساب الربحيّة الحالية لكل عميل من عملاء المصرف. ويمكن أن يأخذ هذا الإجراء معرفة لها معنى أكبر باستخدام المتحولات التصنيفيّة وذلك لوصف و تمييز العملاء (وصف الأصول، استخدام المنتجات، المعلومات الجغرافيّة، الحالة العائليّة، المستوى التعليمي، العمر). باستخدام هذه المعلومات يمكننا حساب الربحيّة ذات المدى الطويل، و إجراء توقّعات عن السلوك المستقبلي والعلاقة بين العملاء و المصرف.

من المهم جداً فهم الربحيّة الحاليّة و المستقبليّة و قيمة كلّ عميل. فإذا لم يكن بإمكانك التمييز بين عملائك، و كنت قد أنفقت الكثير على برمجيّات إدارة الاتصال بالعملاء، فلن يكون بإمكانك إعلام فريق الدعم لديك بكيفيّة معاملة عميل بالمقارنة بعميل آخر.

تشتمل خطوات حساب  ربحيّة الزبائن على:

·   جعل جميع الحسابات و البيانات المرتبطة متاحة ضمن مخزن المعطيات data warehouse، أو ضمن متجر المعطيات data mart.

·        تحديد جميع الموارد المرتبطة وذلك على مستوى كلّ حساب فردي.

·        ربط جميع التحويلات بالحسابات الفرديّة.

·        تطبيق تكاليف الوحدة و تكاليف صيانة الحساب على كلّ تحويل للحصول على التكاليف الكليّة لصيانة الحساب.

·        حساب الربحيّة على مستوى الحساب.

·        تجميع الحسابات من مستوى العميل.

·        حساب الربحيّة على مستوى العميل.

·        إرسال نتائج ربحيّة الزبائن إلى نظام تقارير الإدارة الماليّة.

يجري بعد ذلك تحديد و ربط جميع التحويلات على مستوى الحساب الفردي. تزوّدنا هذه الخطوة بالدخل اللازم لحساب التكاليف الحقيقيّة. فعلى سبيل المثال، قد يسأل المصرف عن عدد المرات التي زار فيها العميل الصرّاف، أو استخدم الـATM، أو اتصل بمركز الاتصالات، أو قام بتحويل باستخدام الشبكة. يجب ربط جميع هذه التحويلات بالعميل مع استخدام وحدة التكلفة المناسبة. هذه هي الطريقة اتي نفهم من خلالها كلفة خدمة عميل. يمكن أن يكون لدى عميلين لهما نفس الموازين و الإيرادات، لكن إذا كان أحدهما يقوم بإجراء أعماله في المصرف المحلي باستمرار، بينما يقوم الآخر بإجراء أعماله من خلال الشبكة، عندها تكون كلفة الأخير أرخص بكثير.

تقطيع الزبائن Customer Segmentation

تمتلك المصارف عادةً الكثير من المعطيات المتعلقة بزبائنها، وكيفيّة استخدام منتجاتها، والتي يمكن تحديدها حتى على مستوى الفرد. لكن التحدي الأكبر الذي يواجه المصارف يتعلق بكيفيّة تنظيم و تحليل هذه المعطيات بطريقة نظاميّة، بحيث يصبح بالإمكان بناء قاعدة معرفة للعملاء بغية تطوير أنظمة خاصة بهم. وحتى تكون قاعدة المعرفة ذات قيمة أكبر يجب أن تكون فعّالة، بحيث تسمح لنا بتوليد أجوبة ذكيّة تسمح لقطاع الأعمال بتصميم و تنفيذ استراتيجيات خاصّة بتحسين مبادرات العملاء.

بالإمكان تقسيم الزبائن إلى مقاطع صغيرة، بحيث يستطيع مدير العملاء و برامج البيع المتصالبة cross-selling تحديد الاحتياجات الخاصة بكل مقطع، و تشغيل برامج عديدة من أجل المقاطع المختلفة.

بالإمكان أيضاً إجراء ما يسمى بالتقطيع الديناميكي Dynamic Segmentation للزبائن. يأخذ نمط التقطيع هذا بعين الاعتبار تغيّر احتياجات العملاء، و أنماط السلوك الخاصّة، إضافةً إلى تغيّر سياق الأعمال. و مع إجراء نمط التقطيع الديناميكي، يمكن توجيه حملات تسويقيّة خاصّة بكل مقطع من مقاطع الزبائن.

محلّل Cross-sell/Up-sell Optimizer

نستطيع بواسطة هذا المحلّل إيجاد أفضل التوصيات الممكنة المتعلقة بالمنتجات و الخدمات الجديدة. يجري ذلك بتحليل اتجاهات الزبائن، و إجراء عملية المطابقة مع الخدمة المقدّمة، وهذا مما يسمح لنا باتخاذ قرارات في الزمن الحقيقي خلال العرض القادم. و مع استمرار الحملة التسويقيّة، يستطيع النظام التعلّم من التجارب السابقة، و تحسين أدائه مع مرور الوقت.

يساعد هذا المحلّل على تنفيذ استراتيجيّات cross-selling و up-selling عن طريق السماح بإجراء تشكيل للعملاء الذين قاموا بشراء الكثير من الخدمات. يمكنك بعد ذلك إجراء تحاليل مشابهة على العملاء الآخرين بغية تحديد قائمة بالعملاء المرشحين للحصول على عروض خدمات إضافيّة، و توقّع الخطوة التالية المتعلقّة بالعملاء الأفراد.

لإجراء التحاليل السابقة يمكننا استخدام التقنيات التالية:

·        نموذج توقّع تحليل سلة التسويق market basket analysis predictive model.

·        برنامج تحليل إخلاص العملاء customer loyalty analysis.

·        تحليل جدوى القناة channel effectiveness analysis.

·        تحليل سلوك المكالمات المدفوعة و غير المدفوعة billed & unbilled call behavior analysis.

قيمة حياة العميل Customer Life Time Value

يساعدنا هذا النوع من التحليل على توسيع وصيانة علاقات العملاء الرابحين. فهو يعطينا المعرفة اللازمة للاتصال بالعميل الصحيح في الوقت الصحيح، و باستخدام القناة الصحيحة.

يزوّد هذا النوع من التحاليل المصارف بمستوى جديد من ذكاء الأعمال، وذلك على مبيعات منتجات المصارف و استخدام القنوات. يمكننا مثلاً تحديد نمط علاقات العملاء ذي القيمة الكبرى بمرور الوقت، والذي يؤدي إلى الربح. أو تحديد العملاء الذين يقومون بطلب رهن منازلهم، ثمّ يستخدمون الإنترنت لإجراء أغلب عمليات التحويل المصرفية. فهم هذه العلاقات هام جداً لاتخاذ القرارات الخاصة بالحملات التسويقيّة، أو تطوير المنتجات و تسعيرها.

يساعد هذا النوع من الحلول على قياس قيمة عمر lifetime أيّ عنصر معرّف، ويشمل ذلك المنتجات، و قنوات التوزيع، و مراكز خدمة العملاء، و حتى المناطق الجغرافيّة.

يمكن باستخدام هذا النوع من الحلول دمج أنواع مختلفة من التحاليل على العملاء، كتحليل الاستجابة للحملات التسويقيّة، و الزمن بين التحويلات، و دورة حياة lifecycle العميل، و تقطيع الزبائن.

يعتمد هذا النوع من الحلول على مجموعة من النماذج الرياضيّة المعقّدة. عند تطبيق هذه النماذج على المعطيات التفصيلية المتعلقة بسلوك الزبائن ، تكون النماذج و الاتجاهات غير واضحة إلا عند ربطها بالعملاء.

التنقيب في المعطيات وشركة Dune & Brad Street

تعتبر شركة Dune & Brad Street (DnB) إحدى أكبر الشركات العالمية التي تقوم بإعطاء زبائنها تقييمات مالية مختلفة لأي شركة من الشركات. تعتمد هذه التقييمات على مجموعة كبيرة من المعلومات التي تحصل عليها الشركة من زبائنها المتنوعين، وذلك في مختلف المجالات. لذلك إذا أراد مصرف ما مثلاً إعطاء قرض كبير لشركة من الشركات، فبإمكان هذا المصرف طلب معلومات من DnB تتعلق بملاءة هذه الشركة مالياً، و قدرتها على إعادة القرض.

للقيام بذلك، قامت شركة DnB ببناء مخزن معطيات data warehouse يحتوي معلومات مالية كثيرة تتعلق بالعديد من الشركات، و قد وصل حجم المعلومات الموجودة في هذا المخزن إلى عدة تيرا بايتات من البيانات. وللاستفادة من هذا المخزن قامت بإنشاء متجر معطيات data mart يحتوي مجموعةً من العلامات scores الخاصة بكل شركة، تعتمد هذه العلامات على معادلات خاصة، وهي تدلّ على وضع الشركة المالي اعتماداً على مجموعة كبيرة من البيانات المتعلقة بالشركة.

إدارة مخاطر الإئتمان Credit Risk Management

يجب باستمرار  أن توازن المصارف و مؤسّسات الإقراض الأخرى الأخطار و المكافآت. فالسعر العالي جداً على منتجات القروض، سيؤدي بك إلى فقدان عملائك، أما السعر المنخفض جداً، فسيخفّض كثيراً من هامش الربح، أو يجعلك خاسراً في نهاية الأمر. إن وضع رأسمال كبير جداً على الاحتياطي، سيؤدي بك إلى فقدان عوائد الاستثمار، أما الرأسمال القليل جداً، فيقودك إلى الاختلال المالي.

يجب أن يسمح لك نظام إدارة مخاطر الإئتمان بالقيام بالعمليات التالية:

·        الوصول إلى معطيات الإئتمان و تجمعيها وذلك بواسطة أنظمة و مصادر مختلفة.

·        إجراء عمليّة التنبؤ و قياس و مراقبة و تقرير مخاطر الإئتمان الممكنة ضمن كامل المؤسسة على وجه دقيق.

·        إجراء تقييم للاستراتيجيّات البديلة الخاصّة بتسعير مخاطر الإئتمان ونقلها.

·        زيادة فعاليّة تخصيص رأسمال تنظيمي و اقتصادي.

·        تسهيل متطلبات كشف المخاطر لمجموعة كبيرة من اللوائح كـ Basel II.

يجب أن يكون نظام إدارة المخاطر شفافاً و قابلاً للتحسين و التعديل، و عليه تسهيل المراقبة داخلياً، و من قبل المنظّمين كما تتطلب ذلك لوائح Basel II و اللوائح الأخرى.

يمكن باستخدام تقنيّات إحصائيّة متقدّمة، إجراء عمليّات تقييم لضرائب مخاطر الائتمان أكثر دقّة. يمكننا كذلك استخدام حلول تدعم مجالاً واسعاً من تقنيات النمذجة متضمّنة أشجار التصنيف classification trees، و الشبكات العصبونيّة neural networks، و النمذجة باستخدام سلسلة الوقت time-series modeling و غير ذلك.

تستطيع بواسطة هذا النظام حساب قياسات مخاطر الائتمان حساباً دقيقاً و سريعاً، مثل: احتمال القيمة الافتراضيّة probability of default، العرض بالقيمة الافتراضيّة exposure at default، تهجير الائتمان credit migration، الرأسمال التنظيمي regulatory capital، الأصول المعرّضة للمخاطر risk weighted assts، قيمة الائتمان في الخطر credit value at risk (CVaR)، و الرأسمال الاقتصادي economic capital. يمكن للمحللين بعدها إجراء بعض الحسابات التسويقيّة، و نمذجة عوامل المخاطر، و تنفيذ محاكيات simulations مونتي كارلو، و استكشاف السيناريوهات و بناء اختبارات قاسية stress tests.

المراجع

·        Focusing Solutions for Data Mining, Thomas Reinarts, Springer.

·        Data Mining II, N. Ebecken, C.A. Brebbia, WIT Press 2000.

·        Business Intelligence: The Basel II Connection, DM Direct Special Report
March 9, 2004 Issue.

·        Customer Relationship Management in Banking, SAS White paper.

·        Advanced Marketing Automation for Banking, SAS White paper.