بانکداری الکترونیک و عملکرد مالی/پایان نامه درباره بانکداری الکترونیک

رابطه بانکداری الکترونیک و عملکرد مالی

2-10) تاثیر بانکداری الکترونیک بر عملکرد  بانکها

فناوری در صنعت بانکداری دانشی است که با بهره مندی از ابزارهای نوین داده کاوی، مدیران صنعت بانکداری کشور را قادر به نظارت کنترل و ارتقای خدمات مدرن مالی و بانکی می نماید. در عصر حاضر ارتقای سطح دانش بانکی مدیران، از پردازش آماری اطلاعات به مدیریت توانمندسازی دانش، نه تنها یک نیاز درون سازمانی بلکه یک الزام عملی است.

تمام موضوعات خدمات مالی به عنوان یک صنعت درباره پول است. در این کسب به جای عملیات تجاری بر امور مالی متمرکز شده کارها، استفاده از هوش تجاری در خدمات مالی ارزش ایجاد کرده است. هوش تجاری نقش موثری را در پیگیری سوء استفاده از دارایی های مالی که شامل کشف و ردیابی کلاهبرداری و تقلب است ایفا کند. داده کاوی در صنعت بانکداری می تواند در حوزه های مختلفی از جمله دسته بندی مشتریان، تعیین میزان سود بخشی مشتریان، امتیاز دهی اعتبار، تصویب اعتبار، بازاریابی، تشخیص تراکنش های متقلبانه، مدیریت پول نقد، پیش بینی عملیات و رتبه بندی سرمایه گذاری ها به کارگرفته شود. بانک ها برای حفظ قدرت رقابت خود، داده کاوی را در فرآیند های تصمیم گیری خود به کار می گیرند و از مزایای آن در کسب و حفظ مشتری و در نتیجه افزایش سودآوری بهره می گیرند.

علاوه بر این بانک ها می توانند از داده کاوی برای شناسایی مشتریان کارت اعتباری که بیشترین سود بخشی را دارند یا برای شناسایی متقاضیان وامی که دارای ریسک بالا هستند استفاده کنند. از کاربردهای داده کاوی در بانکداری می توان به موارد زیر اشاره کرد:

الف- بازاریابی

یکی از مهمترین کاربردهای داده کاوی در صنعت بانکداری در حوزه ی بازاریابی است. دپارتمان بازاریابی بانک می تواند از داده کاوی برای تحلیل پایگاه داده مشتریان استفاده کند و سرویس ها و محصولات ترجیحی مشتریان را تشخیص دهد. با ارائه سرویس ها و محصولاتی که مشتریان واقعا متقاضی آنها هستند از هدر رفتن هزینه برای تامین سرویس های بدون متقاضی جلوگیری می شود. بنابراین واحد بازاریابی بانک می تواند با کسب دانش بیشتر در مورد مشتریان، بیشتر بر روی نیازهای آنها تمرکز کند.

ب- مدیریت ریسک

مدیران تصمیم گیری بانک برای بسیاری از تصمیمات نیاز دارند بدانند که آیا مشتریان بانک قابل اطمینان هستند یا خیر. اگر آنها اطلاعات کاملی در مورد مشتریان خود نداشته باشند، ارائه کارت های اعتباری به مشتریان جدید، گسترش اعتبار مشتریان کنونی و تصویب وام ها، دارای ریسک برای بانک هستند. داده کاوی می تواند با استخراج داده در مورد مشتریان ریسک بانک ها را در این موارد تصمیم گیری کاهش دهد. با تحلیل رفتارهای تراکنشی مشتریان با حساب های سپرده هایشان می توان رفتار آنها را در ارتباط با وام و بازپرداخت وام ها پیش بینی کرد. امتیاز دهی اعتباری یا Credit Scoring  یکی از اولین ابزارهای مدیریت ریسک تولید شده، می باشد و در صنعت بانکداری برای گرفتن تصمیم در مورد اعطای وام به مشتریان بسیار با ارزش است. وام دهندگان بهتر است برای تصمیم گیری، ابزار ارزیابی ریسک داشته باشند. سوابق متقاضیان وام خوب و بد می تواند برای ایجاد یگ الگو برای تشخیص خوب یا بد بودن متقاضیان جدید به کارگرفته شود.

ج- تشخیص تقلب

یکی دیگر از حوزه های مهم در صنعت بانکداری که داده کاوی می تواند در آن موثر باشد تشخیص تقلب است. “Flacon’s Fraud Assessment System” یکی از سیستم هایی که در تشخیص تقلب موثر بوده، این سیستم توسط بسیاری از بانک های صادر کننده کارت اعتباری به کار گرفته شده است. مثلا این سیستم در امریکا و با استفاده از داده کاوی 80% تراکنش های کارت های اعتباری صادر شده را بررسی کرده است.

د- به دست آوردن و حفظ مشتری

داده کاوی علاوه بر کمک به بانک ها برای بدست آوردن مشتریان جدید، به حفظ مشتریان جدید نیز کمک می کند. کسب و کار حفظ مشتری برای هر صنعتی یک عامل اساسی است. امروزه مشتریان برای انتخاب بانکی به منظور انجام فعالیت های اقتصادی خود، گزینه های متعددی دارند در صورتی که مسئولین اجرایی نتوانند توجه کامل مشتریان را جلب کنند، مشتری به راحتی می تواند بانکی را پیدا کند که توقعاتش را برآورده کند.

در تشریح کاربردهای داده کاوی در بانکداری، شامل شناسایی تخلف، ضد پولشویی، مدیریت ریسک مالی و مدیریت روابط مشتری می توان گفت با توجه به روند فعلی فناوری در صنعت بانکداری، ابزارهای متنوع و پیش بینی مورد استفاده قرار می گیرد. تشخیص جرم و تخلف یکی از مهم ترین حوزه هایی است که ابزارهای داده کاوی می تواند در آن مثمرثمر باشد. رفتارهای هوشمند و متخلف، محرمانه، تغییر رفتارهای مکرر مجرمان و پیش بودن مجرمان از بازرسان از مهم ترین دلایلی است که نیاز به یک ابزار قدرتمند و البته هوشمند را ضروری می سازد تا بتوان از بین انبوه اطلاعات رفتاری مشتریان الگوهای مشکوک و مجرمانه را شناسایی و گزارش کرد(افشارپور، 1389، 8).