پژوهشکده پولی و بانکی
بانک مرکزی جمهوری اسلامی ایران
Monetary and Banking Research Institute
تاريخ:سيزدهم دی 1395 ساعت 16:06   |   کد : 272867
کاربردهای کلان داده (Big Data) در صنعت بانکداری و چالش‌های بکارگیری آن
گزارش کارگاه آموزشی
کاربردهای کلان داده (Big Data) در صنعت بانکداری و چالش‌های بکارگیری آن
Big Data معمولا به مجموعه‌ای از داده‌ها اطلاق می‌شود که اندازه آنها فراتر از حدی است که با نرم‌افزارهای معمول بتوان آنها را در یک زمان معقول اخذ، دقیق‌سازی، مدیریت و پردازش کرد.
کارگاه آموزشی «کاربردهای کلان داده (Big Data) در صنعت بانکداری و چالش‌های بکارگیری آن» توسط دکتر جلال‌الدین نصیری، مشاور شرکت خدمات انفورماتیک و دکتر نادر قاسمی  در عصر اولین روز همایش برگزار شد.
در این کارگاه پس از تعریف مفاهیم کلان داده، کاربردهای آن در صنعت بانکداری و سیستم‌های هوشمند تبیین شد. همچنین چالش‌ها و نحوه مقابله با آن در به‌کارگیری این مجموعه تکنولوژی در عملیاتی کردن سامانه‌های مبتی بر کلان داده مورد بحث قرار گرفت.
در ابتدای کارگاه دکتر نصیری با اشاره به استفاده گسترده از بانکداری الکترونیکی و تولید انبوهی از اطلاعات و تراکنش‌ها گفت: حجم زیاد داده‌های کسب وکار و داده‌های عملیاتی از ارزش بسیار بالایی در هر صنعت، به ویژه  صنعت بانکداری برخوردار هستند. لذا مجموعه تکنولوژی‌های کلان داده سطح جدیدی از نوآوری، رقابت و هوشمندی را بوجود می‌آورند.
او در ادامه ضمن تعریف کلان داده، افزود: داده‌های بزرگ یا عظیم داده ترجمه اصطلاح Big Data است که معمولا به مجموعه از داده‌ها اطلاق می‌شود که اندازه آنها فراتر از حدی است که با نرم‌افزارهای معمول بتوان آنها را در یک زمان معقول اخذ، دقیق‌سازی، مدیریت و پردازش کرد. مفهوم «اندازه» در داده‌های بزرگ بطور مستمر در حال تغییر است و به مرور بزرگتر می‌شود. در واقع، کلان داده (Big Data) مجموعه از تکنیک‌هایی است که نیازمند شکل جدیدی از یکپارچگی هستند تا بتوانند ارزش‌های بزرگی را که در مجموعه‌های بزرگ، وسیع، پیچیده و متنوع داده پنهان شده‌اند، آشکار سازند.
دکتر نصیری در ادامه گفت: افزایش عمودی (Scale-up) و افقی (Scale-Out) از جمله راهکارهای افزایش توان پردازشی است. در افزایش عمودی امکان افزایش توان پردازشی تا بی‌نهایت وجود ندارد و هزینه اقتصادی بالایی دارند. در افزایش افقی نیز نیاز به برنامه‌نویسی موازی یا توزیع شده است که امکان خراب شدن کلاسترها (خوشه بندی‌ها) وجود دارد.
وی در ادامه افزود: بخش‌بندی مشتریان، آنالیز مشتریان از لحاظ رضایت مشتریان، داشتن استراتژی مناسب، ارائه پیشنهاد مطلوب با توجه به وضعیت جاری مشتریان و کشف تقلب از جمله کاربردهای کلان داده در صنعت خدمات مالی به شمار می‌رود.
وی در پایان با اشاره به اهمیت مسأله یادگیری ماشین، گفت: یادگیری ماشین شاخه‌ای از هوش مصنوعی است که به دنبال قابلیت یادگیری و ادراک سیستم های کامپیوتری است که هدف اصلی، استخراج دانش و یادگیری الگوها در داده‌ها است. در این راستا، طبقه‌بندی و خوشه‌بندی از انواع تکنیک‌های یادگیری ماشین به شمار می‌رود.
در بخش دوم کارگاه، دکتر قاسمی به روند عملیاتی شدن کلان داده در جهان پرداخت و جنبه‌های مختلف آن را از لحاظ پیشرفت عملیاتی شدن Big Data بر حسب اندازه سازمان و نوع صنعت، تکنولوژی بکار رفته، نوع داده، محیط عملیاتی و کاربرد حوزه کسب وکار مورد تجزیه و تحلیل قرار داد. وی همچنین در پایان، نبود استراتژی مناسب، کمبود مهارت‌های لازم و ریسک عملیاتی را از چالش‌های اصلی این حوزه برشمرد.

آدرس ايميل شما:  
آدرس ايميل دريافت کنندگان  
 


 
 

دوره‌های آموزشی جاری
تازه‌های نشر
پیوندها



کليه حقوق اين سايت محفوظ و متعلق به پژوهشکده پولی و بانکی مي باشد.
نقل مطالب با ذکر منبع آزاد است.
بازديد اين صفحه: 2,803,020