1. داده های عظیم و تغییر ساختار کسب و کار مؤسسات مالی
داده های عظیم و تغییر ساختار کسب و کار مؤسسات مالی
فرزاد خندان

2. در باره داده های عظیم

3. داده های عظیم (Big Data)
در هر دو روز، بشر به اندازه کل دوران تمدن بشری تا سال 2003 اطلاعات تولید می کند. «اریک اشمیت، مدیرعامل گوگل»
این یعنی، هر دو سال بیش از 1/8 زتابایت اطلاعات تولید می شود!
داده های تولید شده توسط کاربران، یعنی عکس، فیلم، پیامهای فوری، توییتها و پستها در شبکه های مجازی حجم بسیار بالای دارند و لزوماً ساخت یافته نیستند.

4. داده های عظیم
به دست آوردن بینش لازم از میان انبوه اطلاعات تولید شده، که در حجم بالا، با سرعت بالا و با تنوع و فراوانی بالا در حال تولید هستند ورای آن چیزی است که قبلاً میسر بوده است.

5. فناوری دیجیتال، زندگی ما را تغییر داده است

6. « داده های عظیم » کجاست؟
WHERE IS BIG DATA?
Source: IBM

7. تصمیم گیری سنتی خبرگان در سازمان تصمیم و اقدام اطلاعات محیطی
تجربه قبلی
سیستم های نرم افزاری
تصمیم و اقدام

8. تصمیم گیری مبتنی بر داده ها
تحلیل پیشرفته
منابع داده ای داخل سازمان
منابع داده ای خارج از سازمان
تصمیم و اقدام

9. تصمیم گیری ترکیبی تصمیم و اقدام تحلیل پیشرفته خبرگان سازمان
منابع داده ای داخل سازمان
منابع داده ای خارج از سازمان
خبرگان سازمان
تجربه قبلی
تجزیه و تحلیل و درک انسانی متخصصین
تصمیم و اقدام

10. داده های عظیم: تغییر در پارادایم
Source: IBM

11. داده های عظیم: تغییر در پاردایم
Source: IBM

12. داده های عظیم: تغییر در پاردایم
Source: IBM

13. داده های عظیم: تغییر در پاردایم
Source: IBM

14. دستاوردهای محسوس
سازمان ها رضایت بسیار زیادی از بکارگیری داده های عظیم دارند (Accenture, 2015):
سازمان هایی که حداقل یک پروژه داده های عظیم را به سرانجام رسانده اند از نتایج بدست آمده بهت زده شده اند.
سازمان های بزرگ از مزایای داده های عظیم بیشتر استفاده کرده اند.
استفاده از داده های عظیم نیازمند یادگیری گسترده در سطح سازمان است.
(در حال حاضر) داده های عظیم نیازمند استفاده از منابع خارج از سازمان است.
داده های عظیم فناوری «ویران کننده» است، پیش فرضهای موجود را به هم می زند. داده های عظیم ظرفیت بالایی برای ایجاد تغییر دارد.

15. زنجیره ارزش داده های عظیم

16. داده های عظیم و مؤسسات مالی

17. داده های عظیم و مؤسسات مالی
بر اساس مطالعه ای در آمریکای شمالی، 60% مؤسسات مالی باور دارند که تحلیل های مبتنی بر داده های عظیم منجر به مزیت رقابتی قابل توجه خواهد شد. 90% این مؤسسات معتقد هستند که داشتن یک طرح موفق مبتنی بر داده های عظیم برنده ها را در آینده تعیین خواهد کرد.
بانک هایی که از رهیافت داده های عظیم برای تحلیل داده های مشتریان استفاده می کنند، بسته به عمق تحلیل، بین 4% تا 12% در سهم بازار از سایر رقبا جلوتر هستند

18. سرمایه گذاری در داده های عظیم

19. کشف دانش با داده های عظیم
Big Data
Collection
Fast Access
Purification
Insight
Correlation
Predictive Statistics
Meaning
Visualization
Business Models
Sense Making
Actions
Personalized Offers
Strategies
UI/UX

20. کاربردهای داده های عظیم در بانکها

21. کاربردهای داده های عظیم در بانکها

22. کاربردهای داده های عظیم در بانکها

23. افزایش مشتری محوری در بانک

24. داده های عظیم در حوزه مشتری به بانک چه کمکی می کند؟

25. داده های عظیم در حوزه مشتری به بانک چه کمکی می کند؟

26. داده های عظیم در حوزه مشتری به بانک چه کمکی می کند؟

27. تحلیل پیشرفته و کشف تقلب

28. اعتبار سنجی یکی از موفقترین استارتاپ های مالی جهان: Kreditech
ارائه وام خرد (تا سقف 2500 یورو)
انجام فرآیند اعتبارسنجی و پرداخت فقط در 8 ثانیه
الگوریتم های مورد استفاده، توسط نخبگان علم داده های عظیم در دانشگاه MIT طراحی شده است.

29. موردکاوی: Bank of America
در حوزه مشتریان، دستاورد داده های عظیم ایجاد درک بهتر از رفتار مشتری در همه کانالهای دسترسی و همه محصولات بوده است.
برنامه BankAmeriDeals برای ارائه پیشنهادهای Cash Back به دارندگان کارت های اعتباری و نقدی بر اساس تحلیل رفتار خرید مشتریان
در حوزه مدیریت ریسک و اعتبارات
تشخیص زودهنگام حساب های دارای ریسک بالا
کاهش زمان محاسبه ریسک حسابها از 96 ساعت به 4 ساعت برای ده میلیون پرونده اعتباری
اجرای کوئری های مورد نیاز مدیریت اعتبارات با سه برابر سرعت روش های قبلی
تغییر ساختار نظارتی بانک همسو با اجرای پروژه داده های عظیم
ایجاد فرآیند گزارش دهی تیم های تحلیلی به واحد مرکزی طراحی راهبردهای بانک و همچنین واحدهای کسب و کار
تربیت استعدادهای تحلیلی داده های عظیم و جایگزین کردن تیمهای آماری قبلی برای تولید گزارشات بهتر و ایجاد درک صحیحتر نسبت به وضعیت بانک و مشتریان در سازمان

31. فناوری ها

32. فناوری های داده های عظیم
کلاسترهای پردازش و ذخیره سازی داده
رایانش ابری
ابر خصوصی
پردازش و ذخیره سازی توزیع شده
HDFS
Hadoop Map-Reduce
Spark
بانک های اطلاعاتی جدید
NoSQL
NewSQL
Graph DB
Column Based DB
In Memory DB
Granual Optimization

33. فناوری های داده های عظیم
امنیت داده در عین حفظ کارایی و سرعت پردازش
CryptDB
بازبینی و تمیز کردن داده ها
Wrangler
تجمیع داده ها – نگرش های جدید
سامانه های تحلیل داده ها
الگوریتم های سریع
فشرده سازی داده ها
ابزارهای یادگیری ماشینی
خلاصه سازها

35. هادوپ چیست؟
هادوپ یک چارچوب برنامه نویسی متن باز مبتنی بر جاوا است که امکان پردازش حجم بزرگی از داده ها را در یک محیط پردازشی توزیع شده فراهم می کند.
با هادوپ، می توان سامانه هایی با هزاران گره پردازشی راه اندازی کرد که هزاران ترابایت داده را پردازش نمایند.
هادوپ علاوه بر امکان ذخیره سازی، امکان ایجاد روند هایی مبتنی بر MapReduce را برای پردازش داده ها فراهم می سازد.
نام هادوپ، از نام عروسک دختر سازنده آن (یک فیل) آمده است.

36. Hadoop Ecosystem

37. NoSQL Key-value Graph database Document-oriented Column family
Huge quantity of data => Distributed systems => expensive joins =>
New fields, new demands (graphs) =>
Different data strucutres:
Simplier or more specific

38. مسیر بلوغ برای داده های عظیم در بانکها
مسیر بلوغ برای داده های عظیم در بانکها

39. چالش های استفاده از داده های عظیم در بانکها
تعداد زیاد انباره های داده جزیره ای -مراجع داده ای در جهت منافع کلان سازمان کنار هم قرار نگرفته اند.
تحلیل حجم زیادی از داده ها وقت گیر است
برای تحلیل داده ها نیروی متخصص کافی در دسترس نیست.
استفاده از داده های بزرگ به اندازه کافی از نظر مدیران ارشد به عنوان یک راهبرد در نظر گرفته نمی شود.
تفسیر محتوای غیر ساختیافته در داده های عظیم بسیار مشکل است.
جمع آوری و نگهداری مجموعه های بزرگ داده بسیار پیچیده است.

40. داده های عظیم: تغییر در سطح سازمان
سؤال: مدیریت تغییر در بانک می باید چگونه انجام شود؟
تدوین نقشه راه داده های عظیم
تصویب توسط هیأت مدیره
تعریف ساختار مورد نیاز برای پیاده سازی نقشه راه
تعریف پروژه های شاخص داده های عظیم
آماده سازی زیرساخت اولیه داده های عظیم
شناسایی داده ها – تجمیع داده ها – تحلیل داده ها
تدوین فرآیندهای مورد نیاز برای استفاده از نتایج
ایجاد اکوسیستم مناسب در بانک برای نهادینه کردن زنجیره ارزش داده های عظیم

41. مدل بلوغ سازمانی سیمیاگران برای داده های عظیم
مدل بلوغ سازمانی سیمیاگران برای داده های عظیم
Big Data Readiness
Leadership
Infrastructure
Data Management
Analytics
Governance
Communication

42. بلوغ سازمانی در بکارگیری داده های عظیم
بلوغ سازمانی در بکارگیری داده های عظیم
در حال تولد
پیش-انطباق
انطباق اولیه
شکاف
انطباق سطح بنگاه
بلوغ/آرمانی

43. تحقق نقشه راه ایجاد ساختار مناسب تعریف پروژه های شاخص پایش مداوم
کسب بلوغ سازمانی
ایجاد ساختار مناسب
تعریف پروژه های شاخص
پایش مداوم
سازماندهی و بازسازماندهی
توسعه تجارب و فرهنگ سازی