فناوری‌های جدید در صنعت بانکداری به‌سرعت در حال ظهور است؛ زیرا یک هزارم ثانیه در این بخش میتواند به معنی جابه جایی میلیونها دلار باشد. از این رو، سرمایه‌گذاری جهانی در این حیطه از ۳ میلیارد دلار در سال ۲۰۱۳ به ۸ میلیارد دلار در سال ۲۰۱۷ رسیده است. برخی از برجسته‌ترین فناوری‌هایی که در بخش بانکداری مورد استفاده قرار گرفته‌اند، عبارتند از : API ها، هوش مصنوعی، زنجیره بلوک یا بلاک‌چین، بیومتریکها و فناوری هوش تجاری در رایانش ابری.

سؤال این است که چرا هوش تجاری ابری در بانک‌ها مورداستفاده قرار گیرد؟ مزایای استفاده از این تکنولوژی برای این نهادهای مالی چیست؟ در راستای پاسخ به این پرسش، در این بخش به منافع حاصل از پیاده‌سازی این تکنولوژی در سیستم بانکداری و نمونه‌های موفق در این حوزه اشاره خواهد شد.
مزایای هوش تجاری در بستر ابر همچون کاهش هزینههای جاری و زیرساختهای انعطاف‌پذیری و مقیاس‌پذیری، افزایش قابلیت اشتراک‌گذاری داده‌ها و ظرفیت نامحدود در ذخیره‌سازی داده‌ها باعث شده‌اند ۶۵ درصد از بانک‌های جهان تا پایان سال ۲۰۱۷ به سمت استفاده از هوش تجاری ابری هدایت شوند.

این فناوری، بانک‌ها را قادر ساخته است که علاوه بر استفاده بهینه از منابع و بهبود انطباق خود با اصول و قوانین جهانی، با سرعت بیشتری به سمت نوآوری‌ها حرکت کنند. برای نمونه، براساس گزارشات تمنوس (شرکت نرم‌افزار بانکی) انتقال ۱٫۲ میلیارد دلار از حساب‌های پس‌انداز به درایوهای ابری میتواند باعث ۱٫۹ میلیارد دلار صرفه‌جویی در هزینهها در یک سال شود. بر همین اساس، استفاده از هوش تجاری ابری در بانکها، باعث کاهش هزینههای فناوری اطلاعات گردیده و این مخارج در راستای رونق کسب و کار بانک‌ها مورداستفاده قرار گرفته است.
هوش تجاری ابری به بانک‌ها کمک می کند در بازارهای نوظهور گسترش یابند. برای مثال، بانک‌های کشورهای در حال توسعه از فناوری ابری برای انجام تراکنش‌ها در نقاط دوردستی که در آنها بیشتر افراد در سال‌های گذشته به بانکداری الکترونیکی دسترسی نداشته‌اند، استفاده کرده‌اند.
بررسی‌های شرکت فناوری بانکداری تمنوس نشان داده است که استفاده از تکنولوژی هوش تجاری ابری در سالهای اخیر در بانک‌ها و نهادهای مالی باعث شده است که مدت زمان ارائه خدمات بانکی به طور چشمگیری کاهش یابد و بانک‌ها با اطلاعات در دسترس که تنها از طریق چند کلیک قابل دسترسی است خدمات سریع‌تری را به مشتریان ارائه دهند؛ به طوری که، توسعه برنامه‌ها و محصولات کاربردی از چندین ماه به چند ساعت و تحلیل ریسک از چندین ساعت به چند دقیقه رسیده است. برای نمونه:
* مترو بانک به عنوان یکی از نمونه‌های موفق در زمینه استفاده از فناوری هوش تجاری ابری با ۴۰ شعبه در لندن توانسته است به بیش از نیم میلیون مشتری خدمات ارائه دهد. این امر نشان از افزایش قدرت پردازش ابرها، تسریع تحلیل داده‌ها و انطباق پذیری این بانک با زیرساختهای به روز شده است که میتواند زمینه کاهش ریسک‌های عملیاتی بانک و همچنین افزایش مشتریان بانک و خدمات ارائه شده به آنها را فراهم آورد.
* بانک فرانسوی سوسیته جنرال ۱۵۰ سال پس از تأسیس، در سال ۲۰۱۴ با پیاده‌سازی هوش تجاری در بستر ابر، به کارکنان این بانک کمک کرد تا از سیستمها و نرم افزارهای مرتبط با ابر مایکروسافت استفاده کنند. این امر باعث شد که آنها بتوانند سریع تر از سایر بانک‌ها که محدود به زیرساختهای قانونی بودند، به مشتریان خدمات‌رسانی کنند. در سال اول، سوسیته جنرال در حدود ۲۰ نرم‌افزار شرکتی را توسعه داد که به پست الکترونیک و دایرکتوری شرکت و ویدئو دسترسی داشتند. در سال ۲۰۱۶، این بانک اعلام کرد که ۱٫۶ میلیارد دلار در خدمات بانکداری اینترنتی سرمایه‌گذاری کرده است. انتظار بر این است که این بانک تا سال ۲۰۲۰، بیست درصد از شعبات فیزیکی خود را به دلیل روی آوردن مشتریان به بانکداری آنلاین تعطیل کند و هزینههای خود را کاهش دهد.
علاوه بر این، سرعت فناوری هوش تجاری ابری به بانک‌ها کمک کرده است که سریعتر بتوانند خود را با استانداردهای امنیتی ملی و بین‌المللی که مدام در حال تغییر هستند، انطباق دهند. این تکنولوژی به چند روش انطباق را ساده‌تر کرده و خدماتی را در راستای مدیریت کلاهبرداری و پولشویی به بانکها ارائه داده است. زیرا:
– توانایی این فناوری برای مدیریت حجم بیشتری از تراکنش‌ها به بانکها کمک کرده است با استانداردهای سخت گیرانه منطبق باشند و همچنان از آن‌ها پیروی کنند.
– این فناوری به بانک‌ها کمک کرده است تا با واگذاری حفاظت از داده‌ها، ریسک خود را کاهش دهند.
– بانکها با استفاده از فناوری ابری به طور مؤثر‌تری توانسته‌اند بدون ایجاد اختلال در کسب‌و‌کار خود و یا سایر مشتریان، از تراکنش‌های مجرمانه جلوگیری کنند.
فناوری هوش تجاری ابری شرکت تمنوس از نمون های موفق این تکنولوژی است که با اجرای بسیاری از الگوریتمهای پیچیده غربالگری توانسته است بانکها را در حوزه مدیریت کلاهبرداری و پولشویی، ادغام و یکپارچه سازی یاری رساند. ابزارهای ارائه شده توسط این شرکت از ۲۳۰ بانک در ۳۶ کشور در سال ۲۰۱۷ پشتیبانی می کنند.
آژو یکی از بزرگترین فناوری‌های ابری عمومی در جهان است که مورد اعتماد ۱۷ بانک از ۲۶ بانک برتر دنیاست. این فناوری نسبت به سایر فناوری‌های ابری، قابلیت بیشتری در زمینه نمایش تهدیدات دارد. دارای پایش رفتاری است و فعالیت‌های مجرمانه را به سرعت تشخیص و واکنش نشان می‌دهد. استفاده از این تکنولوژی زمان تشخیص این فعالیت‌ها را از ماه‌ها به چند دقیقه کاهش داده است. ادام گابل مدیر تولید بخش جرائم مالی شرکت تمنوس بر این باور است که مایکروسافت نسبت به سایر ارائه‌دهندگان فناوری ابری، بیشتر استانداردهای این صنعت، در بخش ملی و بین‌المللی را رعایت کرده است. گابل اعلام کرده است که مؤسسات مالی می‌توانند با استفاده از فناوری هوش تجاری ابری در حوزه غربالگری شرکت تمنوس از طریق پلتفرم مایکروسافت آپ سورس به وضوح دریابند که تراکنشهای غربالگری هرگز راحت تر از این نبوده است.

در سال‌های اخیر، مدل‌های استقرار هوش تجاری در رایانش ابری به صورت ذیل ایجاد شده‌اند:

ابر خصوصی

این نوع از زیرساخت تنها برای یک شرکت خاص عمل می‌کند. این زیرساخت می‌تواند به وسیله شرکت یا یک شخص ثالث مدیریت شده و هم در محل کسب‌وکار هم در سایت باشد. این امنیت بالا برای تمام انواع ابر وجود دارد. شرکت بانکی آی ان جی دایرکت در سال ۲۰۱۲، «سیستم بانک در یک باکس» را ایجاد کرد که به اولین هاست بانکی استرالیا تبدیل شد که تمام خدمات آن در ابر خصوصی قرار داشت. بر اساس گفته سیمون اندرو، مدیر ارشد اطلاعاتی این مؤسسه، نتایج نشان داد که این تغییر کاملا ارزش انجام داشت.

ابر عمومی

برخلاف ابر خصوصی، زیر ساخت ابر عمومی برای عموم و یا گروه‌های صنعتی بزرگ، در دسترس است و تحت مالکیت سازمانی قرار دارد که خدمات ابر را به فروش می‌رساند. سازمان‌ها و بانک‌ها به جای پرداخت هزینه پیاده‌سازی فیزیکی می‌توانند برای خدمات ابری که در مدل پرداخت مشترکین استفاده می‌شوند، هزینه پرداخت کنند. برای مؤسساتی که به دنبال دسترسی مردم به بسیاری از خدمات مالی سنتی هستند. این مدل، صرفه جویی در هزینه و مقیاس پذیری را ارائه می‌دهد. برای مثال فالتون میانمار برای اجرای تراکنش‌های امن در مکان‌های دوردست در کشورهای در حال توسعه، از خدمات ابر تمنوس و مایکروسافت استفاده می کند.

ابر ترکیبی

براساس تعریف مؤسسه فناوری و استاندارد ملی آمریکا، ابرهای ترکیبی از دو یا بیش از آن تشکیل شده‌اند (خصوصی، عمومی یا هاست مشترک) که به وسیله داده‌های پردازش شده و سیار بودن نرم افزار با یکدیگر مرتبط هستند. برای مثال، یک بانک از یک ابر عمومی برای طرح‌های نوآورانه و کارآفرینانهای که نیازمند انعطاف و ذخیره بیشتر است، استفاده می‌کند و از ابر خصوصی برای کارهای سنتی که تحت سیاستهای سخت‌گیرانه‌تر اجرا می‌شوند و نیازمند منابع فناوری اطلاعات داخلی بیشتری هستند، استفاده می‌کند.
گروه ING، که یک شرکت خدمات مالی و بانکداری چندملیتی آلمانی است، ابر ترکیبی در سال ۲۰۱۳ برای نرم افزارهای تجاری خود ایجاد کرد. استیون ون ویک مدیر ارشد اطلاعاتی این شرکت معتقد است که آنها به این واقعیت رسیدهاند که راه‌اندازی مراکز داده‌ای برای خود سازمان‌ها و نهادهای مالی مربوط به گذشته بوده و ایجاد فیزیکی این مراکز هدر دادن وقت و انرژی است. گروه ING  با پیاده‌سازی هوش تجاری در ابر توانسته است:
– مدت زمان ۸ ساعتی را که برای به‌روزرسانی سرویسها و نرم‌افزارهای خود اختصاص میداد، کامل حذف کند.
– مدت زمان آزمایش محیط برای محصولات جدید گروه ING را از سه ماه به ۱۰ دقیقه کاهش دهد.
– کارایی فناوری اطلاعات را به میزان ۲۰ درصد افزایش دهد و بازسازی و بازیابی خرابی‌ها را از چند ساعت به چند دقیقه کاهش دهد.
برخی بانک‌ها با وجود منافع بسیار زیاد هوش تجاری در بستر ابر، هنوز از این فناوری بدلیل احتیاط در مسائل امنیتی و جرائم سایبری استفاده نمی‌کنند.

البته همه نرم افزارها و برنامه‌های کامپیوتری به بالاترین درجه امنیتی نیاز ندارند؛ اما أمنیت همیشه جزء ملاحظات اولیه سازمان‌ها و مؤسسات است.
نظارت و کنترل از جمله مسائلی است که باید به آنها در فناوری هوش تجاری ابری توجه بسیاری کرد. چه کسانی در کدام أبرها اجازه دارند به کدام نرم‌افزارها دسترسی داشته باشند؟ چه کسانی اجازه دارند منابع ابری را به‌دست آورند و محدودیتهای آنها چیست و چگونه نظارت و کنترل می‌شوند؟
شرکت مایکروسافت معتقد است که صنعت خدمات مالی استانداردهای سطح بالای مناسبی برای امنیت داده‌ها، حریم خصوصی و انطباق‌ها دارد و برای محافظت از مشتریان، برنامه‌های سختگیرانهای برای دادن گواهی استفاده از ابرهای خاص در پیش گرفته است. استانداردها و گواهینامهها شامل کنترل ضروری تداوم خدمات و پروتکل‌های امنیتی و حفظ حریم خصوصی است و اینها چیزهایی هستند که قانون‌گذاران برای حفاظت از داده‌های مشتریان به آنها نیاز دارند. علاوه بر این، شرکت مایکروسافت با استفاده از برنامه‌ای با عنوان برنامه سازگاری خدمات مالی مایکروسافت، یک لایه اضافه امنیت و انطباق را ارائه داده است؛ زیرا این امر یکی از الزامات اصلی برای بسیاری از بانک‌هاست تا بتوانند تأییدیههای قانونی برای روش‌های مبتنی بر فناوری هوش تجاری ابری را تخمین و از آن استفاده کنند.

جمع بندی

گزارش‌های خدمات مالی IDC، نشان می‌دهد هزینه فناوری اطلاعات در بانک‌ها سهمی معادل ۱۴.۳ درصد از کل هزینه‌های آنها دارند که در مقایسه با سایر صنایع، بالاترین هزینه در زمینه پیاده‌سازی فناوری‌های اطلاعاتی را به خود اختصاص داده‌اند. این میزان هزینه، معادل ۷٫۳ درصد از عواید مالی بانک‌هاست.
این درحالی است که سایر صنایع تقریبا به میزان ۳٫۷ درصد از عواید مالی خود را برای فناوری اطلاعات در نظر گرفته‌اند. کارشناسان فناوری اطلاعات بر این باورند که استفاده از هوش تجاری ابری می‌تواند در راستای کاهش این مخارج گام بردارد؛ به طوری که، کاهش مخارج بانک‌ها به عنوان قدرتمندترین پشتوانه استفاده از تکنولوژی هوش تجاری ابری محسوب می‌شود؛ زیرا در فناوری هوش تجاری ابری هزینه مرتبط با خرید سخت افزار، نصب نرم‌افزار جدید و یا به‌روز‌ رسانی آنها در سرورهای محلی کاهش یافته و این تکنولوژی با دارا بودن ویژگی چندین مستاجر، موجب میگردد هزینه و منابع میان تعداد عظیمی از کاربران توزیع شود. لذا این فناوری می‌تواند فرصت وسوسه‌انگیزی برای کاهش مخارج سرمایه‌گذاری در حوزه تکنولوژی برای بانک‌ها و مؤسسات مالی و تبدیل آنها به مخارج عملیاتی باشد.
ابزارهای داده‌کاوی و پردازش و همچنین تحلیل و غربالگری در فناوری هوش تجاری ابری نیز می‌توانند علاوه بر اینکه به اتخاذ سریع تصمیمات استراتژیک و دقیق کمک کنند، با اجرای بسیاری از الگوریتمهای پیچیده غربالگری در حوزه مدیریت کلاهبرداری و پولشویی، ادغام و یکپارچه‌سازی، مدیران بانک‌ها را یاری کند.
گزارشهای خدمات مالی IDC در سال ۲۰۱۷ نشان میدهد آینده صنعت بانکداری کاملا به فناوری هوش تجاری ابری متکی خواهد بود. البته باید به این  نکته نیز توجه داشت که راه‌حل‌های مبتنی بر فناوری ابری، به خصوص در خدمات مالی، باید به اندازه کافی امن باشند تا بانک‌ها و نهادهای مالی به دلیل جرائم سایبری از پذیرش و پیاده سازی این فناوری سرباز نزنند.

ژاله زارعی
مدیرداخلی انجمن علمی پول و بانک ایران

استفاده از تکنولوژی های جدید، به ویژه هوش تجاری، به بانکها این فرصت را داد تا با استفاده کامل از پتانسیل عظیم به وجود آمده در سیستم اطلاعات اولیه روزانه، علاوه بر تحلیل روند داده‌های گذشته، بتوانند عملکرد مالی آتی سیستم و بسیاری از شاخص‌های تجاری خود را پیش‌بینی کنند و بهبود بخشند. بانک‌ها با استفاده از این تکنولوژی قادر به مدل‌سازی رفتار مشتری – نه تنها از نظر استفاده از سرویسها و خدمات جدید، بلکه از دیدگاه مدیریت ریسکهای بالقوه- نیز بودند. اما، هوش تجاری در سال‌های اخیر با چالش‌های کلیدی مواجه شد که از آن جمله می‌توان به کیفیت ضعیف داده‌ها و زمان‌بربودن پردازش آنها، نیاز به سرمایه‌گذاری بالا در سخت‌افزارها و به‌روزرسانی دائم نرم‌افزارها اشاره کرد. وجود این شرایط زمینه بازنگری فناوری هوش تجاری و رفع نقاط ضعف این تکنولوژی را برای مهندسین و کارشناسان فناوری اطلاعات فراهم کرد و موجب شکل گیری رهیافتهای جدیدی همچون هوش تجاری ابری گردید.

کاهش هزینه‌ها، کاهش مدت زمان ارائه خدمات بانکی، مقیاس‌پذیری بالا، افزایش قابلیت اشتراک‌گذاری داده‌ها و ظرفیت نامحدود در ذخیره‌سازی داده‌ها، بهبود انطباق با اصول و قوانین جهانی، تقویت مبارزه با پولشویی و استفاده بهینه از منابع باعث شده است ۶۵ درصد از بانک‌های جهان تا پایان سال ۲۰۱۷ از هوش تجاری ابری استفاده کنند. لذا در شرایط کنونی سؤال این نیست که آیا بانک‌ها و مؤسسات مالی و همچنین بازارهای سرمایه  باید از هوش تجاری در ابر استفاده کنند یا خیر؟ بلکه پرسش این است که چگونه می‌توان از مزیت این تکنولوژی استفاده بیشتری کرد و جرائم سایبری آن را کاهش داد. لذا با توجه به اهمیت این موضوع و استفاده بسیاری از بانک‌های جهان از این تکنولوژی، سعی بر آن شده است که در این نوشتار، ضمن بررسی چالش‌های هوش تجاری در بانکداری به مزایا و منافع استفاده از هوش تجاری ابری در این حوزه اشاره شود تا پیاده‌سازی آن در بانک‌های کشور افزایش یابد.

هوش تجاری در بانکداری

در دنیای امروز بانک‌ها و مؤسسات مالی دارای مخازن داده الکترونیکی بسیار بزرگی هستند که به خودی خود و بدون تحلیل، اطلاعات خاصی را منعکس نمی‌کنند. لذا برای به دست آوردن اطلاعات مفید و کاربردی و برای پشتیبانی از تصمیم گیری‌های بهتر، استفاده از سیستمهای هوش تجاری توصیه شد. به عبارتی، با خلق یک نسخه واحد، بانک‌ها توانستند از داده‌های واقعی در انجام بهتر و هوشمندانه تر فرایندها کمک بگیرند.
به کارگیری سامانه انباره داده و استفاده از سیستم هوش تجاری موجب شد بانک‌ها از تمرکز صرف در ارائه خدمات بانکی به مدیریت ارتباط با مشتری تغییر وضعیت دهند؛ زیرا بانک‌ها باید علاوه بر ارائه خدمات بانکی، بر تمامی جوانب روابط با مشتری نظارت داشته باشند، به طوری که سود آورترین مشتریان را شناسایی و حفظ کرده و مشتریان جدید را در رقابت‌ها جذب کنند. علاوه بر این، در دنیای بانکداری جدید، مدیران بانکی همواره باید بازارهای جدید و محصولات جدید را شناسایی کنند. بنابراین، بانکها برای دستیابی به این اهداف نیازمند تبدیل داده‌های روزانه به اطلاعات مفیدی هستند که بتوانند ارتباط با مشتری، سودآوری، بهره‌وری از عملیات و همچنین مدیریت ریسک بانک‌ها را ارتقا دهند. لذا هوش تجاری به عنوان یک تکنولوژی توانست با ارائه اطلاعات، بسیاری از چالش‌های موجود در حوزه‌های مختلف بانک را پوشش داده و کاربردهای بسیاری در بخش‌های مختلف بانک مانند سیستم پرسنلی، وام و سوئیچکارت داشته و در نهایت، در تصمیم گیری مدیران در این حوزه‌ها نقش مؤثری را ایفا کرده است.
به طور خلاصه، مهمترین کاربردهای هوش تجاری در حیطه صنعت بانکداری عبارتند از مدیریت ارتباط با مشتری (CRM)، مدیریت عملکرد (PM)، مدیریت ریسک (RM)، مدیریت دارایی و بدهی (ALM) و همخوانی با استانداردها از جمله قوانین بازل، تشخیص تقلب، مدیریت پورت‌فولیو و مبادلات اوراق بهادار، سیستم ضدپولشویی، انبار داده و پردازش تحلیلی آنلاین (OLAP) از پایگاههای اطلاعاتی.

چالشهای کلیدی در پیادهسازی هوش تجاری در بانک‌ها

عملیاتی کردن هوش تجاری و بهره‌گیری از کاربردهای آن مزایای رقابتی زیادی در بانک‎‌ها ایجاد کرد و بسترهای مناسبی را جهت سرمایه‌گذاری افزایشی در زمینه فناوری اطلاعات به وجود آورد به طوری که، هوش تجاری توانست یک سیستم پشتیبانی از تصمیمهای مدیران بانکی در سطح کلان اقتصادی باشد. اگر چه بانک‌ها منتظر دریافت مزایای اساسی پیاده‌سازی هوش تجاری بودند، اما آنها نباید به این تکنولوژی به منزله یک راهکار اساسی معجزه آسیا نگاه می‌کردند؛ زیرا این سیستم، چالش‌های کلیدی نیز به همراه داشت که در این بخش به اختصار توضیح داده می‌شود.
در فناوری هوش تجاری، انباره‌های داده و سایر ابزارهای پردازش رایج به طور خاص برای پردازش کلان داده به صورت مؤثر و سریع طراحی نشده‌اند. حداقل اینکه داده‌ها باید در قالب سطرها و ستون‌ها قرار بگیرند تا آماده پردازش شوند؛ امری که در مورد کلان داده به سختی امکان‌پذیر است و در صورت انجام، پردازش آن نیازمند مدت زمان طولانی خواهد بود. از سوی دیگر، گسترش و ارتقای انباره‌های داده برای پشتیبانی از داده در سطح پتابایت نیازمند سرمایه‌گذاری‌های کلان در بخش سخت افزار است که برای همه سازمان‌ها و بانک‌ها امکان پذیر نیست. بنابراین، استنباط این است که تکنولوژی هوش تجاری و پیاده‌سازی آن در بانک‌ها در صورتی می‌تواند زمینه اتخاذ تصمیم‌گیری بهتر برای مدیران ارشد را فراهم آورد که پایگاه داده عظیم، یکنواخت و سازگار با نرم‌افزارهای تبیین شده داشته باشد. همان گونه که بیان شد برای تحقق این شرایط، سخت‌افزارهایی با قدرت بالا نیازمند است که این امر خود می تواند مخارج هنگفتی برای بانک‌ها به همراه داشته باشد. علاوه بر این، نرم‌افزارهای مورداستفاده در هوش تجاری نیازمند نگهداری امن و به‌روزرسانی مستمر هستند که این امر نیز نیازمند هزینه بالا و اختصاص زمان مشخصی است.
از سوی دیگر، گسترش وب، تلفن‌های همراه هوشمند، حسگرهای الکترونیکی مانند ردیاب ماهوارهای (GPS) و به تبع آن، رشد چشمگیر تنوع داده‌ها در بانک‌ها (مانند داده‌های شبکه‌های اجتماعی، داده‌های مکانی و فایلهای ثبت تراکنش) زمینه ناسازگاری داده‌ها در سطح کلان و عدم انطباق آنها با یکدیگر را فراهم آورده و این امر باعث شده است که استفاده مشترک بانکها از این داده‌ها به سختی صورت پذیرد؛ زیرا داده‌های جدید برخلاف داده‌های سنتی ساختار مشخص و تعیین شده‌ای نداشته و زمان بسیار زیادی برای انطباق و پردازش آنها نیاز است. ‌در جدول (۱) می‌توان تفاوت داده‌های سنتی و داده‌های جدید را مشاهده کرد.

از این رو، بانک‌ها از پیاده‌سازی این تکنولوژی چشم پوشی کرده و تعداد کمی از این نهادها و مؤسسات مالی این فناوری را پیاده‌سازی کرده‌اند.

وجود این شرایط باعث شد مدیران بانک‌ها و مؤسسات مالی، مهندسان فناوری اطلاعات را تحت فشار قرار داده تا بتوانند از این تکنولوژی به عنوان یک عامل تحلیلی – اطلاعاتی کاربردی، نافذ و فراگیر با هزینه کم استفاده کنند. پس از بررسی‌های دقیق تر، کارشناسان این حوزه پارادایم هوش تجاری ابری را مطرح کردند که بستری برای رفع نقاط ضعف این تکنولوژی و جایگزین پیاده‌سازی گران قیمت و پیچیده هوش تجاری در محل سازمان یا نهاد مالی است.

هوش تجاری ابری

فناوری رایانش ابری شیوه جدیدی از محاسبات کامپیوتری در فضایی است که قابلیتهای مرتبط با فناوری اطلاعات را به عنوان سرویس و یا خدمت به کاربر عرضه می‌کند و به او این امکان را می‌دهد که بدون نیاز به زیرساخت و یا اطلاعات تخصصی در مورد این فناوری‌ها به سرویسهای مبتنی بر این تکنولوژی در اینترنت دسترسی داشته باشد. محاسبات ابری ساختاری شبیه یک توده ابر است که به واسطه آن، کاربران میتوانند به برنامه‌‌های کاربردی هر مکانی از دنیا دسترسی داشته باشند (سیادت و مظفری مهر، ۱۳۹۵).
براساس تعاریف مؤسسه فناوری و استانداردهای آمریکا (NIST)، رایانش ابری مدلی برای ایجاد دسترسی همگانی به صورت راحت و آسان و بنا به سفارش شبکه و مجموعه‌ای از منابع رایانشی پیکربندی پذیر مانند شبکه‌ها، سرورها، فضای ذخیرهسازی، برنامه‌های کاربردی و سرویسهاست که بتوانند با کمترین نیاز به تلاش‌های مدیریتی یا تعامل با ارائه دهنده سرویس، به سرعت فراهم و یا آزاد و رها شوند (لیاقت، ۱۳۹۰).
خدمات ارائه شده در رایانش ابری را می‌توان در ۳لایه نرم‌افزار به عنوان سرویس(SaaS)»، «پلت فرم به عنوان سرویس (PaaS) و زیرساخت به عنوان سرویس (LaaS) طبقه‌بندی کرد.

-لایه «نرم‌افزار به عنوان سرویس» یکی از روش‌های پردازش ابری در زمینه فناوری اطلاعات است. در این لایه، نرم‌افزار یا اپلیکیشن به عنوان یک سرویس و نه یک محصول به کاربران در بستر اینترنت عرضه شده است و مصرف کننده نیازی به تهیه سخت‌افزار برای استقرار نرم‌افزار ندارد. همچنین هزینه های نصب، تعمیرات، نگهداری، به‌روزرسانی و غیره نیز در این مدل برای مصرف کننده وجود ندارد. بهترین نمونه از «نرم افزار به عنوان سرویس» را میتوان خدمات تحت وب آفیس مایکروسافت دانست.
-لایه « پلت فرم به عنوان سرویس» متشکل از پایگاه داده مقیاس پذیر و چندکاربره است. این پایگاه داده در فضای میزبانی ابر پیاده‌سازی شده و کاربر نیازی به نصب نرم‌افزار و یا به روز‌رسانی آن ندارد؛ به طوری که، در این لایه، پایگاه داده بدون مشاهده مدیریت فیزیکی، آمادگی پاسخگویی به درخواست کاربران را دارد و درخواست به‌روزرسانی پایگاه داده از طرف کاربر به این لایه منتقل می‌شود. در این بستر مجموعه‌ای از حداقل‌های موردنیاز برای ساخت یک برنامه خصوصی و ارائه آن توسط ابر مهیا می‌شود. سرور مایکروسافت آژور و موتور اجرای برنامه گوگل مثال‌هایی برای «پلت فرم به عنوان سرویس» هستند.
– لایه «زیرساخت به عنوان سرویس» به طور رایگان زیرساخت را روی اینترنت برای کاربر قرار میدهد. با این اقدام، مکانی برای او فراهم می آورد تا قدرت CPU  یا همان توان پردازشی، فضای ذخیره‌سازی، شبکه‌ها و دیگر منابع اصلی را که به صورت رایانش ابری در اختیار کاربر است، به گونه‌ای که خود می‌خواهد در نرم افزار موردنظر قرار دهد و اجرا کند. کاربر زیرساخت ابری را مدیریت یا کنترل نمی‌کند، ولی بر روی سیستمهای عامل، فضای ذخیره‌سازی، برنامه‌های قرارداده شده و احتمالا گزینش اجزای شبکه بندی (مثل فایروال) کنترل دارد. به بیان دیگر، هدف این بستر آماده کردن سرورهای موردنیاز سازمان‌ها به صورت فیزیکی یا مجازی است که در اغلب اوقات سرویسهای اضافی نیز ارائه می‌شود. سرویس وب آمازون و سیستم ابر اچ پی نمونه‌هایی از «زیرساخت به عنوان سرویس» هستند.
هوش تجاری ابری توانسته است با استفاده از پردازش اینترنت محور، منابع، نرم افزارها و اطلاعات مشترک را از کامپیوترها گردآوری کرده و مزایای زیادی را برای سازمان‌ها و نهادهایی که از آن استفاده میکنند، داشته باشند که در ذیل به اختصار بیان میشود.
• بازدهی هزینه
در سیستم ابری، هزینه مرتبط با خرید سخت‌افزار، نصب نرم‌افزار جدید و یا به روزرسانی آنها در سرورهای محلی کاهش یافته است و کاربران آنها می‌توانند بدون صرف زمان و مخارج اضافی، هوش تجاری در رایانش ابری را پیاده‌سازی کنند؛ به این معنی که، آنها میتوانند به سهولت، استفاده از نرم‌افزارهای خود را بدون تأخیر با هزینه اجباری حتی فارغ از خرید و نصب سخت افزار توسعه دهند. علاوه بر این، این تکنولوژی با دارابودن ویژگی چندین مستأجر، موجب می‌شود هزینه و منابع، میان تعداد عظیمی از کاربران توزیع شود. لذا با کاهش هزینه مالکیت، سازمان‌ها، شرکتها و نهادهای مالی می‌توانند کنترل بهتری در هزینه سرمایه و عملکرد داشته باشند و کاربران در داخل سازمان نیز از منافع حاصل از این تکنولوژی منتفع شوند.
• انعطاف پذیری و مقیاس پذیری
هوش تجاری ابری توانسته است انعطاف پذیری بیشتری را برای دسترسی تکنیکی کاربران به فناوری‌های جدید به ارمغان آورد. سیستم ابری، با ارائه راه حل‌هایی برای هوش تجاری باعث شده است کاربران تجاری قادر به کنترل بهتر مالی و محاسباتی پیرامون پروژه‌های مرتبط با فناوری اطلاعات باشند. برای نمونه، در سیستم ابری توانایی پشتیبانی همزمان از چند کاربر وجود دارد و منابع می‌توانند به طور خودکار و سریع در داخل و خارج مقیاس گذاری شوند.
.ظرفیت نامحدود در ذخیره سازی داده‌ها
هوش تجاری ابری می‌تواند اعتماد را از طریق استفاده از چندین مکان و سخت افزار اضافی بهبود دهد. این تکنولوژی میتواند مکان‌های امنی برای ذخیره داده‌ها میسر سازد و منابع می‌توانند در بین تعداد زیادی از کاربران پراکنده شوند. به عبارتی، کاربران می‌توانند با استفاده از سایتهای مختلف، مکان‌های امن برای ذخیره داده و منابع را افزایش دهند و در مقیاس وسیع از آنها استفاده کنند.
. قابلیت اشتراک گذاری وسیع داده‌ها
اپلیکیشنهای مورداستفاده در هوش تجاری ابری، قابلیت به اشتراک گذاری داده‌ها از راه دور را مسیر میکند و توانمندی ظرفیتهای به اشتراک گذاری آسان داده‌ها را (حتی اگر از طریق اینترنت و یا خارج از فایروال شرکت به کار گرفته شوند) افزایش می‌دهد.

ژاله زارعی

مدیر داخلی انجمن علمی پول و بانک ایران