معرفی سامانه مبارزه با پولشویی مبتنی بر داده‌کاوی در هفتمین کافه فین‌تک توسن

هفتمین رویداد کافه فین‌تک توسن با موضوع FATF و معرفی سامانه مبارزه با پولشویی AML2.0، سیزدهم آبان ماه در ساختمان شرکت توسعه سامانه‌های نرم‌افزاری نگین برگزار شد.

در این رویداد، با توجه به بحث داغ پولشویی و الزامات FATF در کشور، کارشناسان شرکت داده‌کاوان هوشمند توسن حضور داشتند تا ضمن معرفی کوتاهی از FATF و رهنمودهای آن به کشور ایران، از نسخه دموی سامانه مبارزه با پولشویی این شرکت رونمایی کنند.

آنچه باید در مورد پولشویی و FATF بدانیم

در ابتدا، دکتر جواد کاظمی تبار، از شرکت داده‌کاوان هوشمند توسن، به ارائه توضیحاتی درباره پولشویی و گروه ویژه اقدام مالی پولشویی پرداخت.

او با بیان این نکته که داده‌کاوان توسن، سامانه مبارزه با پولشویی ۱۰ بانک را تأمین می‌کند، آماری را در زمینه پولشویی ارائه داد. به گفته کاظمی تبار دو تحقیق درباره آمار پول کثیف انجام شده است که در یکی از آنان، دکتر عرب مازار، استاد دانشگاه بهشتی و همکارانش، حجم پولشویی را ۱۲ درصد از حجم نقدینگی کشور تخمین زده‌اند.

نرم‌افزارهای مبارزه با پولشویی بانک‌ها باید موارد مذکور در بخشنامه‌های بانک مرکزی را رعایت کنند. نگاهی امنیتی به این نرم‌افزارها وجود دارد و هیاتی از نمایندگان وزارت اطلاعات، وزارت اقتصاد و دارایی و بانک مرکزی بر آنان نظارت دارند. اداره مبارزه با پولشویی گزارش‌های ارسالی از بانک‌های مختلف را تجمیع می‌کند و برای بررسی‌های بیشتر درباره اشخاص مظنون به پولشویی تصمیم‌گیری می‌کند.

بر اساس صحبت‌های کاظمی تبار، برای اندازه‌گیری ریسک پولشویی، موارد مختلفی مانند ریسک کشور، ریسک مشتری، ریسک خدمات و … در نظر گرفته می‌شود که در حال حاضر، ریسک کشور برای ما اهمیت یافته است. FATF، دارای یک دستورالعمل ۴۰ ماده‌ای است که کلیه جنبه‌های مبارزه با پولشویی را در برمی‌گیرد. FATF، شورایی برای ارزیابی ریسک کشورها ندارد، بلکه یکی از کشورهای عضو را به عنوان داور برای تعیین وضعیت کشور دوم تعیین می‌کند. کشورهایی که در لیست قطعنامه‌ها و تحریم‌های سازمان ملل وجود دارند، طبق قواعد FATF جزو کشورهای پر ریسک قرار می‌گیرند و ایران هم چنین سرنوشتی را داشته است.

کاظمی تبار با اشاره به اینکه لیست سیاه FATF از سال ۲۰۰۰ مطرح شد، توضیح داد: «اگر کشوری همکاری‌های لازم را نداشته باشد و برای مثال اطلاعات مجرمان را با سایر کشورها به اشتراک نگذارد، در لیست سیاه قرار می‌گیرد. اسرائیل و روسیه هم جزو لیست سیاه هستند. برخلاف قطعنامه‌های سازمان ملل که مستقیما بازدارنده تعاملات بانکی هستند، قرارگیری در لیست سیاه مستقیما بازدارنده نیست؛ اما با توجه به اینکه مبادلات بانک‌های کشورهای دیگر با بانک‌های کشور درون لیست سیاه، باعث افزایش شاخص ریسک کشور اول می‌شود، در نتیجه منجر به عدم تمایل این بانک‌ها به تبادل و ایجاد تحریمی غیرمستقیم خواهد شد. بالغ بر ۲۰ بیانیه علیه ایران در سایت FATF وجود دارد. ایران پیشتر به همراه کره شمالی در وضعیت قطع کامل روابط قرار داشت، اما FATF در سال ۲۰۱۶ با یک درجه تعدیل، ایران را به وضعیت انجام مبادلات با رعایت اصول احتیاطی انتقال داد. با این حال در آخرین بیانیه، FATF بیان کرده که از ۱۰ مورد کلان خواسته‌شده از ایران، همچنان ۹ مورد انجام نشده است و از وضعیت این کشور، ناامید است.»

دکتر کاظمی تبار در پایان اشاره کرد که ۴۰ رهنمود FATF بسیار کلی هستند و برای کمی کردن و پیاده‌سازی آنان در سامانه مبارزه با پولشویی، علاوه بر مطالعات گسترده، سامانه‌های موجود در سایر کشورها هم مدنظر گرفته شده‌اند.

در ادامه دکتر قربان خردمندیان، برخی از مسائلی را که در داده‌کاوی سامانه مبارزه با پولشویی لحاظ شده‌اند، مطرح کرد و به نمایش سیستم جستجوی پیشرفته اشخاص در این سامانه پرداخت.

رونمایی از سامانه مبارزه با پولشویی AML 2.0

در بخش دوم این رویداد، زهرا سالک به نمایش دموی سامانه AML 2.0 پرداخت و ضمن استفاده از منوها و امکانات مختلف سامانه، قابلیت‌های مختلف سامانه را معرفی کرد.

در AML 2.0، برای کشف موارد مشکوک به پولشویی و تولید گزارش‌های STR از داده‌های انبار داده، سه ماژول عمده طراحی شده‌اند: موتور قواعد، موتور جستجوی فازی و موتور داده‌کاوی از این داده‌ها.

در توضیح و معرفی این سه ماژول می‌توان گفت که در موتور قواعد، متناظر با بخشنامه‌های بانک مرکزی قواعدی تعریف، پیاده‌سازی و بهینه‌سازی شده است که بخشی از گزارش‌های مرتبط با STR از این ماژول استخراج می‌شود. لیست‌های تحریمی شامل نام افراد، نام مستعار، آدرس و دیگر فیلدهای متنی هستند که به زبان انگلیسی در فرمت‌های مختلف ارائه می‌شوند و موتور جستجوی فازی عبارات پرس‌وجو به هر دو زبان فارسی و انگلیسی را دریافت کرده و شبیه‌ترین موارد را در لیست‌های تحریمی جستجو کرده و نتایج را با درصد شباهت تولید می‌کند.

براساس توضیحات کارشناسان شرکت داده‌کاوان هوشمند توسن، هدف موتور قواعد داده‌کاوی استفاده از تکنیک‌های داده‌کاوی و یادگیری ماشین برای مدل کردن الگوهای رفتاری مشتریان است که در غالب داده‌های تراکنش‌های آن‌ها منعکس می‌شود. تکنیک‌های داده‌کاوی خوشه‌بندی، تشخیص الگوهای پرت، طبقه‌بندی و خوشه‌بندی گرافی استفاده شده و موارد کاربردی زیر حاصل شده است:

  • شناسایی خوشه مشتریان با CCD یا سطح فعالیت مشابه
  • مدل کردن سطح فعالیت برای یک خوشه از مشتریان مشابه
  • استخراج الگوهای پرت (متناقض با سطح فعالیت) برای رفتارهای آتی مشتریان (STR)
  • استخراج ارتباطات مالی شبکه‌ای
  • استخراج روابط فامیلی احتمالاتی (روابطی که در پایگاه داده به صورت ضمنی ذکر نشده باشد)

 

منبع خبر: سایت تحلیلی خبری راه پرداخت

لینک خبر: https://way2pay.ir/120556

انواع مدل‌های استقرار هوش تجاری در رایانش ابری و نقش آن در بانک‌ها

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

هوش تجاری ابری در صنعت بانکداری

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

حجم پول کثیف در اقتصاد ایران را نزدیک به ۱۲ درصد حجم نقدینگی

حجم پول کثیف در اقتصاد ایران

دنیای اقتصاد : آمارهای غیررسمی حجم پول کثیف در اقتصاد ایران را نزدیک به ۱۲ درصد حجم نقدینگی کشور نشان می‌دهند. این خبری است که متخصصان داده‌کاوی و الگوهای پولشویی در نشست مرکز بررسی‌های استراتژیک ریاست‌جمهوری ارائه کردند. بررسی‌ها از این ارائه حاکی از آن است که با توجه به بسته شدن شریان‌های مالی کشور، بهبود وضعیت در FATF می‌تواند ما را از وضعیت خودتحریمی خارج کند. همچنین متخصصان با ابهام‌زدایی از همکاری‌های بین‌المللی تاکید کردند که تصویر روشنی از همکاری برای مبارزه با پولشویی در نظام مالی بین‌الملل وجود دارد.

روز گذشته سخنگوی شورای‌ نگهبان از ۳ ایراد در لوایح مبارزه با پولشویی و ارجاع آن به مجلس خبر داد. شاید این اولین واکنش عملی ایران به مهلت دوباره FATF باشد که در بیانیه دو هفته پیش این گروه اعلام شده بود. شاید این سوال پیش بیاید که در شرایط فعلی تصویب قوانین مبارزه با پولشویی و تامین مالی تروریسم و بهبود وضعیت در FATF تا چه حد دارای اولویت است؟ آمارهای غیررسمی حجم پول کثیف در چرخه اقتصاد کشور را معادل ۸/ ۱۱ درصد از نقدینگی برآورد می‌کنند که عدد هولناکی محسوب می‌شود. مرکز بررسی‌های استراتژیک ریاست‌جمهوری در آخرین نشست از سلسله نشست‌های گفت‌وگوهای راهبردی به بررسی موضوع مبارزه با پولشویی و تامین مالی تروریسم و تفهیم اهمیت آن پرداخت و برای این امر به سراغ یک متخصص فنی رفت. سیدجواد کاظمی‌تبار، دکترای مهندسی برق و کامپیوتر از دانشگاه کالیفرنیای آمریکا و متخصص در داده‌کاوی و الگوهای پولشویی در شبکه‌های بانکی مهمان این مرکز شد تا مفاهیم پایه‌ای پولشویی، فلسفه وجودی گروه ویژه اقدام مالی و وضعیت ایران در نظام مالی بین‌الملل را ارائه دهد. او در وهله اول اطلاعات عمومی‌تری را به مخاطب داد و در وهله بعدی اهمیت این موضوع در شرایط فعلی کشور را به تصویر کشید. سخنرانی این‌استاد‌دانشگاه می‌تواند منبع خوبی باشد تا عموم جامعه به سطح قابل‌قبولی از آشنایی با مفاهیم پولشویی و مبارزه با تامین مالی تروریسم و نهادهای متولی آن در دنیا برسند.

شاخ و برگ پولشویی

مفهوم پولشویی: وقتی یک شخص خلافکار درآمد کارهای خلاف خود را وارد سیستم بانکی کند، این پول پس از یک چرخش با منابع دیگر مخلوط می‌شود. هنگامی که پول از منبع کثیف با پول‌های دیگر مخلوط شود، اصطلاحا پول شسته می‌شود و عمل پولشویی اتفاق می‌افتد. در نتیجه باید در هنگام ورود پول به بانک، به آن شک کرد و مانع شسته شدن آن در چرخه بانکی شد. فرد پولشو عواید حاصل از عملیات مجرمانه را با هدف پنهان کردن منشا مجرمانه آن تغییر چهره داده و طوری وانمود می‌کند که پول به‌دست آمده از راه قانونی حاصل شده است. با این تعریف پولشویی به‌دنبال جرم اصلی می‌آید  از این‌رو یک جرم ثانویه محسوب می‌شود. اهداف و منابع: پولشویان برای فرار از تعقیب و مجازات به‌دنبال این کار هستند. آنها با این کار می‌توانند هم از مالیات و هم از مصادره اموال فرار کنند. منابع پول کثیف نیز می‌تواند از قاچاق انسان، مواد مخدر، اسلحه،  فساد، اختلاس، سرقت و… تامین شود. یکی از شاخصه‌های پولشویی در دنیا این است که حجم پول نقد آنها بسیار بالاست؛ چراکه ورود این پول‌ها به شبکه بانکی می‌تواند آنها را دچار مشکل کند.

کاظمی‌تبار معتقد است که پولشویی به‌طور مستقیم اقتصاد را دچار ضرر می‌کند. به گفته او، معمولا خلافکاران حرفه‌ای یک شغل تمیز را به‌عنوان شغل ظاهری خود انتخاب می‌کنند تا از پشت پرده بتوانند به اقدامات خلافکارانه خود بپردازند، این شغل تمیز می‌تواند به سادگی داشتن یک سوپرمارکت باشد. در این هنگام شخصی که به‌دنبال تمیز کردن پول خود است باید برای توجیه بانک، فروش محصولات خود را افزایش دهد. در این هنگام شخص خلافکار برای فروش بیشتر، محصولات خود در شغل تمیز را به قیمت کمتر از بازار می‌فروشد. این عمل در واقع توازن قیمت‌ها در بازار را تا حدودی تحت‌الشعاع قرار می‌دهد. اقدامات این‌چنینی می‌تواند نظارت دولت بر اقتصاد را نیز تضعیف کند. در کنار اینها افزایش خطرپذیری سرمایه‌گذاری خارجی از تبعات دیگر پولشویی محسوب می‌شود.

مراحل پولشویی: براساس توضیحات کاظمی‌تبار، پولشویی دارای ۳ مرحله مشخص است. مرحله اول ورود پول کثیف به بانک است. مرحله بعدی لایه‌گذاری و ایجاد شبکه‌های پولی پیچیده است، به این معنی که شخص خلافکار تمامی درآمد خود را به شکل متمرکز به بانک وارد نمی‌کند و در قالب حساب‌های مختلف با اشخاص حقیقی گوناگون وارد بانک می‌کند. مرحله سوم و پایانی پولشویی، ادغام تمامی حساب‌ها و برگشت مجدد پول در دستان افراد خلافکار و پولشو است. آماری از پول کثیف: براساس آمار اعلام شده، حجم پول کثیف موجود در دنیا بین ۵۰۰ تا ۱۸۰۰ میلیارد دلار برآورد می‌شود. این عدد معادل ۲ تا ۵ درصد تولید ناخالص جهان است. همچنین از این حجم، ۴۷ درصد در آمریکا، ۳۰ درصد در اروپا و مابقی در سایر نقاط جهان جریان دارد. به گفته کاظمی‌تبار، براساس یک مدل بررسی شده و آمارهای غیررسمی ارائه شده در یک تحقیق، حجم پول‌های کثیف در ایران نزدیک به ۱۲ درصد حجم نقدینگیبرآورد شده است. این محاسبات مربوط به فاصله سال‌های ۵۲ تا ۸۰ است.

تاریخچه مبارزه با پولشویی در ایران

آیا بانک‌ها به‌طور خودکار به مبارزه با پولشویی می‌پردازند؟ از نظر کاظمی‌تبار پاسخ این سوال منفی است. در واقع هیچ بانکی حاضر نمی‌شود مشتری خود را برنجاند و او را در پیچ و تاب قوانین نظارتی گوناگون قرار دهد و بخشی از منابع ورودی خود را قطع کند. از این‌رو باید یک اهرم فشار به نام قانون برای ملزم شدن بانک‌ها وجود داشته باشد. همین الزام موجب شد تا پیگیری‌های تصویب یک قانون در ایران آغاز شود. در نهایت در بهمن ماه سال ۱۳۸۶ برای اولین‌بار قانون مبارزه با پولشویی در مجلس به تصویب رسید، هر چند دستورالعمل اجرایی این قانون توسط دولت در اردیبهشت ۱۳۹۰ به بانک‌ها ابلاغ و لازم‌الاجرا شد.

به گفته این متخصص داده‌کاوی، قانون مذکور دارای ۱۱ قاعده برای شناسایی پولشویی بوده است. در آن زمان نرم‌افزارهای مبارزه با پولشویی نیز براساس همین قواعد نگاشته شد. هرگاه یکی از این قواعد در تراکنشی رخ دهد، نرم‌افزار گزارشی را تولید می‌کند که حاوی این اطلاع است که تراکنش مذکور مشکوک به جرم پولشویی است. گزارش‌های تولیدی و نرم‌افزارهای نصب شده در بانک‌ها هر سال توسط هیاتی متشکل از نمایندگان وزارت اطلاعات، بانک مرکزی و وزارت امور اقتصادی و دارایی بازبینی و بررسی می‌شوند. به گفته کاظمی‌تبار، اگر برای یک کد ملی چندین گزارش مشکوک موجود باشد، به فرد موردنظر مظنون می‌شوند. اداره مبارزه با پولشویی نیز با تجمیع گزارش‌های بانک‌های مختلف موارد مشکوک پولشویی را کشف می‌کند. بخشی از این قواعد و موارد شناسایی پولشویی عبارتند از: تراکنش مالی با مبلغ بالا در مناطق آزاد تجاری-صنعتی، تراکنش مالی با مبلغ بالا در مناطق پرخطر(مرزی)و تراکنش مالی با مبلغ بالا برای حساب‌های تازه افتتاح‌شده. این تعابیر کیفی در نرم‌افزارهای نصب‌شده به‌صورت کمی آمده است. هسته و مرکز سازمان‌ها و نهادهای مرتبط به مبارزه با پولشویی در ایران، شورای عالی مبارزه با پولشویی است. مراجع ناظر قانون شامل بانک مرکزی، بیمه مرکزی، سازمان بورس، سازمان ثبت اسناد و املاک می‌شود. بانک‌ها، بیمه‌ها، بورس‌ها، گمرک، سازمان مالیاتی و شرکت‌ها وظیفه اجرای قانون را دارند، این نهادها باید مشتریان مشکوک را شناسایی و گزارش‌های مستند را به شورا تحویل دهند. وظیفه اعمال قانون و مجازات نیز بر عهده قوه‌قضائیه است.

رویکرد ارزیابی و نهاد مرجع

پایه و اساس مبارزه با پولشویی رویکرد ریسک‌محور است. یعنی براساس متغیرها و مولفه‌های از پیش تعریف‌شده، ریسک هر مشتری تعیین می‌شود و سازوکارهای شناسایی نیز منطبق با شدت ریسک، تعیین می‌شوند. برای اندازه‌گیری ریسک‌های پولشویی ریسک کشور، ریسک مشتری و ریسک خدمات را در نظر می‌گیرند. ریسک کشور: ریسک کشور به کل اشخاص حقیقی و حقوقی یک کشور اطلاق می‌شود. مجامع بین‌المللی به جامعه جهانی اعلام می‌کند که در یک کشور خاص، ظن پولشویی شدید است و در تبادلات مالی با آن باید احتیاط ویژه کرد. به گفته کاظمی‌تبار، تقریبا مسوول و متولی اصلی این بحث در دنیا، FATF یا گروه ویژه اقدام مالی است. البته تنها ملاک و سنجه ریسک کشور FATF نیست؛ مثلا کشورهای مشمول تحریم از سوی سازمان ملل نیز دارای ریسک بالایی هستند، اما قدرت هیچ مولفه‌ای به اندازه اعلان‌های عمومی FATF نیست.

گروه ویژه اقدام مالی: FATF یا گروه ویژه اقدام مالی در سال ۱۹۸۹ ذیل نشست گروه ۷ برای مبارزه با پولشویی تاسیس شد. در واقع از ابتدا مبارزه با تامین مالی تروریسم جزو رسالت‌های این گروه نبوده است. اما واقعه ۱۱ سپتامبر در سال ۲۰۰۱ موجب شد تا مبارزه با تامین مالی تروریسم نیز ذیل اهداف این گروه قرار گیرد. بنای کار این مجموعه به‌صورت داوری همتا و ارزیابی متقابل است؛ یعنی عملکرد کشورها توسط یکدیگر مورد داوری قرار می‌گیرد. تا سال ۲۰۱۶ این گروه شامل ۳۷ عضو بوده است. اما FATF شامل گروه‌های معادل در مناطق مختلف جغرافیایی است، مثلا در منطقه آسیا و اقیانوسیه APG به‌عنوان گروه مشابه FATF قرار دارد که معادل گروه ویژه اقدام مالی عمل می‌کند. از این رو بسیاری از کشورها عضو گروه‌های متحد هستند و نه لزوما عضو FATF.

توصیه‌های گروه ویژه: این گروه ۴۰ توصیه در خصوص مبارزه با پولشویی و ۹ توصیه درباره مبارزه با تامین مالی تروریسم دارد. از توصیه‌های اساسی این گروه این است که تمامی کشورها باید کنوانسیون‌های بین‌المللی مربوطه را بپذیرند و در کشورشان پیاده کنند. در گام بعدی باید قانونی وضع شود تا پولشویی به‌عنوان جرم شناخته شود. در کنار اینها باید سیستم ارزیابی و تحقیق در مورد مشتریان وجود داشته باشد تا گزارش تراکنش‌های مشکوک را برای موسسات مالی پیاده کند. در واقع این سیستم سطح تراکنش‌های مشکوک را در نظام مبارزه با پولشویی در آن کشور خاص تعیین می‌کند. توصیه مهم چهارم هم این است که واحد اطلاعات مالی را برای دریافت گزارش تراکنش‌های مشکوک تاسیس کند. لیست تحریمی: در لیست‌های تحریمی FATF، قطعنامه‌های شورای امنیت سازمان ملل متحد بسیار جدی گرفته می‌شود. این لیست‌ها عمدتا شامل افرادی از القاعده، طالبان و کره‌شمالی می‌شود. FATF به اعضای خود و تمامی کشورها تاکید می‌کند که به لیست‌های تحریمی هیچ‌گونه خدماتی ارائه نشود. در این بین قطعنامه‌هایی نیز وجود داشت که شامل اشخاص ایرانی می‌شد؛ اما پس از برجام از فهرست FATF حذف شدند.

لیست سیاه: لیست سیاه یا blacklist گروه ویژه اقدام مالی برای اولین بار در سال ۲۰۰۰ پدید آمد. هر کشوری که با این گروه مشارکت نکند، جزو این لیست خواهد آمد. این‌طور نیست هر کشوری که عضو گروه نباشد به لیست سیاه افزوده شود. شرط خروج از لیست سیاه نیز همکاری لازم با این گروه و پیاده‌سازی توصیه‌ها است. در اولین فهرست لیست سیاه، نام رژیم اشغالگر قدس،روسیه و لبنان وجود داشت؛ درحالی‌که نامی از کشور ما نبوده است. کاظمی‌تبار اولین فهرست لیست سیاه FATF را مثال نقضی برای این ادعا می‌داند که گروه ویژه اقدام مالی به شکل معاندانه با ایران رفتار می‌کند و انگیزه‌های سیاسی بر آن چیره است. قرار گرفتن یک کشور در لیست سیاه، بار حقوقی برای آن کشور ندارد؛ اما عملا همانند یک تحریم قوی عمل می‌کند و بسیاری از کشورها را از تبادل مالی با آن کشور برحذر می‌دارد. منظور از مشارکت و همکاری با FATF برای فرار از قرارگیری از لیست سیاه، همانند کارهایی است که ادارات پلیس کشورها با یکدیگر انجام می‌دهند. به‌عنوان نمونه‌ای از این همکاری‌ها می‌توان به ضبط اموال عاید از پولشویی اشاره کرد. یا مثلا FATF از کشورها انتظار دارد که اگر به دلیل ملیت شخص مجرم، امکان استرداد وجود ندارد، حداقل پرونده مجرم به اشتراک گذاشته شود.

وضعیت ایران: در حال حاضر در سایت گروه ویژه اقدام مالی، کشورهای ایران و کره شمالی به‌عنوان تنها کشورهای پرریسک جهان شناسایی شده‌اند. هرچند اندکی پس از برجام، ایران از فهرست اقدام متقابل FATF خارج شد. اقدام متقابل در ادبیات FATF به معنی قطع ارتباطات مالی به‌طور کامل است. در سال ۲۰۱۶ وضعیت ایران از اقدام متقابل به ارزیابی دقیق تعدیل پیدا کرد. وضعیت «ارزیابی دقیق» این پیام را به جهان می‌دهد که در پذیرش مشتری ایرانی باید عمیق‌تر تحقیق کند و مثلا مشخص کند که مشتری از اقوام تروریست‌ها نیست یا از نزدیکان افراد سیاسی نباشد. هدف اداره مبارزه با پولشویی در کشور این است که ریسک ایران به موقعیت ارزیابی معقول برسد. به نظر می‌آید در وهله اول تنها تصویب قوانین مورد تاکید FATF بتواند ایران را به‌طور کامل از لیست سیاه و اقدام متقابل دور کند. تاکنون چندین بار به ایران مهلت داده شده تا این دغدغه‌ها برطرف شود و پس از مهلت، دوباره تمدید شده است. اما قابل‌تصور است که در صورت تحقق نیافتن خواسته‌های FATF ایران بار دیگر به وضعیت اقدام متقابل و لیست سیاه بازگردد، بازگشتی که خروج از آن بسیار سخت خواهد بود.

خودتحریمی ایران

توضیحات کاظمی‌تبار نشان می‌دهد که همکاری و مشارکت با FATF برای برقراری کانال تبادلات مالی داخلی و خارجی ضروری است. اگر کشوری در لیست سیاه این گروه قرار گیرد یا جزو کشورهای غیرهمکار تلقی شود مترادف با این است که مبادله مالی با این کشور از ریسک بالایی برخوردار است و در نتیجه کشورها را از انجام آن دور می‌کند. همچنین قرارگیری در لیست سیاه می‌تواند این بهانه را به دشمنان نیز دهد تا با خیال راحت تبادل مالی با کشور را بایکوت کنند. با قرارگیری در لیست سیاه نمی‌توان از کشورهای دوست و متحد نیز انتظار نادیده گرفتن اعلان‌های FATF را داشت؛ چراکه اینکار به معنی عدم همکاری آن کشورها با FATF تلقی می‌شود و منافع آنها را به خطر می‌اندازد. در نتیجه برای فرار از این وضعیت و تبادل احتمالی نفت با کالا، باید به وضعیت مطلوبی در FATF رسید. نشانه‌های زیادی وجود دارد که دشمن در حال تلاش برای بازگشت ایران به وضعیت اقدام متقابل است. نامه‌های مکرر سناتورهای آمریکایی خطاب به وزارت خزانه‌داری این کشور جهت تلاش در بازگشت ایران به لیست سیاه نمونه‌ای از این نشانه‌ها است. در نشست‌های رسمی FATF نیز مجموعه اسرائیل، عربستان و آمریکا تلاش بسیاری برای بازگشت ایران به وضعیت اقدام متقابل انجام داده‌اند. اما نگرانی اصلی در داخل کشور که مانع به اجماع رسیدن بر سر این موضوع می‌شود، کجاست؟ شاید اصلی‌ترین نگرانی این باشد که در صورت اضافه شدن گروه‌های مقاومت به لیست تروریستی FATF، همکاری با این گروه در تضاد با سیاست‌های کلی کشور قرار گیرد. اما FATF تنها لیست تروریستی سازمان ملل را به رسمیت می‌شناسد و نه لیست تروریستی آمریکا. در لیست تروریستی سازمان ملل نیز تنها داعش، القاعده، طالبان و جبهه‌النصره تروریسم محسوب می‌شوند. در واقع از نظر جامعه بین‌المللی گروه‌های مقاومت هیچ گاه جزو گروه‌های تروریستی نبوده‌اند. سید عباس عراقچی، معاون وزیر امور خارجه کشورمان اخیرا در این باره توضیح داد: «از ترس اینکه نکند در آینده غربی‌ها، حزب‌الله را تروریسم حساب کنند، نباید به خودمان فشار بیاوریم. امروز ما فشارهایی را به خومان تحمیل می‌کنیم و کشورهای دیگر می‌گویند ایران حامی تروریسم است؛ چراکه به یک کنوانسیون مبارزه با تامین مالی تروریسم نپیوسته است. ما فشارها و تحریم‌های مختلف را به خودمان تحمیل می‌کنیم از ترس اینکه مبادا در آینده بگویند حزب‌الله گروه تروریستی است، اگر آنان در آینده چنین کاری را انجام دهند، همان موقع برخورد می‌کنیم. هر گاه احساس کنیم چند کشور منافع گروه‌های مقاومت را در خطر قرار دادند، به راحتی از کنوانسیون مربوطه خارج می‌شویم.» صحبت‌های این مسوول سیاست خارجه کشور حاکی از این است که نگرانی در مورد گروه‌های مقاومت چندان محلی از اعراب ندارد. چراکه اولا این گروه‌ها در حال حاضر نزد مجامع بین‌المللی تروریستی محسوب‌نمی‌شوند و ثانیا هرگاه چنین برداشتی در جامعه جهانی ایجاد شود، کشور نیز ابزارهای لازم را برای واکنش دارد. در حالی که اکنون با این تصور فشار زیادی به بحث تبادلات مالی وارد شده و یک نوع خودتحریمی بر اقتصاد ایران تحمیل شده است.

سامانه کشف تقلب آنلاین آماده ورود به صنعت پرداخت

سامانه کشف تقلب آنلاین آماده ورود به صنعت پرداخت

مدیر عامل شرکت داده کاوان هوشمند توسن از طراحی سامانه کشف تقلب آنلاین در این شرکت خبر داد وگفت: این سامانه بیش از چهار سال است که آماده‌ شده ولی به دلیل نبود درخواست در محیط های زیادی پیاده سازی نشد.

به گزارش خبرنگار ایبِنا، فقدان یک سامانه جامع کشف تقلب در صنعت پرداخت معضلی با عنوان تراکنش های مشکوک را به وجود آورده و مخالفت ها در کشف عدم بهره گیری از سامانه های کشف تقلب خارجی تاکنون پیاده سازی این سامانه را در کشور به تعویق انداخته، این در حالی است که برخی از شرکت های دانش بنیان داخلی ادعای طراحی و تولید چنین سامانه هایی را دارند که بهترین راهکار در شرایط اقتصادی کشور حرکت به سمت پیاده سازی یک سامانه تقلب داخلی است.

شاپرک نیز چندی پیش به عنوان نهاد ناظر صنعت پرداخت اعلام کرد در تلاش برای دستیابی به سامانه‌های کشف‌ تقلب که با استفاده از توان داخلی تولید شده باشد است، اما تاکنون نتوانسته محصول بومی را پیدا کند که پاسخگوی نیاز شبکه پرداخت کشور باشد. شرکت داده کاوان هوشمند توسن یکی از شرکت هایی است که نسبت به طراحی و تولید سامانه کشف تقلب اقدام کرده است، مشخصات این محصول را از زبان مدیر عامل این شرکت بخوانید.

روزبه ترابی در گفتگو با خبرنگار ایبِنا در خصوص مشکل صنعت پرداخت در بحث تراکنش‌های مشکوک که به دلیل فقدان سامانه کشف تقلب به وجود آمده است، گفت: عنوان می شود که در خصوص بهره‌گیری از انواع سامانه‌های کشف تقلب خارجی تلاش هایی صورت گرفته که با مخالفت سازمان پدافند غیر عامل روبرو شده و بر این اساس در صنعت پرداخت پیاده سازی نشده است.

وی افزود: باید به این نکته مهم اشاره کرد که استفاده از سامانه‌های کشف تقلب داخلی حتی اگر از تمام مزیت‌های نمونه‌های خارجی برخوردار نباشد به طور قطع بهتر از فقدان آن است. ترابی تاکید کرد: سامانه کشف تقلب از اولین محصولات این شرکت بوده که دو سامانه مختلف یکی به‌ صورت آفلاین و دیگری به شیوه آنلاین در این شرکت طراحی و تولید شده که نوع آنلاین آن، از این توانایی برخوردار است که تراکنش‌های مشکوک را قبل از انجام شناسایی کرده و از وقوع آن جلوگیری کند.

پیاده سازی سامانه کشف تقلب آنلاین در بوم توسن و اینترنت بانک بام

مدیرعامل شرکت داده کاوان توسن با تاکید بر اینکه تاکنون محصول سامانه کشف تقلب آنلاین این شرکت در مولفه های اساسی صنعت پرداخت پیاده سازی نشده است، گفت: پیاده سازی این سامانه آنلاین کشف تقلب در بوم توسن و اینترنت بانک بام بزودی عملیاتی می شود.

ترابی یادآور شد: اگر شبکه پرداخت نسبت به تقلب‌هایی که در آن رخ می‌دهد، مسئول باشد ملزم به استفاده از چنین سامانه‌هایی می‌شود. از اینرو پیاده‌سازی و بهره‌گیری از چنین سامانه‌هایی در صنعت پرداخت باید از سوی نهادهای ناظر دنبال شود تا شرکت‌های PSP و دیگر بازیگران در این بخش به‌ سوی بهره‌گیری از چنین سامانه‌هایی حرکت کنند.

وی در پاسخ به این پرسش که آیا با پیاده‌سازی سامانه کشف تقلب داخلی می‌توان تراکنش‌های مشکوک در صنعت پرداخت را شناسایی و از انجام آن جلوگیری کرد؟ اظهار داشت: البته بسیاری از این موارد با پیاده‌سازی سامانه کشف تقلب قابل جلوگیری است ولی تاکنون از سوی متولیان صنعت پرداخت ضرورتی احساس نشده و یا در موارد محدودی تمایل به خرید محصول خارجی ابراز شده که آن هم با مشکلاتی روبرو شده است.

مدیر عامل شرکت داده کاوان هوشمند توسن ادامه داد: در این سامانه، این امکان وجود دارد که قواعد از پیش تعریف شده، بررسی و کنترل شود و موجودیت های متخلف شناسایی شوند. از طرف دیگر، گزارشات متنوع در این سامانه باعث می شود تا بازرسان و خبرگان استفاده کننده از سیستم، بتوانند موارد خاص دیگری را شناسایی کنند و قواعد جدید را به مجموعه قواعد قبلی اضافه کنند.

ترابی خاطر نشان کرد :علاوه بر گزارشات تخلفات و مانیتورینگ، دسته دیگری از گزارشات وجود دارد که بر اساس الگوریتم های داده کاوی به دست می آیند و موارد مشکوک به تقلب را گزارش می کنند. در این دسته ریسک تراکنش یا موجودیت اعلام می شود که آن ریسک می تواند مبنای اعمال بعدی قرار گیرد.

 شبکه پرداخت ایران نیازمند بهره گیری از سامانه کشف تقلب داخلی است

این فعال حوزه پرداخت در پاسخ به این پرسش که سیستم کشف تقلبی که از سوی این شرکت طراحی‌شده چه مزیت‌های دارد و تفاوت‌های آن با نمونه‌های خارجی در چیست؟ گفت: شبکه پرداخت ایران ویژگی های منحصر بفردی دارد از اینرو سامانه‌های کشف تقلب خارجی به دلیل تفاوت‌های شبکه پرداخت ایران با دیگر کشورها حتی در مواردی کارایی لازم را ندارد.

وی ادامه داد: بر فرض مثال، تنها در ایران کارت‌خوان‌های سیاری وجود دارد که شرکت‌های پرداخت نمی‌دانند چه شخصی و در کجا از آن استفاده می‌کند. از اینرو به دلیل اینکه شبکه پرداخت در ایران به‌ صورت کامل بومی است، سیستم‌های نظارتی بر آن نیز باید بومی و اختصاصی باشد و سیستم های کشف تقلب باید سعی در پُر کردن حفره های خاص آن داشته باشد.

ترابی یادآور شد: یکی از روش‌های معمول شناسایی موارد مشکوک به کار بردن الگوریتم‌های یادگیری ماشین، داده‌کاوی و به خصوص روش‌های سوپر وایز است. زمانی می‌توانید از روش‌های سوپر وایز استفاده کنید که به‌ اندازه کافی نمونه‌های تقلب در اختیار داشته باشید. از آنجا که در صنعت پرداخت، چنین اطلاعاتی در اختیار شرکت‌ها قرار نمی گیرد، مهم‌ترین مشکل در ساختار فعلی نبود داده‌های تقلب یا به عبارتی دیگر تقلب های رخ داده قبلی است.

بهره گیری از روش های Unsuperwise در سامانه کشف تقلب این شرکت

مدیرعامل شرکت داده کاوان توسن تصریح کرد: به همین علت روش‌های معمول موجود در دنیا که سوپر وایز است در سامانه‌های کشف تقلب در ایران به کنار می‌رود. کاری که این شرکت از زمان طراحی سامانه‌های کشف تقلب در ۸ سال گذشته انجام داده و خوب هم جواب گرفته بکارگیری روش‌های Unsuperwise است.

وی خاطرنشان کرد: بیشترین کاری که در سامانه کشف تقلب این شرکت انجام‌ شده، شناسایی رفتار موجودیت های مختلف است، بدین معنا که رفتار غیرعادی هر موجودیت شناسایی می شود، اعم از اینکه تغییر رفتار به نسبت گذشته خود موجودیت یا تغییر رفتار به نسبت موجودیت های مشابه باشد، این روند شناسایی می‌شود.

این فعال صنعت پرداخت افزود: این موجودیت ها کاملا متنوع هستند و بسته به مورد تغییر می کند، مثلا در صنعت پرداخت کارت، ترمینال یا درگاه پرداخت موجودیت مطرح است در حالی که در بانک ممکن است بر روی کاربر، شعبه، تسهیلات و یا سپرده متمرکز شویم.

ترابی ادامه داد: به عنوان مثال ساده، معمولا کارت‌خوان‌های فروشگاهی در یک محدوده قیمتی خاص تراکنش دارند و زمانی که در این رنج قیمتی تفاوت معناداری ایجاد ‌شود، این تغییرات شناسایی می‌شوند.

وی اظهار داشت: سیستم کشف تقلب این شرکت در حال حاضر در چندین بانک، پیاده‌سازی شده زیرا شبکه بانکی به نسبت صنعت پرداخت تمایل بیشتری نسبت به پیاده‌سازی سامانه کشف تقلب از خود نشان داده‌است.

ترابی در پاسخ به این پرسش که عنوان می‌شود بکارگیری سامانه‌های هوشمند در شرکت‌های پرداخت، هزینه‌های بالایی دارند، گفت: ممکن است خریداری و پیاده‌سازی سامانه‌های هوشمند خارجی با روند پیاده سازی پیچیده همراه و گران‌قیمت نیز باشد اما بهره‌گیری از نمونه‌های ایرانی آن به هزینه‌های بالا نیازمند نیست و پیاده‌سازی این سامانه‌های تولید داخل، برای تمام شرکت‌های پرداخت الکترونیک امکان‌پذیر است.

مدیر عامل شرکت داده کاوان هوشمند توسن تصریح کرد: کشف تقلب به‌ صورت کلی به دو شیوه انجام می‌شود. اول کشف تقلب است بدین معنا که ابتدا تقلب واقع می‌شود و بعد این تقلب شناسایی می‌شود که این کار شبیه کار بازرسی بانک‌ها است. پس می توان تقلب و موارد مشکوک را به صورت آفلاین تشخیص داد و سپس سعی کرد تا متخلف را شناسایی کرد.

وی افزود: در روش دیگر، کشف تقلب به‌ منظور جلوگیری از وقوع آن و یا کمتر کردن تعداد آن است که این رویکرد، در سامانه جداگانه در این شرکت طراحی‌شده است. ترابی با اشاره به محصول دیگر این شرکت درزمینه کشف تقلب، گفت: سامانه کشف تقلب آنلاین نیز در این شرکت طراحی‌ شده که از این قابلیت برخوردار است که به‌ صورت آنلاین میزان ریسک تراکنش‌ها را اندازه‌گیری و از انجام تراکنش‌های مشکوک جلوگیری کند.

شرکت داده کاوان هوشمند توسن استخدام می‌کند.

 شرکت داده کاوان هوشمند توسن در راستای توسعه تیم هوش تجاری و انبار داده خود از افراد دارای توانایی های ذیل دعوت به همکاری می نماید. علاقه مندان می توانند از تاریخ ۹۷/۴/۱۰ رزومه خود را به آدرس job@tidm.ir ارسال نمایند.

هم چنین از دانشجویان و فارغ التحصیلان دانشگاه های معتبر بدون سابقه کاری و علاقه مند به حوزه های کاری ذیل نیز دعوت به همکاری می شود.

·        تسلط به مفاهیم پایگاه داده

·        توانایی برنامه نویسی با PL\SQL

·        آشنایی با مفاهیم انبار داده و هوش تجاری

·        آشنایی با انواع توابع تحلیلی PL\SQL

·        آشنایی با Oracle DBA

·        آشنایی با ابزارهای ETL

کارگاه سامانه تحلیل جابجایی و ورود و خروج منابع

کارگاه سامانه تحلیل جابجایی و ورود و خروج منابع

یکی دیگر از کارگاه‌های گروه توسن، کارگاهی با عنوان «سامانه تحلیل جابجایی و ورود و خروج منابع بانک» بود که توسط سهراب سالور از شرکت داده‌کاوان هوشمند توسن در سال G52 در طبقه اول مرکز همایش برج میلاد برگزار شد.

سالور درخصوص این کارگاه توضیح داد که: «ما می‌خواهیم نشان دهیم که این پول‌هایی که در بانک هست کجا می‌رود. وقتی در رابطه با این موضوع، حوزه‌های بیرون بانکی مطرح است می‌خواهیم ببینیم که پول یک بانک به چه بانک‌های دیگری می‌رود و در خصوص حوزه‌های داخل بانکی هم می‌خواهیم ببینیم که درون بانک چه اتفاقی در حال وقوع است. نکته‌ای که دراین‌باره مهم است این است که این جابجایی چه درون بانکی و چه بیرون بانکی یک تحلیلی به شما می‌دهد. کاری که ما کردیم این بوده که این سامانه تحلیل جابجایی را درست کردیم تا بانک ببیند که واقعا چه اتفاقی از منظر این جابجایی پول در سازمانش در حال وقوع است.»

سالور موضوعات مهم در خصوص این سامانه را برشمرد و توضیح داد:«یکی از این موضوعات، معماری زیرساخت این سامانه است و دیگری هم بحث انبار داده و داده‌هایی که در این سامانه قرار گرفته شده و پردازش شده که برای تحلیل مناسب باشد. بخش مهم دیگری که درباره این سامانه وجود دارد بخش مربوط لایه نمایش این سامانه است و نمودارهایی که در سامانه وجود دارد تحلیل را بسیار راحت‌تر می‌کند.»

به گفته سالور، انواع جابجایی منابع بین بانکی، درون بانکی و نقدی هم وجود دارد که حتی ممکن است پول به‌صورت نقدی وارد و یا خارج شود و در این صورت اگر اطلاعات مشتریان ثبت شده باشد، چه مشتری بانک باشد و چه رهگذر، می‌توان بر اساس آن اطلاعات یک سری تحلیل‌هایی ارائه داد و در نهایت، همه این‌ها به بانک کمک می‌کند تا تشخیص دهد که پول از کجا می‌آید و به کجا می‌رود و به این ترتیب بانک حتی می‌تواند آینده‌اش را پیش‌بینی کند. مثلا حتی اگر بانک طرح جدیدی هم مدنظرش داشته باشد که بخواهد آن را اجرا کند، می‌تواند بر اساس این تحلیل‌ها تصمیم نهایی‌اش را بگیرد.

دکتر ترابی: داده‌ها؛ رمزی برای بانکداری متفاوت

 بانک‌ها حجم زیادی داده دارند که هم برای خودشان می‌تواند ارزشمند باشد و هم برای کسب‌وکارهای مختلف در حوزه فین‌تک. در دوره‌ای که از این اطلاعات به‌خوبی استفاده نمی‌شود و داده‌ها اغلب بی‌مصرف می‌مانند، داده‌کاوان هوشمند توسن تلاش می‌‌کند تا با استفاده از بزرگ‌داده‌های بانک‌های مختلف و تحلیل آنها، اطلاعات و خدماتی در اختیار بانک‌ها قرار دهد تا آنها بتوانند مشتریانی با وفاداری و رضایت بیشتر داشته باشند.

داده‌کاوان هوشمند توسن کار خود را از سال ۱۳۸۹ آغاز کرد و روزبه ترابی، اکنون مدیرعامل این شرکت است. از محصولات این شرکت می‌توان به سامانه کشف تقلب برخط کارت، سامانه هوشمند مانیتورینگ و کنترل تراکنش‌های کارت، سامانه وفاداری برخط و سامانه کشف تقلب بلادرنگ اینترنت اشاره کرد.

به عقیده دکتر ترابی، مهم‌ترین نقطه قوت این شرکت، سرمایه انسانی متخصص آن است. به گفته او، داده‌کاوان دو زیرساخت اصلی انبار داده بانکی و هوش عملیاتی دارد که از آنها در جهت تحلیل داده و خدمت‌رسانی به بانک‌ها استفاده می‌کند. داده‌کاوان هوشمند توسن با توجه به درخواست‌های مطرح‌شده در دستورالعمل‌های بانک مرکزی یا درخواست‌های مشتریان‌ و تحلیل‌های شرکت، محصولات جدید خود را طراحی می‌کند.

ترابی معتقد است بانک‌ها با استفاده از داده‌های کلان مشتریان خود می‌توانند برای آنها ارزش افزوده ایجاد کنند. در این صورت مشتریان می‌توانند بین خدمات یک بانک با بانک دیگر تمایز قائل شوند و در نتجیه وفاداری بیشتری نسبت به بانک خود داشته باشند.

حمایت داده‌کاوان هوشمند توسن از برگزاری رویداد علوم داده و کارآفرینی

رویداد «علوم داده و کارآفرینی» در راستای برگزاری سلسله رویدادهای «علوم داده»، سوم و چهارم شهریور ماه در پژوهشگاه دانش‌های بنیادی برگزار شد.

دکتر پژمان لطفی‌کامران، دبیر رویداد «علوم داده و کارآفرینی» با اعلام این خبر گفت: با توجه به اهمیت علم داده و رشد روزافزون آن، “پژوهشگاه دانش‌­های بنیادی” از سال گذشته اقدام به برگزاری رویدادهای مرتبط با “علوم داده” کرده است که نمونه اخیر آن مدرسه تابستانی مقدماتی “علم داده” بود که تیرماه امسا