چگونه استفاده از کلان داده ها، می تواند مشاوران مالی را در موقعیت برتری قرار دهد؟

مشاوران مالی

طبق گزارش شرکت تحقیقاتی IDC، انتظار می رود، در سال ۲۰۱۹، ارزش بازار خدمات و تکنولوژی کلان داده ها، به ۴۸٫۶ میلیارد دلار برسد. شرکت های درون این صنعت، از طریق جمع آوری هوشمندانه دیتاست های پراکنده، داده های ارزشمندی را برای مشتریان فراهم می کنند تا به آنها کمک کنند، فعالیت های بازاریابی خود را بهبود بخشند و ارزش بیشتری را به مشتریانشان ارائه کنند.

تملک ۵۹۰ میلیون دلاری سهام Yodlee توسط Envestnet، دومین قرارداد بزرگ تکنولوژی مالی در سال گذشته، تاکیدی بر نفوذ ادامه دار کلان داده ها در خدمات مالی است.

در این مقاله، چگونگی ایفای نقش کلان داده ها در زندگی کاری مشاوران مالی و همچنین چند استراتژی برای منتفع شدن از کلان داده ها، ارائه می شود.

معرفی کلان داده

کلان داده، اصطلاحی است که احتمالا ابتدا توسط یک پژوهشگر ابداع شده و امروزه ژورنالیست ها و تحلیلگران از آن به طور گسترده ای استفاده می کنند. به دلیل آنکه در طول دهه ها، حجم زیادی از داده ها ذخیره شده است، کاربرد امروزی مفهوم کلان داده، اشاره به تکنولوژی داده کاوی جدیدی دارد که ارزش ملموسی را از میان مجموعه های بزرگ داده ها استخراج می کند.

مفهوم آماری “قانون اعداد بزرگ” بیان می کند که وقتی موضوع اندازه گیری چیزهایی مانند رفتار مشتری مطرح باشد، داده ها می توانند استنباط دقیقی را در طول زمان داشته باشند.

برای مثال، شرکت خدمات کارت اعتباری Yodlee، داده های مشتری را از هزاران موسسه مالی جمع آوری می کند تا یک تصویر کامل برای شرکت هایی که می خواهند به وی اعتبار بدهند، فراهم کند.
یک مشاور مالی ممکن است از تکنولوژی، برای تشخیص سابقه­ی ریسک یک مشتری استفاده کند. بدین گونه که نگاه کند ببیند آیا در زمان رکود بازار، او اکسپوژر بازارش را افزایش داده است یا کاهش.
از طرف دیگر، یک نرم افزار بودجه بندی، به مانده بدهی کارت اعتباری و نرخ بهره نگاه می کند تا یک برنامه بهینه برای بازپرداخت وام را شناسایی کند.

با توجه به گزارش IDC، بعد از  صنایع تولید گسسته، صنعت بانکداری، بزرگترین فرصت کلان داده ها را به ارزش ۱٫۸ میلیارد دلار در سال ۲۰۱۴ دارا بوده است و بخش خدمات سرمایه گذاری، سریع ترین رشد را با نرخ رشد مرکب سالانه ۲۶% دارد.

این تحرکات نشان می دهند که کلان داده می تواند نقش بزرگی را در زندگی مشاوران مالی ایفا کند و آنهایی که چنین تکنولوژی هایی را نمی پذیرند، در معرض از دست دادن مزیت رقابتی قرار می گیرند!

استفاده از کلان داده ها

مشاوران مالی، قبل از آنکه به سراغ خرید داده های شرکت ثالثی بروند، با نگاهی به داده های خودشان می توانند استفاده از کلان داده ها را آغاز کنند.

برای مثال، مشاوران می توانند بررسی کنند ببینند که کدام مشتریان، حساب هایی دارند که در حال کاهش ارزش است و با آنها تماس بگیرند. همچنین می توانند پاداش هایی را برای مشتریانی که به طور منظم به حساب های پس انداز بازنشتگی خود پرداخت می کنند و متعهد به بودجه هستند، ارائه دهند.

این شناخت عمیق که ناشی ازاستفاده از کلان داده هاست، مجانی به دست می آید و اگر دائما تقویت شود، می تواند اثر قابل ملاحظه ای بر روابط با مشتریان بگذارد.

وقتی صحبت از توسعه دسترسی به کلان داده ها می شود، مشاوران مالی می توانند نگاهی به ابزارهای تجمیع حساب ها مانند Yodlee و ابزارهای بازاریابی مانند InsideSales بیندازند. Yodlee شناخت عمیقی درباره وضعیت مالی مشتری در چندین موسسه مالی ایجاد می کند و InsideSales به مشاوران، زمان مناسب برای برقراری تماس یا ارسال ایمیل را نشان می دهد تا مطمئن شوند که محتوای بازاریابی توسط مشتری مطالعه می شود. هر دو این ابزارها کمک می کنند که یک برنامه مشاوره مالی در طول زمان ساخته شود.

رقابت داده محور

مشاوران مالی همچنین ممکن است با رقابت فزاینده ای از طرف تامین کنندگان کلان داده ها مواجه شوند که به طور خودکار، با استفاده از کلان داده ها، بینش های عمیقی را هم برای افراد و هم برای مشتریان شرکتی ارائه می کنند.

ظهور “مشاوران رباتیکی” تهدیدی بسیار جدی برای مشاوران مالی فردی ایجاد کرده است، مخصوصا آن هایی که نسل های جوان تر را هدف قرار داده اند.

ربات مشاور RetireGuide محصول شرکت Bettermen، با اتصال به حساب های مالی شرکت های ثالث، یک بررسی آماری کلی را از دریافتی مورد انتظار یک نفر در زمان بازنشستگی و تخمین مقدار پس اندازش فراهم می کند. باید توجه داشت که هزینه  کمتر به سبب اتوماسیون، رقابت با این سرویس ها را در طول زمان مشکل می کند!

در بخش سازمانی، HelloWallet، که توسط Morningstar به تملک درآمده است، به کارفرمایان کمک می کند تا از طریق تحلیل دیتاست های بزرگ مشتریان مشابه، روش هایی را به کارمندانشان پیشنهاد دهند تا حقوق، مزایا و دیگر منابع را بیشینه کنند. مجموعه های درحال تکمیل داده ها می توانند مدل های پیش بینی کننده را طوری تنظیم کنند تا پیشنهادات بهتر و ارتباط موثرتری را با مشتریان در طول زمان ارائه دهند که این، می تواند یک فضای رقابتی شدیدی را برای مشاوران مالی ایجاد کند.

مشکلات احتمالی

اثرات موزاییکی کلان داده ها، مسائلی را درباره ریسک های احتمالی مربوط به حریم شخصی مشتریان ایجاد کرده است. زیرا ترکیبات داده ها می توانند بینش های به شدت حساسی را ایجاد کنند.

برای مثال، ترکیب دو دیتاست با هم، می تواند مشخص کند که فرد صاحب داده کیست، آن هم زمانی که هدف از طراحی داده، ناشناس بودن باشد.

همچنین در بعضی موارد ممکن است داده ها دقیق نباشند و این موضوع زمانی که شرکت ها فکر می کنند در حال ترسیم یک تصویر درستی هستند، مشکل آفرین می شود.

وقتی موضوع الگوریتم های پیش بینی کننده به میان می آید، احتمال تقویت سوگیری هایی (bias) که به طور ذاتی درون داده ها وجود دارند مطرح می شود. برای مثال، انتظار نمی رود که تحلیل های مورد استفاده برای تصمیمات اعطای اعتبار، تبعیض نژادی قائل باشند. اما ممکن است بر اساس داده های جمع آوری شده از منابع مختلف، تصمیمی تحت تاثیر نژاد استنتاج شود و آنگاه فرد مورد بررسی، برای دریافت وام پذیرفته نشود. این مسائل می توانند شرکت ها را، در مواردی که سوء استفاده ای رخ دهد، در معرض ریسک قانونی قرار دهند.

حرف آخر

کلان داده ها در طول چند سال اخیر، با ظهور خدمات خودکاری مانند Mint و SigFig، بر صنعت خدمات مالی غلبه یافته اند.

مشاوران مالی با پذیرش زودهنگام تکنولوژی و وارد کردن آن به جریان کاری روزانه شان برای تقویت درآمدشان و روابط با مشتریانشان، می توانند جز پیشگامان باشند.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *