Big data and data analytics for banking Supervisory

Big data and data analytics for banking Supervisory

โดย ปวีนัฐ คงบุญ

Big Data ก็คือข้อมูลทุกอย่างที่เรามีอยู่ในบริษัท ทั้งข้อมูลที่มีแหล่งที่มาจากภายในบริษัทเองและข้อมูลที่มาจากแหล่งที่มาภายนอกอย่าง Social medias ซึ่งทั้งหมดเป็นข้อมูลที่สามารถนำมาวิเคราะห์ได้หรือก็คือ ข้อมูลดิบ นั้นเอง ทั้งนี้ข้อมูลเหล่านี้สามารถนำมาวิเคราะห์ได้ด้วยวิธีการหลากหลายวิธีการ ขึ้นอยู่กับความต้องการนำข้อมูลเหล่านั้นไปใช้งานด้านไหน ในปัจจุบันนิยมระบบ Big Data Analysis เพื่อใช้สำหรับการคาดการณ์เหตุการณ์ในอนาคต หรือ เพื่อใช้ดูแนวโน้มสิ่งที่จะเกิดขึ้นนั้นเอง ในบทความนี้จะกล่าวถึง ธนาคารไทยขนาดใหญ่ 6 แห่ง ได้แก่ ธนาคารกรุงเทพ ,ธนาคารกรุงไทย  ,ธนาคารกสิกรไทย ,ธนาคารไทยพาณิชย์  ,ธนาคารทหารไทย และธนาคารกรุงศรีอยุธยาฯ  ซึ่งนำ Big data มาใช้ประโยชน์ในงานธนาคารรวมถึง ธปท. ด้วย

Big Data เริ่มจะอยู่ในความสนใจของสาธารณชนมาหลายปีแล้ว IDC ได้คาดการณ์มูลค่าตลาดของ Big Data โตจาก 130.1 พันล้านเหรียญสหรัฐ ในปี 2016 และในปี 2020  จะสูงกว่า 203 พันล้านเหรียญสหรัฐ และคาดการณ์ว่าขนาดตลาดของ Big Data ในภูมิภาคเอเชียแปซิฟิกไม่รวมประเทศญี่ปุ่นในปีนี้ไว้ที่  1.61  พันล้านเหรียญสหรัฐ  ซึ่งโตกว่าปีที่แล้วถึง 34.7% นอกจากนี้ยังมีการคาดการณ์จากบริษัทวิจัยอย่าง Research beam ระบุว่ามูลค่าตลาดของ Hadoop ( platform สำหรับการจัดเก็บ และ ประมวลผลข้อมูลขนาดใหญ่
ซึ่งสามารถรองรับการขยายตัวของข้อมูล และ มีความน่าเชื่อถือสูง   เนื่องจากสามารถทำการประมวลผลแบบกระจาย โดยผ่านเครื่อง computer มากมายที่อยู่ใน cluster ได้ง่าย) หนึ่งในเทคโนโลยีที่ใช้ในการทำ Big Data จะโตจาก 1.5 พันล้านเหรียญสหรัฐในปี 2012 เป็น 50.2 พันล้านเหรียญสหรัฐในปี 2020        

Big Data คืออะไร?

Bigdataexperience.org ได้อธิบายถึงความหมายของ big data ไว้ว่า คือลักษณะข้อมูลทุกอย่างที่เราเก็บไว้ในบริษัทของเรา ไม่จำกัดว่าต้องเป็นในรูปแบบไหนหรือเป็นประเภทใด โดยลักษณะของข้อมูลที่ถือว่าเป็น big data ได้นั้น จะประกอบไปด้วย 4V ได้แก่

·       Volume คือข้อมูลปริมาณมากและต่อเนื่อง (Facebook, Google , etc)

·       Velocity คือข้อมูลเปลี่ยนแปลงอย่างรวดเร็ว (ข้อมูลตลาดหุ้น, ข้อมูล Sensor)

·       Variety คือตัวข้อมูลมีความแตกต่าง หลากหลาย (ข้อความ, รูป, วีดีโอ)

·       Veracity คือ ความแม่นยำของข้อมูลที่มาจากต่างที่ และความไม่แน่นอนของข้อมูลนั้น ๆ ซึ่งต้องมาทำการจัดระเบียบและวิเคราะห์ว่าข้อมูลใดมีความถูกต้องแม่นยำมากที่สุด

ด้วยเทคโนโลยีที่ก้าวหน้าไปอย่างมากในปัจจุบัน องค์กรต่างๆ จึงสามารถเก็บข้อมูลในลักษณะต่างๆ ไว้ได้อย่างมากมายมหาศาลและนำข้อมูลหรือ big data เหล่านี้มาวิเคราะห์ในเชิงลึกด้วยการใช้เครื่องมือต่างๆ ต่อไป เพื่อตอบคำถามหรือคาดการณ์ต่อสถานการณ์ใดสถานการณ์หนึ่งที่ต้องการทราบได้

(ภาพนี้ได้รับอนุญาตให้เผยแพร่ตามอนุสัญญา Creative Commons Attribution-Share Alike 3.0 Unported)

ดังนั้น แม้ว่า data analytics จะเป็นผลดีอย่างยิ่งต่อองค์กร แต่ก็จำเป็นต้องระมัดระวังในเรื่องการได้มาซึ่งข้อมูลและการเก็บรักษาดูแลข้อมูลของลูกค้าเอาไว้อย่างปลอดภัยอีกด้วยเช่นเดียวกัน จึงมีความจำเป็นอย่างยิ่งที่องค์กรจะต้องแจ้งให้ลูกค้าทราบนโยบายด้านการเก็บข้อมูลและการนำข้อมูลไปใช้ของบริษัทและจะต้องได้รับการยินยอมจากลูกค้าเพื่อการกระทำดังกล่าวนี้อีกด้วย

จะเห็นได้ว่าองค์กรที่ใช้ข้อมูลเป็นตัวหลักในการขับเคลื่อนและทำ data analytics นั้นจะสามารถวางแผนและตัดสินใจในการทำงานได้อย่างมีประสิทธิภาพมากขึ้น ซึ่งมีสถิติระบุไว้ว่า การใช้ data analytics นั้นจะช่วยให้ความสามารถในการตัดสินใจได้ถูกต้องเพิ่มขึ้นเป็น 3 เท่าเลยทีเดียว ซึ่งการทำ data analytics นี้ องค์กรจะถูกท้าทายว่ากล้าที่จะเดินออกมาจากกรอบแนวความคิด การบริหาร แบบเดิมๆ ได้หรือไม่ กล้าที่จะใช้เครื่องมือใหม่ๆ ใช้วิธีการใหม่ๆ พลิกแพลงกลยุทธ์ต่างๆ ได้หรือไม่ สิ่งเหล่านี้ ท้ายที่สุดจะนำมาซึ่งนวัตกรรม (Innovation) ใหม่ๆ ขององค์กร จึงจำเป็นอย่างยิ่งที่จะต้องได้รับการสนับสนุนจากผู้บริหารระดับสูง (Top down management)

ที่มา http://datascienceth.com/bankingdatacsc/

Big Data Digital Disruption ขององค์กร

มีการคาดการณ์ว่าภายในปี 2018 ทุกๆ ธนาคารจะมีการนำ social media data มาใช้ในการวิเคราะห์ร่วมกับข้อมูลอื่นๆของธนาคาร (การฝากเงิน, การให้กู้ยืม  และระบบบริหารความสัมพันธ์ลูกค้า เป็นต้น)  แสดงว่า ต้องมีการเตรียมการ Big Data Technologies ก่อนล่วงหน้า 2-3 ปี หรือ ตอนปี 2016 ต้องเริ่มแล้ว   และอีกนัยหนึ่งคือต้องหาคน เพื่อสร้าง Data Science Team ขึ้นมา

ดังนั้นการรู้จักนำ Big Data  มาใช้ในองค์กร ที่สำคัญคือการรู้จักใช้หลักการของ Data Science มาเพื่อทำการคาดการณ์ธุรกิจ ซึ่งนอกเหนือจากจะทำให้เป็นการเพิ่มประสิทธิภาพในการทำงานแล้ว ที่สำคัญคือ Big Data อาจทำให้เกิด  Digital Disruption  อาจทำให้เห็นโอกาสทางธุรกิจใหม่ๆที่เกิดขึ้นจากการวิเคราะห์ โดยใช้หลักการของ Machine Learning หรือการนำข้อมูลมาใช้โดยทีมงาน Data Scientist แล้วอาจทำให้โอกาสใหม่ๆก็จะทำให้หน่วยงานสามารถแข่งขันกับคู่แข่งได้

Big Data มีองค์ประกอบที่สำคัญสามอย่าง ดังนี้

·       Data Source

·       Technology

·       Analytics

องค์ประกอบแรก Data Source คือข้อมูลที่เก็บอยู่ในรูปแบบต่างๆทั้ง Structured  และ Unstructured data ( Structured data จะหมายถึงข้อมูลที่จัดการปรับแต่งเพื่อให้มีโครงสร้างชัดเจน มีความหมาย สามารถใช้งานได้ทันที เช่นข้อมูลที่จัดเก็บใน Database (ผ่านการ Normalization หรือ Meaning extraction แล้ว) ส่วน Unstructured data นั้นจะตรงข้ามกัน)  โดยจะต้องมีการปรับวัฒนธรรมองค์กรให้เป็น  Data-Driven นำข้อมูลมาใช้ รู้จักการทำงานร่วมกันผ่านการแชร์ข้อมูล มีวัฒนธรรมองค์กรที่เน้นความโปร่งใส และข้อสำคัญข้อมูลที่จะแชร์ออกมาใช้อนาคตควรอยู่ในรูปของ API-based

องค์ประกอบที่สอง Technology หลักการสำคัญของ Big Data คือการหาเครื่องมือมาเก็บและวิเคราะห์ข้อมูล แต่เนื่องจากข้อมูลใหญ่และซับซ้อนขึ้นเกินกว่าเทคโนโลยีแบบเดิมจะจัดการได้ จึงต้องจัดหาเครื่องมือใหม่ๆเช่น  Hadoop หรือ Cloud Technology  ต่างๆมาใช้ และองค์ประกอบสุดท้าย Analytics หัวใจสำคัญของ Big Data คือ Big Data Analytics  ที่ต้องการใช้หลักการทางวิทยาศาสตร์และคณิตศาสตร์เพื่อทำการคาดการณ์อนาคตจากข้อมูลขนาดใหญ่

ที่มา : บทความจาก ดร.ธนชาติ นุ่มนนท์

ตัวอย่าง tools ที่นำมาใช้กับ Big Data

ปัจจุบันมีเครื่องมือในตลาดมากมายที่นำมาใช้จัดการข้อมูล Big Data ขอแนะนำ Software ที่นิยมในตลาดขณะนี้ยกตัวอย่าง เช่น Qlikview , Tableau , Microstrategy และ Spotfire 

สำหรับ ธปท. ปัจจุบันได้เลือก Tableau มาใช้กับหลายข้อมูล เช่น ข้อมูลสินเชื่อเป็นต้น

Big data กับการปรับตัวของธนาคารกลางและ ธพ.

ธนาคารกลางของประเทศต่างๆ เช่นธนาคารกลางประเทศสิงค์โปร์ (MAS), ธนาคารกลางประเทศเยอรมัน (Deutsche Bundesbank) และ ธนาคารแห่งประเทศไทย(ธปท.) ต่างก็ตระหนักถึงความสำคัญของการปรับเปลี่ยนองค์กรเพื่อให้สามารถรองรับเรื่อง Big Data และคณะเดียวกัน ธพ.ขนาดใหญ่ของไทยจำนวน 6 แห่ง ต่างก็ได้ดำเนินการปรับเปลี่ยนตนเอง ดังต่อไปนี้

ธนาคารกลางสิงคโปร์ Monetary Authority of Singapore ( MAS ) มีการพัฒนาไปไกลถึงขั้นเป็น Machine Learning มีการนำข้อมูลบางส่วนเผยแพร่เป็น Public data โดยผ่าน Open APIs เพื่อหวังให้ผู้พัฒนาจากภายนอกจะมีส่วนช่วยในการตรวจสอบสถาบันการเงินไปด้วยและพัฒนาอุตสาหกรรมทางการเงินและสร้าง Innovation ให้กับประเทศ 

ธนาคารกลางประเทศเยอรมัน Deutsche Bundesbank ได้นำ Big Data Applications มาใช้ในการกำกับตรวจสอบสถาบันการเงิน ทั้งในรูปแบบของ Text มาวิเคราะห์  เช่น

·       ข้อมูล Stock

·       ผลการดำเนินงานของธนาคาร    

·       ผู้บริหารแบงก์สัมภาษณ์อะไรจะมีทิศทางต่อ กำไร สถาบันการเงิน หรือไม่คือเป็น  More than words

·       การใช้ข้อมูลจาก internet ,  ดาวเทียม , ข้อมูลราคา มาทำ research ต่างๆ เช่น  Google /Twitter ,  แสงสว่างตอนกลางคืนเอามาทำนาย GDP , Exchange rate  , อุณหภูมิ   เป็นต้น  

ธนาคารแห่งประเทศไทย (ธปท.)  ในปี 2560 สายกำกับสถาบันการเงินได้จัดตั้งโครงการพัฒนาระบบข้อมูลเพื่อรองรับการกำกับตรวจสอบแบบต่อเนื่อง เพื่อใช้ในการกำกับตรวจสอบแบบ Ongoing และ Forward Lookingเป็นแผน 3 ปี  โดยต้องดูผลการประเมิน Gaps ข้อมูล สำหรับการกำกับตรวจสอบแบบต่อเนื่อง และทบทวนข้อมูลที่มีในระบบ  ทั้งนี้ต้องอาศัยผลการศึกษาแนวทางพัฒนาระบบที่จะเชื่อมโยงข้อมูลจากสถาบันการเงินแบบ Near Real-time  ด้วย

การดำเนินงานด้านข้อมูล Ongoing แบ่งเป็น

1 ข้อมูลภาพรวม – เพื่อวิเคราะห์รายละเอียดการเปลี่ยนแปลงของสินเชื่อในลูกหนี้แต่ละกลุ่มได้ดียิ่งขึ้น และเชื่อมโยงกับข้อมูลการใช้เช็คและฐานข้อมูลสินเชื่อ เพื่อวิเคราะห์สัญญาณปัญหาสภาพคล่องของลูกหนี้ SME

2 ข้อมูล Credit Risk – มีทั้งข้อมูลเชิงปริมาณ ,ข้อมูล และอัตราส่วนอื่น ๆ และข้อมูลเชิงคุณภาพ เพื่อดูยอดสินเชื่อ และสัดส่วน ตามประเภทสินเชื่อ ได้แก่Corporate, M-SMEs, S-SMEs, HP, Housing, Credit Card, P-Loan ภายใต้การกำกับ และอื่น ๆ

โดยมีมุมมอง เช่น

·       Portfolio Summary / Monitoring

·       Outstanding, Account วิเคราะห์การกระจุกตัวในมุมมองต่าง ๆ

·       Provisioning

·       NPL, TDR Management

·       Performance

·       Portfolio Risk Indicator (Bank specific)

·       Risk indicator (รายตัวลูกหนี้ รายบัญชี)

·       Loan Details

3 ข้อมูล Market Risk – พัฒนาตัวชี้วัดความเสี่ยงสำหรับ Trading Activities ประกอบด้วย

·       Market Outlook

·       Exposure (Size of Activity)

·       Performance

·       Risk Measurement and Capital Requirement

·       Others

4 ข้อมูล ALM – เน้นความถี่เป็นรายวันเพื่อให้ทันกาลในการติดตามสภาพคล่อง ได้แก่

·       ข้อมูลเชิงปริมาณ เช่น Marketability คุณภาพของแหล่งสภาพคล่อง

·       ข้อมูลเชิงคุณภาพ  ได้แก่รายงานการประชุมต่างๆ

5 ข้อมูล Operational Risk – ปัจจุบันขอความร่วมมือให้ ธพ.ไทย ส่งเป็นรายไตรมาสซึ่งอาจจะเพิ่ม Scope ให้รอบด้านทั้ง IT และ Non-IT

สรุปแผนด้าน Data แบ่งเป็น 6 ด้าน ดังนี้

1.ผลักดันการใช้ข้อมูลหลักจากทุกถังข้อมูลของ ธปท. โดยเฉพาะการใช้ข้อมูลในระดับ micro ในการวิเคราะห์แบบ data analytics และการทาวิจัย เพื่อช่วยจับชีพจรเศรษฐกิจ ประเมินความเสี่ยง ทำความเข้าใจกับ การเปลี่ยนแปลงเชิงโครงสร้าง และบริหารจัดการองค์กร โดยเริ่มจากข้อมูลที่มีอยู่แล้ว อาทิ ข้อมูลสินเชื่อ ไฟฟ้า และกรมศุลกากร

2. พัฒนากระบวนการ data governance เพื่อสนับสนุนการจัดเก็บ การบริหารจัดการ การเผยแพร่และการวิเคราะห์ข้อมูลได้อย่างรัดกุม

3. เพิ่มศักยภาพการวิเคราะห์ข้อมูลเชิงลึก โดยจัดตั้งกลุ่มงาน data analytics สรรหา/พัฒนาบุคลากรให้มีความเชี่ยวชาญ ตลอดจนจัดหาเทคโนโลยีและ platform ให้พร้อมใช้

4. สรรหาและจัดเก็บข้อมูลด้านเศรษฐกิจการเงินที่สำคัญที่มีความรวดเร็วและความถี่แบบ near real-time อาทิ ข้อมูลการชำระเงิน ประกันสังคม และข้อมูลจาก internet (เช่น ข้อมูลอสังหาริมทรัพย์)

5. พัฒนาระบบการรับข้อมูล near real-time โดยตรงจาก สง. เพื่อสนับสนุนการตรวจสอบแบบ offsite และติดตามกำกับดูแลแบบ on-going และลดภาระแก่ผู้ให้ข้อมูล

6. ปรับเพิ่มรูปแบบการเผยแพร่ข้อมูลให้ละเอียดมากขึ้น พร้อมมีคำอธิบายข้อมูลที่ชัดเจนสำหรับ stakeholder’s นำไปใช้งานต่อได้ง่ายและสะดวกมากยิ่งขึ้น อาทิ ข้อมูลสถิติสถาบันการเงิน สถิติการเงินและตลาด

Ø การปรับตัวของธนาคารกสิกรไทย

เพื่อรักษาการเติบโตและการเป็นผู้นำ Digital Banking ในปี 2560 KBANK จะมีบริการใหม่ๆ ทยอยออกมาให้ใช้ตลอดทั้งปี ทั้งที่ KBANK พัฒนาเอง และที่พัฒนาร่วมกับพันธมิตร โดยมีเทคโนโลยีเด่นๆ 5 ส่วน ที่ถือเป็นเรื่องใหม่ และ KBANK โฟกัสเป็นพิเศษ คือ

- Blockchain

- World Class Design

- Mobile Banking and Payment

- Bank & FinTech Open API

- Big Data Analytics & Machine Learning

และมีอีก 3 ส่วนที่โฟกัสรองลงมา คือ e-KYC , Internet of Things และ Cyber Security ซึ่งทุกส่วนก็มีการพัฒนาอย่างต่อเนื่องอยู่แล้ว

แนวทางหนึ่งที่ชัดเจนของ KBANK นอกจากการพัฒนานวัตกรรม ด้วยตัวเองแล้ว อีกส่วนที่สำคัญไม่แพ้กันคือ การร่วมมือกับพันธมิตรเพื่อสร้างนวัตกรรมที่เป็นบริการใหม่ๆ ซึ่งได้เริ่มต้นไปแล้วด้วยการเปิด Open API เพื่อให้พันธมิตร Startup และ FinTech สามารถเข้าถึงข้อมูลและฟังก์ชั่นของธนาคาร และยังเชื่อมต่อกับลูกค้าของธนาคาร เพื่อให้สามารถนำไปประโยชน์ได้โดยสะดวก

ธีรนันท์ ศรีหงส์ กรรมการผู้จัดการ ธนาคารกสิกรไทย จำกัด  กล่าวกว่า

“ธนาคารไม่เคยเปิด API นอกอุตสาหกรรมมาก่อน นี่จึงถือเป็นการเปิด API ข้ามอุตสาหกรรมเป็นครั้งแรก และไม่ได้จำกัดเฉพาะ FinTech เท่านั้น เพราะ Startup ทุกประเภท ต้องมีเรื่องธุรกรรมการเงินเข้ามาเกี่ยวข้อง สามารถเข้ามาพัฒนาร่วมกัน เพื่ออำนวยความสะดวกให้กับลูกค้าที่ใช้บริการ”

Ø การปรับตัวของธนาคารกรุงเทพ

แม้แต่ธนาคารที่มี “ลุค” ภาพลักษณ์อนุรักษ์นิยมอย่างธนาคารกรุงเทพก็มีการริเริ่มจัดตั้ง Data Scientist มาทำงานภายในองค์กร  โดยงานในตำแหน่งนี้จะเน้นทำ customer analytics คือการใช้โมเดล data mining (เช่น decision tree, logistic regression, clustering, segmentation) ประยุกต์ใช้กับข้อมูลลูกค้าธนาคารรายคนเพื่อหา insights และนำ insights นี้เพื่อมาออก targeted customer relationship management (CRM) campaign ซึ่งได้แก่การทำ retention (ให้ลูกค้าใช้บริการต่อ), cross-sale (ลูกค้าใช้ product หนึ่งอยู่แล้วเช่น มีบัญชีเงินฝาก ต้องการให้ลูกค้าใช้ product อื่นด้วยเช่น บัตรเครดิต) และการนำเสนอ privilege สิทธิประโยชน์ต่างๆให้ตรงกับความต้องการของลูกค้า นอกจากนี้งานในตำแหน่งนี้ยังต้องทำการวิเคราะห์ข้อมูลเพื่อสนับสนุนการวางแผนและกลยุทธ์ให้กับ ผลิตภัณฑ์และช่องทางต่างๆ รวมถึงผู้บริหารของธนาคาร ซึ่งจริงๆแล้วลักษณะงานในตำแหน่งนี้จะคล้ายๆกับงานในตำแหน่ง CRM Analytics และ Data Mining Analysts ตามธนาคารทั่วๆไปนั่นเอง แต่ในปัจจุบันในยุคดิจิตอล ก็จะเริ่มทยอยเรียกตำแหน่งเหล่านี้ว่า Data Scientist กันหมด

Ø การปรับตัวของธนาคารไทยพาณิชย์

ธนาคารไทยพาณิชย์ตั้งเป้าเพิ่มสัดส่วนการลงทุนในโครงสร้างพื้นฐานด้านเทคโนโลยีกว่า 30,000 – 40,000 ล้านบาท ภายใน 3 ปี เพื่อรองรับแพลตฟอร์มดิจิทัล รวมถึงการนำเทคโนโลยี Business Intelligence ที่ช่วยให้ธนาคารตัดสินใจด้านการลงทุนได้มีประสิทธิภาพยิ่งขึ้นโดยอาศัยข้อมูลทั้งจากภายในและภายนอกธนาคาร และเทคโนโลยี Big Data Analysis ที่ช่วยให้ธนาคารวิเคราะห์พฤติกรรมและความต้องการของลูกค้าในเชิงลึกได้มากขึ้น

Ø  การปรับตัวของธนาคารกรุงไทย

ธนาคารกรุงไทยได้มองถึงการใช้ประโยชน์จากข้อมูลที่มีจำนวนมากเข้ามาช่วยในการตัดสินใจมากขึ้น ด้วยเทคโนโลยีที่เรียกว่า Data Analytics โดยเฉพาะการตัดสินใจที่แม่นยำและรวดเร็ว ความไวของข้อมูลเป็นเรื่องสำคัญมาก และสุดท้ายที่ธนาคารกรุงไทยกำลังมุ่งไปคือการเป็น Paperless Organization เมื่อกระบวนการภายในเป็นดิจิทัล รูปแบบและวิธีการทำงานก็ต้องเปลี่ยนแปลง เพื่อให้ธนาคารมีความชัดเจนในการสอดรับกับนโยบายเศรษฐกิจดิจิทัลมากขึ้น

Ø การปรับตัวของธนาคารกรุงศรีฯ

ในภาพรวม กรุงศรีได้วางแนวทางการพัฒนาและการลงทุนในด้านเทคโนโลยีไว้ 9 ด้าน เพื่อให้บริการทางการเงินในยุคดิจิทัลที่สมบูรณ์แบบและมีประสิทธิภาพสูงสุด ซึ่งประกอบด้วย

1.       Artificial Intelligence และ Machine Learning เพื่อพัฒนาระบบให้เกิดการเรียนรู้และจดจำ

2.       Big Data/ Data Analytics เพื่อคิดและวิเคราะห์ข้อมูล สร้างโมเดลการนำเสนอสินค้าและบริการที่เหมาะสม

3.       Blockchain เพื่อเพิ่มความรวดเร็วและโปร่งใสในการทำธุรกรรม

4.       Smart Application Programming Interface เพื่อให้ลูกค้าสามารถใช้บริการที่ดีและรวดเร็วผ่านช่องทางออนไลน์

5.       Super Mobile App เพื่อรองรับการชำระเงินในรูปแบบต่าง ๆ

6.       Biometric Authentication เพื่อนำเทคโนโลยีการใช้ลักษณะทางกายภาพมาใช้ในการเข้าถึงข้อมูล เพิ่มความปลอดภัย

7.       Digital Lending Platform การจับมือเป็นพันธมิตรเพื่อร่วมคิดค้น เฟ้นหารูปแบบการบริการ

8.       Insurance Technology การพัฒนาเพื่อให้ลูกค้าสามารถทำประกันภัยผ่านแพลตฟอร์มออนไลน์

9.       Robo-Advisor for Wealth Management การนำเทคโนโลยีเข้ามาช่วยให้คำปรึกษาด้านการเงิน

ทั้งหมดนี้ก็เพื่อตอบสนองความต้องการที่แตกต่างกันของลูกค้าในแต่ละกลุ่มในยุคดิจิทัลให้มากขึ้น

Ø การปรับตัวของธนาคารทหารไทย

ธนาคารทหารไทย (TMB) มีการรับสมัครตำแหน่ง Big Data Analytics and
Data Mining Specialist เช่นกัน

นายบุญทักษ์ หวังเจริญ ประธานเจ้าหน้าที่บริหาร ธนาคารทหารไทย หรือ TMB กล่าวว่า

“เมื่อพูดถึงข้อมูล เรามักจะนึกถึง Big Data แต่มันไม่เสมอไป เราสามารถใช้ข้อมูลได้เยอะก่อนที่จะใช้ Big Data แต่เราไม่ได้ถูกฝึกให้ใช้ข้อมูลในการบริหาร และตัดสินใจ ถ้าเราสามารถใช้ข้อมูลได้ดี ในที่สุดแบงก์จะลดต้นทุนในการสร้างลูกค้า (Acquisition cost) ซึ่งแพงมากได้ เพราะเราไม่ได้เข้าสู่กลุ่มลูกค้าที่ตรงเป้าหมาย เราใช้สื่อโฆษณา หรืออื่นๆ โปรยไปทั่ว แต่ถ้ารู้จักการบริหารข้อมูลดีๆ ก็สามารถเข้าไปได้ตรงจุดเลย ต้นทุนการสร้างลูกค้าจะต่ำลงมา รวมถึงการบริหารความเสี่ยงจะดีขึ้นมากด้วย”

โดยสรุปอนาคตธนาคารต่างๆต้องมีการนำ Big Data ไปใช้ประโยชน์อย่างหลากหลายรวมไปถึงการนำข้อมูลมาใช้กับ machine learning เพื่อให้เกิดพลังแห่งการทำนายที่มีประสิทธิภาพ   ความคาดหวังว่าอุตสาหกรรมธนาคารจะนำมาใช้ประโยชน์ในระบบต่างๆ เช่น credit-card-fraud detection , financial-crime detection, credit underwriting, early-warning systems, และ collections in the retail and small-and-middle enterprise (SME) segments  เป็นต้น ซึ่งคงจะได้เห็นพลังของข้อมูลอย่างแท้จริง

หมายเหตุ: บทความนี้เป็นส่วนหนึ่งของการศึกษาเรื่อง               “Big data and data analytics for banking supervision " จัดทำโดยฝ่ายประเมินความเสี่ยงและแบบจำลอง สง. สายกำกับสถาบันการเงิน ธนาคารแห่งประเทศไทย (ธปท.)