اهداف سازمانی از استقرار سامانه بازرسی هوشمند

اهداف سازمانی از استقرار سیستم بازرسی هوشمند

اهداف سازمانی از استقرار سامانه بازرسی هوشمندکلاهبرداری بزرگترین چالش برای صنعت مالی و مشتریان آن است که هر ساله خسارات زیادی را به همراه دارد. بیشتر کلاهبرداری­ها بر مشتریان خرده‌فروشی ها صورت می پذیرد، اما سازمان های بزرگ و گاهی اوقات بانک‌ها نیز در معرض کلاهبرداری مستقیم قرار دارند که منجر به زیان مالی هنگفت می‌شود. صنعت مالی اکنون از سیستم بازرسی هوشمند، با بهره مندی از فناوری‌های هوش مصنوعی پیشرفته برای رهگیری این کلاهبرداری‌ها در اسرع وقت و به جهت جلوگیری از وقوع آنها استفاده می‌کند. انواع مختلفی از کلاه برداری ها از جمله کلاه برداری های اداری، کلاه برداری در تراکنش ها، فیشینگ و غیره وجود دارد که هر یک در ذیل تو ضیح داده شده و اهداف استقرار سیستم بازرسی هوشمند در آن ها توضیح داده شده است.

سیستم بازرسی هوشمند و کشف تقلب

کلاهبرداری مالی به استفاده از روش های متقلبانه و غیرقانونی یا تاکتیک های فریبنده برای کسب منافع مالی اشاره دارد. کلاهبرداری می تواند در حوزه های مختلف مالی از جمله بانکداری، بیمه، مالیات، و بر ارائه دهندگان خدمات پرداخت[1] صورت پذیرد. تقلب مالی، از جمله تقلب های کارت بانکی، فرار مالیاتی، تقلب در صورت‌های مالی، پولشویی و سایر کلاهبرداری‌های مالی، به یک مشکل رو به رشد تبدیل شده است. علیرغم تلاش‌ها برای از بین بردن کلاهبرداری مالی، وقوع آن بر هر کسب و کار خرد یا سازمان بزرگ و همچنین جامعه تأثیر منفی می‌گذارد، زیرا سالانه صدها میلیون دلار در اثر تقلب از دست می‌رود. این ضرر مالی قابل توجه به طور چشمگیری بر افراد، بازرگانان و بانک ها تأثیر گذاشته است.

با این حال تأثیر هوش مصنوعی بر صنعت خدمات مالی، قابل توجه و سودمند بوده است. در واقع، این صنعت خاص پیشتاز کاربرد هوش مصنوعی در تجارت بوده است و به طور مرتب برنامه های کاربردی جدید و نوآورانه ای بر این اساس توسعه پیدا می کنند. یکی از مهمترین کاربردها، به ویژه برای مشتریان خدمات مالی، سیستم بازرسی هوشمند و کشف تقلب بوده است. در حالی که پیشرفت‌ها در بانکداری دیجیتال و پرداخت‌ها، معاملات مالی را سریع‌تر و آسان‌تر از همیشه کرده است، اما خطرات جدید را نیز به همراه داشته است. مهم‌ترین آنها این واقعیت است که در حال حاضر تراکنش‌های زیادی به سرعت انجام می‌شوند که درصورت وقوع تقلب و اقدام جاعلانه فرآیندهای سنتی بررسی کشف تقلب معمولاً ماه‌ها طول می‌کشد تا به طور کامل انجام شده و گاه نیز کشف این موارد غیرعملی می باشند. اهداف استقرار این سامانه بازرسی هوشمند با تعریف انواع کلاه برداری ها در ذیل توضیح داده خواهند شد.

کلاه برداری مالی اداری

امروزه، تلاش برای تقلب به شدت افزایش یافته است، که این امر بازرسی و کشف تقلب را بیش از هر زمان دیگری حایز اهمیت کرده است. انجمن بازرسان خبره تقلب[2] اعلام کرده است که 10 درصد از جرایم یقه سفید شامل جعل صورت های مالی است. این انجمن تقلب اداری را به سه نوع طبقه بندی کرده اند: اختلاس دارایی، فساد مالی و تقلب در صورت های مالی که تقلب در صورت‌های مالی بیشترین ضرر را در بین آنها به همراه داشته است. اگرچه فراوانی وقوع اختلاس و فساد دارایی بسیار بیشتر از تقلب در صورت‌های مالی است، اما پیامدهای مالی این رخداد ها هنوز بسیار کمتر است. به طور خاص، طبق نظرسنجی EisnerAmper، که از شرکت‌های حسابداری برجسته در ایالات متحده است، میانگین ضرر تقلب در صورت‌های مالی در سال 2018 با رقمی در حدود 800000 دلار بیش از سه برابر ضرر مالی ناشی از فساد مالی و هفت برابر ضرر مالی ناشی از اختلاس دارایی می باشد.

مثلث تقلب در حسابرسی، چارچوبی برای نشان دادن تمایل هر فرد برای ارتکاب تقلب می باشد. مثلث تقلب دارای سه عنصر است که ریسک تقلب را افزایش می دهند: انگیزه تقلب، استدلال و منطقی سازی تقلب و فرصت متصور برای تقلب که در کنار هم منجر به رفتار متقلبانه می شوند. متخصصان حسابرسی به طور گسترده از این نظریه برای توضیح تصمیم افراد برای ارتکاب تقلب استفاده کرده اند. درک این مثلث برای ارزیابی تقلب مالی ضروری است ؛ علاوه بر این، فقدان بازرسی یا کنترل های ناموفق، زمینه مساعدی را برای ارتکاب کلاهبرداری فراهم می کند. روش‌های سنتی بازرسی و کشف تقلب، از جمله تشخیص دستی، فعالیت‌هایی برای به حداقل رساندن زیان‌های ناشی از اقدامات متقلبانه انجام دهند، اما خیلی مؤثر نبوده و نه تنها پرهزینه، نادقیق و زمان‌بر بوده، بلکه غیرعملی نیز هستند. هوش مصنوعی، به‌ویژه فناوری‌های یادگیری ماشین، یکی از بهترین و پررونق ترین روش‌ها در کشف کلاهبرداری می باشد. داده کاوی به شناسایی تقلب و اقدام فوری برای کاهش هزینه های سربار کمک می کند ؛ میلیون ها صورت مالی را می توان از طریق تکنیک های داده کاوی کاوش کرد تا الگوها شناسایی و صورت های مالی جعلی مشخص شوند.

در بیشتر موارد، تکنیک‌های رایج تشخیص تقلب، منطقِ داده‌کاوی مشترکی دارند، اما ممکن است در جوانب خاص متفاوت باشند. هدف شناسایی تقلب در صورت‌های مالی، دسته‌بندی صورت‌های مالی به متقلبانه یا غیر متقلبانه است ؛ از هر دو روش یادگیری با نظارت و یادگیری بدون نظارت برای پیش بینی تقلب در صورت های مالی استفاده می شود. اکثر سیستم های شناسایی تقلب صورت‌های مالی از استراتژی‌های یادگیری ماشین با نظارت استفاده می‌کنند که عموماً یک طرح دو مرحله‌ای دارند. یک مدل در مرحله اول بر روی یک مجموعه داده شامل بردارهای ویژگی و برچسب های کلاس آموزش داده می شود. سپس در مرحله بعد نمونه های آزمایشی با استفاده از مدل آموزش دیده دسته بندی می شوند. عملکرد الگوریتم های یادگیری ماشین مستقیماً با نحوه استخراج بردارهای ویژگی از داده های ورودی و میزان مفید بودن آنها مرتبط است. انتخاب ویژگی های نامناسب ممکن است به ویژگی های نامربوط یا بی معنی و عملکرد ضعیف منجر شود.

استفاده از سیستم بازرسی هوشمند در کلاه برداری تراکنش‌ها

مجرمان سایبری اغلب اطلاعات حساب بانکی یا اطلاعات کارت بانکی را به روش‌های مختلف دزدیده و از آنها برای انجام تراکنش‌های متقلبانه و خارج کردن پول از حساب‌های قربانیان استفاده می‌کنند. اگر تراکنش ها به موقع متوقف نشوند، بازیابی پول دشوار شده و اغلب برای همیشه از دست می رود.

بانک‌ها در حال حاضر به منظور بازرسی هوشمند از مدل‌های یادگیری ماشین استفاده می کنند که می‌تواند تراکنش‌های مشکوک را تقریباً در لحظه شناسایی و بلافاصله از وقوع آنها جلوگیری کرده و به مقامات هشدار دهد. Datavisor، ارائه‌دهنده سامانه های بازرسی هوشمند و راه‌حل‌های تشخیص کلاهبرداری مالی مبتنی بر هوش مصنوعی، ادعا کرده که می‌تواند کلاهبرداری های سایبری را با دقت 90 درصد شناسایی کند. چنین پیاده‌سازی امنیتی هوش مصنوعی در حال حاضر به بخشی ضروری از پلتفرم‌های بانکی برای همه بانک‌های بزرگ تبدیل شده است.

کلاه برداری فیشینگ

مجرمان سایبری افراد آسیب پذیر را با ارسال لینک از طریق ایمیل هایی که به نظر می رسد شبیه نامه های بانکشان است، هدف قرار می دهند. هنگامی که افراد روی این لینک ها کلیک می کنند، مجرمان می توانند جزئیات حساس بانکی یا کارتی آن ها را به دست آورند. طبق آخرین گزارش، شرکت امنیت سایبری Proofpoint، 9.2 میلیون ایمیل مشکوک در سال 2020 ارسال شده است که متاسفانه، حدود 30 درصد از ایمیل های فیشینگ توسط افراد باز می شوند ؛ اگرچه بانک‌ها در اینجا مستقیماً برای جلوگیری از چنین کلاهبرداری‌های فیشینگ دخالتی ندارند، اما ارایه دهندگان سرویس ایمیل مانند گوگل مدل‌های یادگیری ماشین پیشرفته‌ای دارند که به کاربر هشدار می‌دهند که ایمیل فیشینگ است و نباید روی آن کلیک کرد یا آن را به پوشه هرزنامه می فرستند ؛ یادگیری ماشین جیمیل در هر دقیقه بیش از 10 میلیون ایمیل هرزنامه و مخرب را مسدود می کند. این رقم بزرگ نشانه خوبی است و بیانگر این است که اگر هوش مصنوعی نبود، افراد بیشتری ایمیل‌های فیشینگ دریافت کرده که منجر به کلاهبرداری مالی می‌شد.

ادعاهای کاذب خسارت بیمه ای

برای شرکت های بیمه غیرمعمول نیست که ادعاهای کاذب خسارت از مشتریان و سازمان ها دریافت نمایند. اگر چنین ادعاهایی از قبل شناسایی نشوند، شرکت های بیمه ممکن است در نهایت هزینه خسارت را به کلاهبرداران پرداخت کنند. یک گزارش نشان می دهد که تقلب بیمه ای منجر به زیان حداقل 80 میلیارد دلاری در سال در تمام خطوط بیمه می شود و ایالات متحده به تنهایی شاهد زیان 34 میلیارد دلاری در سال 2019 بود.

بهره مندی از سامانه های هوشمند بازرسی با تکیه بر هوش مصنوعی و مدل‌های یادگیری ماشین پیشرفته به شرکت‌های بیمه کمک می‌کنند تا چنین ادعاهای خسارت جعلی را کشف و برای بررسی و بازرسی دقیق‌تر انتخاب کنند. اغلب این ادعاها واقعاً جعلی بوده و بنابراین از ضرر بزرگ بیمه‌گران جلوگیری می‌شود. AKSigorta، بیمه گر ترکیه ای از سامانه های بازرسی هوشمند به جهت تجزیه و تحلیل و پیش بینی پیشرفته استفاده می کند و در عرض 8 ثانیه تصمیم می گیرد که آیا ادعای خسارت نیاز به بررسی مجدد دارد یا خیر ؛ این راه حل هوش مصنوعی به آنها کمک کرده است تا دقت تشخیص ادعاهای جعلی را تا 66٪ افزایش دهند.

تراکنش‌های غیرعادی

گاهی برخی از تراکنش‌های بانکی نسبت به تراکنش‌های معمولی متفاوت هستند ؛ اما کارکنان بانک ها بدون دسترسی به سیستم بازرسی هوشمند به سختی قادر به تشخیص این تراکنش ها خواهند بود. این تراکنش‌های غیرعادی ممکن است همیشه جعلی نباشند. اما برخی اوقات جعلی بوده و گاهی اوقات نیز به پولشویی مرتبط هستند. سیستم های بازرسی هوشمند با بهره مندی از مدل‌های یادگیری ماشین در تشخیص چنین تراکنش‌های غیرعادی برتری دارند. آنها می توانند چنین تراکنش هایی را در لحظه شناسایی و OTP برای تأیید تراکنش به شماره تلفن همراه ثبت شده کاربر ارسال کنند. همچنین در طول ممیزی‌های هوشمند، می‌توان از مدل‌های یادگیری ماشین برای شناسایی تراکنش‌های غیرعادی در سوابق استفاده کرد. Capgemini ادعا می کند که سیستم بازرسی هوشمند آنها می تواند به کاهش زمان بررسی کلاهبرداری های احتمالی تا 70٪ کمک کند.

 

نتیجه گیری

حتی با وجود بهترین فناوری‌ها و فرآیندها، متأسفانه افراد مجرم اغلب یک قدم جلوتر هستند. اگرچه سیستم های بازرسی هوشمند با بهره مندی از هوش مصنوعی نمی توانند از انواع کلاهبرداری ها، به ویژه آنهایی که ناشی از فساد داخلی است، جلوگیری کنند، اما مطمئناً نقش مهمی در کاهش و جلوگیری از کلاهبرداری کلی ایفا می کنند.

[1] Payment Service Provider (PSP)

[2] Association of Certified Fraud Examiners (ACFE)

 

نیازمندیهای راه اندازی راهکار امنی چنل در سازمان و دستاوردهای آن

نیازمندیهای راه اندازی راهکار امنی چنل در سازمان و دستاوردهای آن

نیازمندیهای راه اندازی راهکار امنی چنل در سازمان و دستاوردهای آنراهکار امنی چنل جهت ایجاد تجربه ای دلپذیر برای مشتریان، کانال های ارتباطی مختلف را یکپارچه ساخته و تعاملی بی وقفه با آن ها ایجاد می کند. هدف راهکار امنی چنل، ایجاد تجربه کاربری راحت و بدون دردسر برای مشتریان بوده که فرصت های زیادی را برای تحقق خواسته های آن ها ارائه می دهد. حال، برای پیاده سازی این راهکار، فاکتور ها و الزاماتی باید در نظر گرفته شوند که این نوشتار به تفصیل به توضیح این موارد خواهد پرداخت.

مقدمه

مصرف کننده مدرن آزادی تحقیق، خرید و پرداخت برای محصولات و خدمات را از طریق کانال های متعدد می خواهد. راهکار امنی چنل نه تنها کسب و کار را قادر به برآوردن این نیاز ها کرده، بلکه کانال‌های مختلف تعامل با مشتریان را ادغام و تجربه یکپارچه مشتری را فراهم می‌کند. ممکن است یک مشتری به دنبال شلوار جین مناسب باشد، آن را آنلاین بیابد، اما بخواهد قبل از خرید آن را امتحان نماید ؛ پس از مراجعه به فروشگاه فیزیکی، مشتری از اینکه متوجه می شود رنگ آبی تیره شلوار جین همانطور که فروشگاه آنلاین آن را توصیف کرده، موجود است خشنود می گردد. اکنون او آماده خرید است و از طریق برنامه کاربردی در تلفن هوشمند خود پرداخت را بدون اینکه در کیف پول خود به دنبال کارت بانکی بگردد انجام می دهد. دو هفته بعد، مشتری با تلفن پشتیبانی تماس گرفته تا در مورد موجود شدن همان محصول با رنگی روشن تر، سوال کند. هنگامی که محصول در نهایت به انبار می رسد، نماینده فروش از طریق چت آنلاین با وی ارتباط برقرار کرده و دانش کاملی از تاریخچه مشتری برای نماینده نمایان می شود. در دنیای امروزی، مشتریان خواهان یک تجربه شخصی و یکپارچه هستند و یک راهکار امنی چنل با اتصال تمام جنبه‌های تعامل به مشتریان، تجربه‌ای بهینه را فراهم می‌کند.

اصطلاحات امنی چنل و مولتی چنل اغلب به جای هم استفاده می شوند. با این حال، تفاوت آشکاری میان این دو وجود دارد ؛ در حالی که هر دو راه حل چندین نقطه تماسِ تعاملی مانند رسانه های اجتماعی، وب سایت، تلفن، فروشگاه و موبایل را برای مشتریان فراهم می کنند، رویکرد امنی چنل این کانال ها را به هم متصل می کند و شکاف های ارتباطی فناوری را که ممکن است در راه حل های مولتی چنل وجود داشته باشد، پر می کند. اکثر مشتریان قبل از خرید، بین کانال‌ها و نقاط تماس متعدد جا به جا می‌ شوند ؛ صد مشتری متفاوت به احتمال زیاد صد مسیر مختلف برای خرید خواهند داشت که همین موضوع، نیاز به یکپارچه سازی و بدون وقفه بودن ارتباط در همه کانال ها و حضوری پایدار در هر مرحله از چرخه خرید را نمایان می سازد.

دستاوردهای راه اندازی راهکار امنی چنل

دستاوردهای راه اندازی راهکار امنی چنل

اگرچه اصطلاح امنی چنل به طور مکرر در محیط امروزی کسب و کار استفاده می شود، اما فقط یک اصطلاح رایج نبوده و اگر به طور دقیق پیاده‌سازی شود، می‌تواند به دلایل زیر برای کسب‌وکار مفید باشد:

بهینه سازی تعامل با راهکار امنی چنل

مصرف کننده امروزی به یافتن اطلاعات مورد نیاز خود از طریق کانال های مختلف می پردازد. یک راهکار امنی چنل کسب‌وکارها را قادر می سازد تا از طریق ابزار دلخواه مشتریان با آن ها ارتباط برقرار کنند، تعامل را افزایش دهند و ارتباطات بهینه تری داشته باشند. کسب‌وکارها نه تنها می‌توانند مخاطبان بیشتری را جذب کنند، بلکه می‌توانند پیامی ثابت را در سراسر کانال‌ها ارائه دهند.

برآوردن انتظارات بالای مشتریان

مصرف کننده مدرن انتظار تجربه یکپارچه و متمرکز مشتری محور را دارد. هرگونه ناهماهنگی میان اطلاعات ارائه شده در فروشگاه فیزیکی و آنلاین و یا عدم امکان خرید از طریق روش ترجیحی، عدم اطمینان در مورد خرید ایجاد کرده و مشتری را از داشتن تعهد و وفاداری منصرف می کند. سیستم های یکپارچه کسب و کارها را قادر به برآوردن خواسته های مختلف می نمایند.

خدمت رسانی کارآمد با راهکار امنی چنل

راهکار امنی چنل کسب‌وکارها را قادر می سازد که از طریق کانال‌های مختلف به تعامل با مشتریان پرداخته و به موقع به آنها پاسخ دهند. ارتباط بی وقفه بین این کانال ها مشتریان را قادر می سازد که مکالمه را در یک کانال به پایان رسانده و به طور یکپارچه آن را در کانال دیگر ادامه دهند و نمایندگان کسب و کار برای خدمات رسانی به مشتریان و ایجاد تجربه ای بهینه، آگاهی بالاتری از آن ها دارند.

ارائه داده های عملی با راهکار امنی چنل

کانال های یکپارچه به طور مداوم در حال جمع آوری اطلاعات حیاتی و داده های خدماتی در مورد مشتریان هستند. این داده ها به ارائه بینش مستمر در مورد تجربه مشتری کمک کرده و کسب و کارها را قادر می سازند تا فرآیندها را بهبود بخشیده و ناکارآمدی ها را با سرعت بیشتری شناسایی کنند ؛ بهبود شیوه های تجاری اغلب منجر به رضایت و وفاداری بیشتر مشتریان می شود.

نیازمندی های راهکار امنی چنل

نیازمندی های راهکار امنی چنل

شناخت مشتریان

اکنون بیش از هر زمان دیگری، مشتریان قدرت را در اختیار دارند ؛ اطلاعات محصول و خدمات را می توان از طرق مختلف به دست آورد و این امر چالشی را برای کسب و کارها ایجاد می کند تا با مشتریان خود از طریق کانال هایی که بیشترین اهمیت را دارند در تعامل باشند. همچنین، مشتریان در یافتن اطلاعات مورد نیاز خود در موتورهای جستجو ماهر هستند. آنها از موتورهای جستجو در هر مرحله از چرخه خرید، از ارزیابی محصول و خدمات تا مقایسه قیمت استفاده می کنند. رشد رسانه های اجتماعی نیز، فضایی مشترک و متمرکز برای تبادل اطلاعات ایجاد کرده است. این محیطی که مشتریان را متصل کرده است، کسب و کارها را قادر می سازد تا با آن ها مطابق میلشان و به صورت بلادرنگ تعامل کرده، و اطلاعات را ارائه دهند. 88 درصد از مشتریان آنلاین نیز گزارش می دهند که نظرات سایرین را در تصمیمات خرید خود لحاظ می کنند ؛ بنابراین، برای کسب و کارها بسیار مهم است که از خود حضوری قوی در فضای آنلاین به نمایش گذارده و تجربه ای مثبت برای مشتریان ایجاد نمایند.

کانال های پرداخت متفاوت

پیشرفت‌های تکنولوژیکی منجر به افزایش قابلیت‌ها و راحتی در فرآیند پرداخت شده است. مشتریان به طور پیوسته از حمل پول نقد و کارت های بانکی دور شده و به کیف پول موبایل و سایر برنامه های پرداخت روی می آورند. طبق نظرسنجی، 83 % از مشتریان بر اضافه کردن گزینه‌های پرداخت الکترونیکیِ بیشتر توسط کسب‌وکارها اتفاق نظر داشته و در زمان پرداخت خواهان انتخاب های بیشتر برای روش پرداخت هستند ؛ با این حال، کسب‌وکارها برای پیاده‌سازی این قابلیت‌ها در فروشگاه آنلاین و از طریق تلفن همراه با چالش مواجه هستند. نکته مهم این است که تنها داشتن این کانال های پرداختِ متفاوت، کافی نبوده و این کانال ها باید با هم ارتباط برقرار کرده و یکپارچه باشند. راه‌حل‌های پرداخت متصل، مزایای ماندگاری هم برای کسب‌وکارها و هم برای مشتریان داشته و کسب‌وکارها می‌توانند ناکارآمدی‌ها و زمان صرف شده برای مدیریت سیستم‌های تکراری را حذف کرده، و مشتریان پرداختی بدون دردسر را تجربه کنند.

گوشی های هوشمند

تلفن هوشمند به عنوان یک منبع اطلاعاتی متمرکز و همراه، به ابزار ضروری تعامل با مشتریان تبدیل شده است. طبق یک گزارش، 80 % از کاربران اینترنت، صاحب تلفن های هوشمند بوده و به طور مداوم در طول زندگی روزمره خود، چه در خانه، چه در محل کار، و چه در بحبوحه تصمیم گیری برای خرید، از آنها استفاده می کنند. محبوبیت و راحتی تلفن‌های هوشمند، آنها را در کانون محیط های امنی چنل قرار داده است و نیاز به ارائه تجربه ای کارآمد برای مشتریان تلفن همراه را تقویت می‌کند.

نظرسنجی Google & Nielsen نشان داد که از هر چهار جستجو در تلفن همراه برای خرید، سه مورد، کاربران را مجبور به انجام اقدامات اضافی از جمله بازدید حضوری از فروشگاه، تماس تلفنی و غیره می نماید. از آنجایی که به احتمال زیاد، مصرف کنندگان امروزی در صورت مواجهه با هر گونه اصطکاک، کسب و کار را رها کرده و سراغ بعدی می روند، کسب و کارها باید اقداماتی را برای همسویی با خواسته های مشتریان تلفن همراه انجام دهند.

در حالی که سایت‌های اینترنتی به عنوان ابزارهای مناسب و کاربردی برای بسیاری از کسب‌وکارها عمل می‌کنند، اما برنامه‌های کاربردی تلفن همراه در حال حاضر بیشترین ارزش را برای مشتریان به ارمغان می آورند. برنامه‌ها کاربردی، مکان­یابی، شخصی‌سازی، سرعت و اتصال بهینه‌شده را در اختیار کاربران گوشی‌های هوشمند قرار داده و در عین حال به کسب‌وکارها کمک می‌کنند تا مشتریان بالقوه را با نرخ 200 تا 300 درصد بالاتر از سایت‌های اینترنتی به مشتریان بالفعل تبدیل کنند. علاوه بر این، با افزودن یکپارچه‌سازی برنامه‌های پرداخت موبایلی مانند Apple Pay، Android Pay، و Samsung Pay، کسب‌وکارها می‌توانند تجربه‌ای بدون دردسر از شروع تا پرداخت را برای مشتریان خود ایجاد نمایند.

مدیریت داده و خدمات مشتریان با راهکار امنی چنل

خدمات مشتریان و تعامل عموماً مهم ترین جنبه یک راهکار موفق امنی­ چنل در نظر گرفته می شوند. از آنجایی که مصرف‌کنندگان از کانال‌های متعددی از جمله، تلفن، رسانه‌های اجتماعی، وب‌سایت، ایمیل، و یا فروشگاه فیزیکی برای تعامل با کسب‌وکارها استفاده می‌کنند، انتظار دارند که کسب‌وکارها به راحتی در دسترس باشند، به سؤالات به موقع پاسخ دهند و تجربه خدمات مشتری یکپارچه را در هر کانال ارائه دهند ؛ یک راهکار امنی چنل که به خوبی اجرا شده است می تواند پایه و اساس رشد و پایداری مداوم را برای کسب و کارها فراهم کند.

کسب و کارها دائماً اطلاعات مهم مشتریان و داده های عملیاتی را از طریق کانال های مختلف به دست می آورند. ادغام این کانال های خدماتی به نمایندگان داخلی اجازه می دهد تا در مورد تجربه مشتری اطلاعات بهتری داشته باشند. کسب‌وکارها هم می‌توانند از این داده‌ها برای برداشتن گام‌های عملی در بهینه‌سازی فرآیندها و حذف ناکارآمدی‌ها در حوزه‌هایی مانند تخصیص نیروی کار و مدیریت موجودی استفاده کنند. خدمات شخصی سازی شده به مشتریان، همراه با شیوه های تجاری بهبود یافته منجر به رضایت مشتریان و وفاداری بیشتر آن ها می شود. مطالعه‌ای که توسط Aberdeen Group, Inc. انجام شد، به این نتیجه رسید که شرکت‌هایی که قوی‌ترین استراتژی‌های تعامل با مشتریان در بستر امنی چنل را دارند، به طور متوسط ​​۸۹ درصد از مشتریان خود را حفظ می‌کنند، در حالی که همتایان آن ها که از بستر مولتی چنل استفاده می نمایند، قادر به حفظ ۳۳ درصد از مشتریان خود هستند.

امنیت میان کانال های ارتباطی

با توسعه و پذیرش کانال‌های جدید جهت تعامل بیشتر با مشتریان، اقدامات امنیتی بیشتری برای محافظت از کسب‌وکارها و مشتریان در محیط امنی چنل مورد نیاز است. اجرای یک راهکار امنی چنل ایمن شامل محافظت از اطلاعات مشتریان و به حداقل رساندن تقلب برای تراکنش‌ها چه در زمان انجام تراکنش با کارت بانکی و چه غیر آن می باشد.

در تراکنش‌های کارتی، کسب‌وکارها موظف هستند از اطلاعات حساس مشتریان در برابر خطر سرقت شدن توسط هکرها محافظت کنند. استفاده از رمزگذاری انتها به انتها، که داده های کارت بانکی را رمزگذاری می کند، در کنار توکن­سازی، که داده ها را با “توکن” جایگزین می کند، اطلاعات مشتریان را برای مجرمان غیرقابل استفاده می کند. سومین ابزار امنیتی، EMV، از فناوری ریزتراشه جاسازی شده برای به حداقل رساندن تراکنش‌های غیرقانونی استفاده می‌کند و تکثیر کارت‌های بانکی را تقریبا غیرممکن می سازد.

در حالی که تهدیدات مشابهی برای تراکنش‌های بدون کارت وجود دارد، رویکرد غربالگری امنیتی کمی متفاوت است. استفاده از احراز هویت قوی لایه سوکت‌های امن (SSL) برای حفاظت از داده‌ها شروع خوبی است، اما استفاده از توکن‌سازی و یا پیاده‌سازی راه‌حل پرداخت میزبانی شده که داده‌های مشتریان را از محیط کسب‌وکار حذف می‌کند، بیشتر، از مشتریان در برابر هکرها محافظت می‌کند. در تلاش برای به حداقل رساندن تراکنش‌های جعلی آنلاین، کسب‌وکارها می‌توانند از سطح بیشتری از احراز هویت استفاده کرده یا ابزاری جهت مدیریت کلاهبرداری انتخاب نموده که تراکنش‌های مشکوک را مسدود یا متوقف می نماید.

سیر بلوغ سازمان در استقرار سامانه بازرسی هوشمند

سیر بلوغ سازمان در استقرار سامانه بازرسی هوشمند

سیر بلوغ سازمان در استقرار سامانه بازرسی هوشمندرشد سریع تجارت الکترونیک و دیجیتالی شدن مؤسسات مالی و سازمان ها از بسیاری جهات به نفع جامعه بوده است که به عنوان نمونه، پرداخت های الکترونیکی که رواج بیشتری دارند را می توان نام برد. اما متأسفانه، این رشد جنبه ای منفی نیز دارد و می تواند فرصت های بیشتری را برای کلاهبرداران ایجاد کند. امروزه با افزایش پیچیدگیِ کلاهبرداران، نتایجی که سیستم‌های سنتی بازرسی ارائه می‌دهند ناکارآمد می باشد ؛ با این حال، با بهره مندی از سامانه های هوشمند بازرسی مبتنی بر هوش مصنوعی، سازمان ها بهتر می‌توانند تاکتیک‌های در حال تغییر تراکنش‌های متقلبانه را شناسایی کنند. حجم عظیمی از تراکنش‌های پرداخت هر روزه اتفاق می‌افتد و حجم مجموعه داده‌های تراکنش ها را با سرعتی بالا افزایش می‌دهد. در این داده ها، بینش های پنهان ارزشمندی وجود دارد که می تواند برای کشف و مدیریت تقلب مورد استفاده قرار گیرد ؛ بنابراین سامانه های بازرسی هوشمند با بهره مندی از هوش مصنوعی و الگوریتم های یادگیری ماشین مزایای فراوانی را به همراه دارند که به اختصار می توان گفت این سامانه ها موجب بلوغ سازمانی خواهند شد و سازمان ها قادر خواهند بود با سرعت و دقت بالاتر و به صورت مقیاس پذیر و کارآمدتر رفتار های متقلبانه را شناسایی و آن ها را مدیریت کنند.

مقدمه

در عصر دیجیتال، جرایم مالی علیه بانک ها و سایر موسسات مالی به سرعت در حال افزایش است. پیشگیری از تقلب در حال حاضر یکی از بزرگترین زمینه های نگرانی صنعت خدمات مالی است ؛ زیرا معمولاً سازمان ها هر ساله پنج درصد از درآمد خود را به دلیل تقلب از دست می دهند. در سال 2015، زیان ناشی از کلاهبرداری کلیه کارت های بانکی در سراسر جهان به 16.31 میلیارد دلار برای حجم 28.844 تریلیون دلاری کل تراکنش های کارت بانکی رسید. به عبارت دیگر، به ازای هر 100 دلار حجم تراکنش، 5.65 دلار تقلبی بوده است. برای کاهش این ضررها، بانک‌ها و سازمان های بازار سرمایه باید سامانه های بازرسی خود را بهبود بخشند. همچنین، پیچیدگی روزافزون کلاهبرداری، بانک ها را مجبور می کند تا به دقت، میان شناسایی تقلب و پیشگیری از ضرر و کیفیت تجربه خدمات مشتری، تعادل ایجاد کنند. راهکاری درست برای بازرسی می تواند مزایای زیادی از جمله کاهش هزینه ها و ریسک ها، بهبود رضایت مشتری و ایجاد نوآوری را به ارمغان بیاورد.

سامانه بازرسی هوشمند مبتنی بر هوش مصنوعی راهکاری است که امروزه بسیار پرطرفدار شده است. این سامانه ها به مدل های یادگیری ماشین با نظارت و یا بدون نظارت متکی هستند. یادگیری ماشین با نظارت در بررسی رویدادها، عوامل و روندهای گذشته برتری داشته و با داده‌های تاریخی، آموزش دیده تا الگوهایی را بیابد که با قوانین یا تحلیل‌های پیش‌بینی‌کننده قابل تشخیص نیستند. یادگیری ماشین بدون نظارت نیز در یافتن ناهنجاری ها، روابط متقابل و پیوندهای معتبر بین عوامل و متغیرهای نوظهور ماهر است. ترکیب یادگیری ماشین بدون نظارت و با نظارت ، آینده سامانه های بازرسی هوشمند به جهت پیشگیری از کلاهبرداری را تشکیل خواهند داد. صنعت بانکداری از صنایعی است که نیازی مبرم به سامانه بازرسی هوشمند و مدل‌های تشخیص و مدیریت تقلب دارد، زیرا اکنون اکثر تراکنش‌ها دیجیتال هستند. ظهور سیستم های بانکداری و پرداخت دیجیتالی و آنلاین در سال های اخیر منجر به افزایش تصاعدی تعداد تراکنش ها شده است و کلاهبرداران نیز باهوش تر و خلاق تر شده‌اند و برای جلوگیری از افشای فعالیت‌های مشکوک آنلاین، رفتارهای کلاه‌بردارانه‌تری را اتخاذ می نمایند. بدین صورت این سازمان ها نگران وضعیت خود بوده و خواستار استراتژی های کارآمدتر در جهت پیشگیری از تقلب هستند. سیستم سنتی بازرسی و تشخیص تقلب بانکی برای مبارزه با رفتارهای کلاهبردارانه پیچیده کافی نیست ؛ بنابراین سامانه بازرسی هوشمند مبتنی بر هوش مصنوعی و یادگیری ماشین در جهت تشخیص تقلب و رفتار کلاهبردارانه بسیار سودمند خواهد بود.

سامانه های بازرسی سنتی

اکثر سازمان ها در صنایع مختلف از سیستم های مبتنی بر قوانین با ارزیابی دستی برای بازرسی و کشف تقلب استفاده می کردند ؛ اما امروزه با افزایش پیچیدگی کلاهبرداران، نتایجی که سیستم‌های سنتی ارائه می‌دهند ناکارآمد می باشد. الگوهای کلاهبرداری سریع تر از آنچه سیستم های مبتنی بر قوانین می توانند با آن منطبق باشند، در حال تغییر و تحول هستند. این موضوع چندین مشکل را ایجاد می کند: موارد مثبت کاذب (در نظر گرفتن رفتار عادی به صورت رفتار کلاهبردارانه) که موجب مسدود کردن تراکنش ها و یا مشتریان واقعی شده و منفی کاذب (در نظر گرفتن رفتار کلاهبردارانه به صورت رفتار عادی) که به دلیل حجم عظیم داده هایی که باید پردازش شوند به اشتباه شناسایی می شوند. خوشبختانه با استفاده از یادگیری ماشین در سیستم های بازرسی و تشخیص و مدیریت تقلب می توان بر این چالش ها و کاستی ها غلبه کرد.

سامانه های بازرسی هوشمند

سامانه بازرسی هوشمند

یادگیری ماشین علم طراحی الگوریتم هایی است که به طور خودکار روند هایی را بر اساس تجربیات قبلی پیدا می کنند. مجموعه عظیمی از داده ها با استفاده از الگوریتم های پیچیده برای شناسایی الگوها تجزیه و تحلیل می شوند. این نوع یادگیری می‌تواند به ماشین‌ها کمک کند تا موقعیت‌هایی را پیش‌بینی کرده که حتی به طور واضح برای آن ها برنامه‌ریزی نشده اند و اقداماتی را در قبال این موقعیت ها انجام دهند. موارد استفاده متعددی از جمله تجزیه و تحلیل پیش‌بینی‌کننده، توصیه گر محصولات، تحقیقات بازار و موارد دیگر برای یادگیری ماشین وجود دارد. اما یکی از حیاتی ترین کاربردهای یادگیری ماشین، کشف تقلب است.

ایده استفاده از یادگیری ماشین این است که تراکنش های جعلی الگوهای خاصی را نشان می دهند که آنها را از نمونه های واقعی متمایز می کند و الگوریتم های یادگیری ماشین این الگوها را تشخیص داده و می توانند بین کلاهبرداران و مشتریان قانونی تمایز قائل شوند. این الگوریتم‌ها می‌توانند فعالیت‌های متقلبانه را بسیار سریع‌تر و با دقت بیشتری نسبت به سیستم‌های مبتنی بر قوانین سنتی شناسایی کنند، زیرا قادرند از مجموعه بزرگ‌تری از داده‌ها استفاده کنند. در حالی که انسان‌ها و سیستم‌های برنامه‌ریزی‌شده مبتنی بر قوانین ممکن است بخش‌هایی از اطلاعات را بصورت ناآگاهانه نادیده بگیرند، با آموزش الگوریتم‌های یادگیری ماشین حتی به ظاهر نامرتبط‌ترین اطلاعات برای یافتن الگو، تجزیه و تحلیل می شوند. سامانه های بازرسی هوشمند مبتنی بر یادگیری ماشینِ با نظارت با جمع‌آوری و دسته‌بندی داده‌های ثبت‌شده قبلی شروع می‌شوند. این اطلاعات شامل اطلاعات مربوط به تراکنش های قانونی و تقلبی است که به عنوان خوب (معاملات یا مشتریان قانونی) یا بد (معاملات یا مشتریان متقلبانه) برچسب گذاری شده است. سپس از این داده‌ها برای آموزش برنامه یادگیری ماشین استفاده می‌شود تا رفتار یا تراکنش های کلاهبردارانه را پیش بینی کند. برای موفقیت این سامانه، شایسته است تا حد امکان داده‌های بیشتری با الگوهای متقلبانه وجود داشته باشد تا نمونه ‌های زیادی برای یادگیری به الگوریتم ارائه شود. هنگامی که الگوریتم یادگیری ماشین آموزش داده شد، این برنامه مختص کسب و کار شده و می تواند آماده استفاده در چارچوب مدیریت کلاهبرداری شود.

در ادامه، چگونگی مفید بودن سامانه بازرسی هوشمند مبتنی بر هوش مصنوعی و یادگیری ماشین برای شناسایی تقلب و نحوه تکامل و بلوغ سازمان پس از استقرار این سامانه ها توضیح داده خواهد شد.

سیر بلوغ سازمان

هوش مصنوعی پیشگیری از کلاهبرداری و رفتار متقلبانه را با تکیه بر تجربیات گذشته و با در نظر گرفتن فعالیت‌ها، رفتارهای نوظهور، و روندها در تراکنش‌های متقلبانه انجام می‌دهد. قبل از هوش مصنوعی، سیستم‌های پیشگیری از تقلب تنها بر رویکرد قوانین محور تکیه می‌کردند که به تجزیه و تحلیل الگوهای تقلب گذشته بدون ارائه بینش‌هایی نسبت به آینده می پرداخت. حال، با ترکیب الگوریتم‌های یادگیری با نظارت که بر داده‌های تاریخی آموزش‌دیده و یادگیری بدون نظارت، سطح بالاتری از دقت و وضوح در مورد ریسک نسبی رفتار مشتریان برای سازمان ها و کسب و کار های دیجیتالی به ارمغان می آید. به لطف هوش مصنوعی، تصمیم‌گیری برای پذیرش یا رد عملیات پرداخت و تراکنش ها، توقف فعالیت‌های متقلبانه برای محدود کردن بازپرداخت وجوه و کاهش ریسک همگی برای سازمان ها امکان‌پذیر هستند. از طرفی، الگوریتم های یادگیری ماشین را می توان برای تجزیه و تحلیل و تشخیص الگوها در داده هایی که به ظاهر قانونی به نظر می رسند، آموزش داد. آنها می توانند الگوهای ظریف یا غیر شهودی را شناسایی کرده که تشخیص آن ها برای انسان دشوار و یا حتی غیرممکن است. این امر دقت تشخیص تقلب را افزایش می دهد ؛ به این معنی که موارد مثبت کاذب و کلاهبرداری کمتری وجود خواهد داشت که کشف نشود.

همچنین، پس از استقرار سامانه بازرسی هوشمند، تشخیص حملات کلاهبرداری در لحظه امکان پذیر می شود. این سامانه ها قادرند حملات کلاهبرداری را در کمتر از یک ثانیه با استفاده از فناوری های پیشرفته رتبه بندی مبتنی بر هوش مصنوعی، شناسایی و مدیریت کنند. با افزایش سرعت و حجم تجارت الکترونیک، سرعت تشخیص حملات کلاهبرداری اهمیت فزاینده ای دارد. الگوریتم‌های یادگیری ماشین می‌توانند کارهای تکراری را انجام داده و تغییرات ظریف در الگوها را در داده های حجیم شناسایی کنند. این امر برای کشف تقلب در مدت زمان بسیار کوتاه‌تری نسبت به آنچه که انسان می‌تواند انجام دهد، حیاتی است ؛ الگوریتم‌ها می‌توانند صدها هزار پرداخت در ثانیه را تجزیه و تحلیل کنند، که بیشتر از آن چیزی است که چندین تحلیلگر انسانی می‌توانند در همان زمان انجام دهند ؛ این امر باعث کاهش هزینه ها و همچنین زمان صرف شده برای تجزیه و تحلیل تراکنش ها شده و در نتیجه فرآیند های سازمان کارآمدتر می شوند.

همچنین، با افزایش تعداد تراکنش ها، فشار بر سیستم های مبتنی بر قوانین و تجزیه و تحلیل انسانی افزایش می یابد. این به معنای افزایش هزینه ها و زمان و همچنین کاهش دقت است. با استفاده از الگوریتم یادگیری ماشین، هر چه داده ی بیشتری وجود داشته باشد، الگوریتم کارآمدتر است و با ورود داده های بیشتر بهبود یافته و قادر است تا رفتار متقلبانه را سریعتر و با دقت بیشتری شناسایی کند.

بنابراین سامانه بازرسی هوشمند با بهره مندی از هوش مصنوعی و الگوریتم های یادگیری ماشین مزایای فراوانی را به همراه دارند که به اختصار می توان گفت این سامانه ها موجب بلوغ سازمانی خواهند شد و سازمان ها قادر خواهند بود با سرعت و دقت بالاتر و به صورت مقیاس پذیر و کارآمدتر رفتارهای متقلبانه را شناسایی و آن ها را مدیریت کنند.

اثیر خدمات نرم افزاری شرکت تذروافزار در دوران کرونا

تاثیر خدمات نرم افزاری شرکت تذروافزار در دوران کرونا

اثیر خدمات نرم افزاری شرکت تذروافزار در دوران کروناعنوان مصاحبه: ” تاثیر خدمات نرم افزاری شرکت تذروافزار در دوران کرونا “

مصاحبه شونده : آقای مهندس قصاعی

ناظر جلسه : آقای مهندس نعمتی

 

تقریبا تمامی کسب و کار ها، به نحوی تحت تاثیر این تغییرات قرار گرفتند؛ واقعیت موجود نشان می‌دهد که ما در دورانی به سر می‌بریم که دیدگاه مردم جامعه ( که مخاطب هدف هر کسب و کاری هستند) دچار تحولات بسیاری شده است، به همین دلیل کسب و کارهایی که به هر دلیل، در دوران پیش از این رخداد، زیرساخت های نرم افزاری لازم را در کسب و کار خود نسنجیده بودند اکنون برای بقا ملزم به تصمیم گیری برای آینده پیش رو هستند.

 در دوران کرونا برای کمک به سازمان ها در ارایه خدمات نرم افزاری غیر حضوری بهتر چه راهکارهایی داشته ایم؟

در ابتدا لازم است که زمینه کاری شرکت تذروافزار را قبل از پدیده کرونا بررسی کنیم.

شرکت تذرو افزار با ارائه راه حل های نرم افزاری جهت توسعه کسب و کارها و در دو جهت ولی با یک هدف از ابتدای دهه 80 فعالیت خود را توسعه داده است .

  • ارائه راه حل های نرم افزاری به سازمان ها و شرکت های بزرگ جهت پاسخگویی غیر حضوری به مشتریان و ذینفعان خود
  • ارائه راه حل های نرم افزاری به سازمانها و شرکت های بزرگ جهت مکانیزه کردن فرایند های درونی و بیرونی کسب و کار

 

رویکرد تذرو افزار در راه حل اول ، توسعه مراکز تماس و نرم افزارهایی مبنی بر ارتباط مشتریان و ذینفعان بوده و بر همین اساس توانسته تعداد زیادی از مراکز تماس(Contact Center) ارگانهای دولتی و خصوصی را راه اندازی و از طریق نرم افزارهای سفارش مشتری مبتنی بر ارتباط با مشتری ( CRM ) نه تنها اطلاعات مشتریان را متمرکز نماید بلکه درگاه ارتباط با سازمانها را نیز متمرکز کرده و عملیات نظارت و ردیابی
سرویس دهی سازمان ها را برای بخش های نظارتی و با ارائه شاخص های مناسب قابل اندازه گیری نماید.

از دست آورد های این نوع خدمات نرم افزاری غیر حضوری می توان به موارد زیر اشاره کرد :

  • کاهش مراجعه حضوری مشتریان و ذی نفعان به سازمان و همچنین کاهش تردد در سطح شهر
  • سرعت بالای پاسخگویی به مشتریان
  • متمرکز بودن عملیات پاسخگویی
  • وجود تاریخچه ارتباط مشتریان با سازمان
  • قابلیت پیگیری بودن درخواست های مشتریان بر اساس تاریخچه تماسها
  • تنوع درگاه های ارتباط مشتریان ( فاکس ، تلفن ، پیامک ، ایمیل ، جوامع مجازی )

محور اصلی ارتباط با مشتریان (CRM)در این راه حل به سرفصل های زیر قابل تفکیک است :

  • اطلاع رسانی
  • نظر سنجی
  • شکایات
  • مدیریت درخواستها

و هرکدام از این سرفصل ها با مقوله های دولت الکترونیک ، B2C  و G2C می تواند در ارتباط باشد .

کلیه این فصل ها کاملا خدمات غیر حضوری هستند.

در سر فصل ” اطلاع رسانی ” که یکی از پر استفاده ترین سیستم های غیر حضوری است ، عموما اطلاعاتی که نیاز مشتریان است بصورت دسته بندی و کلاسه شده در اختیار آنان قرار داده می شود و با توجه به مکانیزه بودن ، به روز بودن این اطلاعات به سادگی قابل انجام است . تنوع این سیستم ها بسیار زیاد است .

سرفصل ” نظر سنجی ” برای کسب و کارها در زمان حال بسیار حائز اهمیت بوده و در پیشرفت کسب و کارها بسیار موثر . این خدمت با ارائه بازخورد به سازمان می تواند در خدمت رسانی اصلی سازمان نقش موثری ایجاد کند .

سرفصل ” شکایات ” عملا یک سیستم فرایند محور در یک دولت الکترونیک  یاB2C  یا G2C است . این سیستم علاوه بر اخذ شکایت مشتری یا ذینفع ، در یک مسیر استاندارد بر اساس ISO……. فرایند شکایت را هدایت کرده تا به سر انجام مقصود برسد.

در سر فصل ” مدیریت درخواستها ” نیاز به توضیح دارد . در مدیریت درخواست ها به نوعی سیستم تیکتینگ ارائه می شود و در عمل اگر مشتری در درخواست های خود در یک سازمان دچار وقفه یا مشکل شود ، با استفاده از این سیستم و اجرای فرایند مدیریت درخواست ، مشکل خود را با سازمان در میان گذاشته تا وقفه در فرایند و درخواست اولیه رفع گردد. به عبارتی مشکلات فرایند های دیگر سازمان در این فرایند ثبت و پیگیری می شود.

این زیر سیستمها کلا می توانند در مجموع یک سیستم را بصورت ترکیبی بوجود آورند و یا با راه حل های فرایندی دیگر ترکیب شده و سیستم بزرگتر و پیچیده تری را بسازند.

در این نوع سیستم ها نه تنها اطلاعات به مشتریان داده یا  گرفته میشود بلکه امکان آنالیز رفتار و
درخواست های مشتریان نیز بوجود میاید. فراوانی دسترسی مشتریان به اطلاعات خاص ، نشان دهنده اهمیت آن اطلاعات است و یا فراوانی شکایت از یک حوزه سازمان نشانده وجود مشکل در آن بخش سازمان است . ارائه این فراوانی های و تهیه آمار قابل تحلیل برای سازمان ها بوسیله گزارش های مناسب ، یکی از مهمترین وظایف این سیستم ها است که در عملکرد و بهبود مستمر عملکرد یک سازمان نقش بسیار به سزایی دارد.

اصولا دولت الکترونیک بدون بازخورد از اطلاعات جمع آوری شده در سیستم الکترونیک برای بهبود عملکرد ، باعث ابتر بودن چرخه بهبود خواهد شد و به همین خاطر نقش آمار و بازخورد بسیار مهم خواهد بود. نیازهای مشتریان یا ذینفعان به مرور زمان عوض شده ودر نتیجه نوع خدمات نیز باید بر اساس نیازها تغییر یابد و این از بازخورد های بدست خواهد آمد.

در راه حل دوم شرکت تذرو افزار رویکرد توسعه بستر جهت پیاده سازی فرایندهای یک کسب وکار را پیش رو داشت و به نحوی مکمل محصول و رویکرد راه حل اول شرکت بود ( مراکز تماس و CRM ) .

گردش اطلاعات درخواست های مشتریان که نیاز به اجرای فرایند در درون سازمان ها دارد ، از جمله نیازهای سازمانها جهت مکانیزه کردن و تکمیل پروسه ارتباط مشتریان است.

بستر پیاده سازی فرایندهای کسب و کار BPMS محصولی است که اجازه مدیریت فرایندهای یک سازمان یا ارگان را داشته باشید. لازمه مدیریت یک فرایند ، امکان کنترل آن است و امکان کنترل یک فرایند نیاز به توانایی اندازه گیری دارد که در سیستم های BPMS این ویژگی نهادینه شده است.

خوب حالا اگر به سئوال ابتدایی برگردیم ، می توانیم به این گونه پاسخگو باشیم . شرکت تذرو افزار در شروع دهه 80 به توسعه راه حل های کسب و کار در جهت کاهش تردد و افزایش رضایت مشتریان و متمرکز بودن و مکانیزه بودن پرداخته است و این راه حل ها اتفاقا و دقیقا در زمان بروز اپیدمی کرونا مورد نیاز تمامی سازمانها است.

به عبارتی کرونا باعث شد که راه حل های جدید نرم افزاری از این قبیل بیشتر از پیش اقبال رشد داشته باشند و مشتریان بیشتری داشته باشند.

در نظر داشته باشیم که کرونا خود باعث ایجاد نیاز به ابزارهای دیگر نیز در این حوزه شد و آن توسعه ابزارهایی است که بتواند کاربران سیستم ها را بصورت دورکاری نیز پوشش دهد. در این زمینه نیز تذرو افزار برروی این محصولات تمرکز انجام داده و ابزارهای مورد نیاز را در حوزه خدمات نرم افزاری غیر حضوری بوجود اورده است.

وضعیت راهکارهای پیشنهادی شرکت تذرو افزار قبل و بعد از دوران کرونا (آیا این راهکارها فقط در دوران پاندمی کاربرد خواهند داشت؟)

 

ج : به عبارتی پاسخ این سئوال در شرح محصولات و پاسخ قبلی داده شد و پاسخ تکمیلی این است که
توانایی های کنترل از راه دور بر روی محصولات تذرو در این دوره بیشتر از پیش احساس شد و این امکانات برای بهره بردارهای سیستم در این دوره توسعه یافت .

استفاده از این راهکارها صرفا به دوران پاندمی محدود نمی شود . همانطور که بوجود آمدن آن بر اثر دوران کرونا نبوده است . در اصل این راهکارها نیازهای اصلی دنیا ، کشور ، دولت ، جامعه ، سازمان و ارگان ها است در راستای تحقق مدیریت ، کنترل و سرعت بخشیدن به انجام خدمات . حال این خدمت از یک کسب و کار به مشتری ارائه گردد “B2C”  و یا از طرف دولت در اختیار جامعه و ذینفع قرار گیرد “G2C”  .

اگر زمان را به دو دوره قبل و بعد از کرونا تقسیم بندی کنیم ، کرونا صرفا باعث سرعت بخشیدن به ارائه و استفاده از خدمات نرم افزاری غیر حضوری شده است چون هزینه سرویس های حضوری در زمان کرونا بسیار بالا بوده و تا مرز جان انسانها پیشروی کرده است.

 راهکارهای پیشنهادی شرکت تذرو افزار در دوران کرونا چه تاثیری بر رضایت مشتریان کسب و کارها داشته است؟

ج : رضایت مشتری در چه زمانی محقق میشود و بستگی به چه چیزهایی یا پارامترهایی دارد؟

اگر ما به توانیم سرویس مورد نظر مشتری را در زمان کوتاه و معقول (که در تعهد سرویس دهنده است ) در اختیار وی قراردهیم  ، طبعا رضایت مشتری را جلب خواهیم کرد. پس دو پارامتر اصلی کمی در رابطه با رضایت مشتری داریم

  • گرفتن سرویس مورد نظر توسط مشتری
  • زمان مناسب ارائه سرویس

عوامل دیگری نیز در رضایت مشتری دخیل هستند که بصورت کیفی بوده و بستگی به کیفیت سرویس و زمان آن ندارد ( مثال : طریقه برخورد با مشتری ، قیمت سرویس و …..)

سیستم های فرایندی و مراکز تماس هردو باعث کاهش زمان ارائه سرویس شده و می توانند بر اساس ابزارهای مناسب که در آنها تعبیه شده ، گارانتی کنند که زمان مناسب ارائه سرویس را اندازه گیری کرده و در صورت نزدیک شدن به زمان بحرانی ، آلارم های مربوطه را فعال نموده تا سرویس مورد نظر با نظارت مدیران به موقع ارائه گردد.

از ویژگی های خوب مراکز تماس می توان امکان نظر سنجی اتوماتیک برای میزان رضایت مشتری از سرویس گرفته شده اشاره کرد . این امکان باعث میشود که عملکرد سازمان سرویس دهنده همیشه قابل پایش بوده و شاخص پایش آن رضایت مشتری خواهد بود.

چند نمونه از خدمات غیر حضوری نرم افزاری و موفق شرکت تذرو افزار در دوران کرونا

  • بانک تجارت
  • بانک رفاه کارگران
  • بانک صادرات ایران
  • بانک ملی ایران
  • بانک مرکزی جمهوری اسلامی ایران
  • کارت اعتباری ایران کیش
  • سامانه جامع امور دانشجویان کل کشور(سجاد)
  • بیمه سامان
  • بیمه سرمد
  • بیمه البرز
  • گروه خودروسازی سایپا
  • گروه خودرو سازی بهمن

 

COVID-19 crisis may create opportunities for software development

 5ways COVID-19 has accelerated software development

سیستم نرم افزاری جامع بهره برداری شرکت برق منطقه ای یزد

طراحی، پیاده سازی و استقرار سیستم نرم افزاری جامع بهره برداری شرکت برق منطقه ای یزد

سیستم نرم افزاری جامع بهره برداری شرکت برق منطقه ای یزد

سیستم نرم افزاری جامع بهره برداری شرکت برق منطقه ای یزد

شرکت برق منطقه ای یزد یکی از ۱۶ شرکت برق منطقه ای ایران است، که همگی زیر مجموعه شرکت مادرتخصصی توانیر (شرکت سهامی مدیریت تولید، انتقال و توزیع نیروی برق ایران) می‌باشند. مجموعه وظایف شرکت در حوزه فعالیت‌هایی است که از سوی وزارت نیرو  به عنوان فعالیت‌های نظارتی و اعمال سیاست‌های اجرایی ابلاغ می‌شود که شامل برنامه‌ریزی، نظارت بر تولید، انتقال و توسعه تأسیسات می‌باشد. با توجه به ماموریت این شرکت در حوزه تامین برق مطمئن و پایدار برای مشترکین و در راستای رضایتمندی ذینفعان، استقرار سیستم جامع معاونت بهره برداری با هدف ایجاد یکپارچگی کامل با سیستم GIS، پایش و مانیتورینگ لحظه ای فرآیندهای عملیاتی به عنوان یک الزام در دستور کار معاونت بهره برداری این شرکت قرار گرفت.

شرکت مهندسی تذرو افزار به عنوان یکی از پیمانکاران شناخته شده در صنعت برق کشور و با توجه به تجربیات موفق عملیاتی شده در 4 شرکت برق منطقه ای کشور (تهران، زنجان، مازندران و گلستان و گیلان)، پس از ارزیابی های فنی و  با کسب بالاترین امتیاز به عنوان مشاور مناقصه خرید سیستم جامع بهره برداری در شرکت برق منطقه ای یزد انتخاب گردید و با انعقاد قرارداد، طراحی و پیاده سازی فرآیندهای سیستم نرم افزاری جامع معاونت بهره برداری در این معاونت آغاز گردید.

طراحی و پیاده سازی سیستم نرم افزاری جامع معاونت بهره برداری و مجموعه فرآیندهای درخواستی در ادارات این معاونت بر اساس مستندات شناسنامه های فرآیندی ارائه شده در اسناد، توسط تیم پروژه های شرکت مهندسی تذرو افزار و در قالب نرم افزارهای سفارش مشتری  برای شرکت برق منطقه ای یزد طراحی، پیاده سازی خواهد شد.

سیستم نرم افزاری جامع بهره برداری شامل فرآیندهای عملیاتی در حوزه های زیر می باشد:

  • امور دیسپاچینگ و مخابرات
  • امور انتقال نیرو
  • دفتر فنی انتقال
  • نگهداری و تعمیرات
  • دفتر بازار برق
  • دفتر فنی تولید
  • امور مالی و ذیحسابی