شرکت تامین خدمات سیستمهای کاربردی کاسپین، یکی از شرکتهای حاضر در کنگره TopHPC بود که محصولاتش را در زمینه کلان داده را به حاضران در این کنگره معرفی کرد.
کنگره بینالمللی سیستمهای کلان مقیاس محاسباتی و تحلیل کلان داده سوم تا پنجم اردیبهشتماه در تهران برگزار شد. در حاشیه این کنگره آقای جاویده در خصوص فعالیتهای شرکت کاسپین در حوزه کلان داده صحبت کردند. وی با اشاره به فعالیت این شرکت در حوزههای هوش مصنوعی و دادهکاوی در سالهای پیشین میگوید: «با توجه به اهمیت پیدا کردن هوشمندسازی کسبوکارها و حضور بحث کلان داده در روندهای روز مطرحشده در نشریات معتبری نظیر گارتنر، از دو سال پیش واحدی را در شرکت در خصوص کلان داده راهاندازی کردهایم.»
به گفته آقای جاویده، سیستم کشف تقلب، سیستم مبارزه با پولشویی و سیستم CBO، از جمله محصولات عمده کاسپین در زمینه کلان داده است. همچنین کاسپین خدمات راهاندازی کلان داده را نیز به شرکتهای متقاضی ارائه میدهد. ایشان در ادامه این محصولات را با اشاره به پروژههای مختلف کاسپین تشریح میکند و میگوید: «سیستم کشف تقلب، یکی از اولین پروژههای ما در کلان داده بود که در بانک پارسیان بهعنوان عضوی از هلدینگ پارسیان پیادهسازی شد. سیستم مبارزه با پولشویی، محصول دیگری است که برای بانک پارسیان بر بستر کلان داده پیادهسازی شده است.»
به گفته معاون فناوری اطلاعات کاسپین، CBO یکی از جدیدترین محصولات این شرکت در کلان داده است. CBO یا بهترین پیشنهاد به مشتری (Customer Best Offer) با جمعآوری اطلاعات مشتریان بانک و رفتارشناسی آنان با تحلیل کلان دادهها، پیشبینی رفتار مشتریان را برای بانک امکانپذیر میکند و به بانک در حفظ و نگهداشت مشتری و در نتیجه کاهش هزینهها کمک میکند.
مقاله «طراحی مدلی برای پیشبینی رفتار مشتریان بانکی با استفاده از شبکههای عمیق RNN» یکی از مقالههای پذیرفتهشده کنگره TopHPC در بخش ارائههای شفاهی بود. آقای میرشک مدیر کلان داده کاسپین، این مقاله را که خروجی یکی از تحلیلهای شرکت کاسپین روی دادههای بانکی بود، در روز دوم کنگره ارائه داد. ایشان در این مقاله که با همکاری اساتید دانشگاه تربیت مدرس، دکتر کارگری و البدوی تدوین شده، مدل طراحی کردهاند که با آن رفتار آینده مشتریان بانک، با دقت ۸۶ درصد تخمین زده میشود.
در مدل طراحیشده، با استفاده از الگوریتمهای یادگیری ماشین و هوش مصنوعی، و با استفاده از الگوریتم RMN که دادهها بهصورت سری زمانی در اختیار آن قرار میگیرند، کلان دادههای مشتریان بانک تحلیل میشوند. معماری در چنین مدلهایی بهصورت تجربی و شهودی طراحی میشود که با توجه به دقت ۸۶ درصد حاصلشده از دادههای لیبلدار، مدل طراحیشده، موردقبول است.
با استفاده از این مدل، رفتار مشتریان پیشبینی میشود و اینگونه در برآورده کردن انتظارات آینده مشتریان و نگه داشت آنان موفق باشد و با توجه به هزینه بیشتر جذب مشتری جدید نسبت به نگهداشت مشتری فعلی، در هزینههایش صرفهجویی کند.