سحر نظامی، مدیر ارشد تجزیه و تحلیل پیشرفته و مدیریت دیتاها در بانک "سی‌آی‌بی‌سی" کاناداست که موفق شده بعنوانی یکی از ۱۰۰ فرد پیشرو آنالیز و تجزیه و تحلیل دیتاها و نوآوری در "جهان" شناخته شود. او فینالیست جایزه زنان در امور مالی، و نیز قهرمان اجرایی برنامه کمک و مربیگری تازه واردان به تورنتو نیز هست.
این فهرست جهانی که توسط موسسه "کورینیوم گلوبال اینتلیجنس" هر ۲ سال یکبار جمع‌آوری می‌شود افرادی که کارهای باورنکردنی در زمینه پیشبرد آنالیز دیتاها و تجزیه و تحلیل اطلاعات در سراسر جهان انجام داده‌اند را معرفی می‌کند. سحر در واکنش به این دستاوردش می‌گوید: "هیچ دستاوردی بزرگتر از ایجاد و توانمندسازی تیمی متشکل از مهندسان و دانشمندانی شگفت‌انگیز، باهوش و خلاق نیست. همه چیز بعد از آن متعلق به آن‌هاست. و آنچه آنها خلق می‌کنند".
سحر که متولد ایران است، تحصیلات خود را در مقطع کارشناسی در رشته مهندسی نرم‌افزار در دانشگاه آزاد تهران به اتمام رسانده، سپس مدرک کارشناسی ارشد را از موسسه تحقیقات برنامه‌ریزی و توسعه تهران اخذ کرده و پس از مهاجرت و ورود به کانادا مدرک MBA را نیز از دانشکده بازرگانی "شولیچ" دانشگاه یورک گرفته است. وی اکنون مدیر ارشد و رئیس بخش آنالیز و تجزیه و تحلیل پیشرفته و مدیریت دیتاها در حسابرسی داخلی بانک سی‌آی‌بی‌سی، یکی از ۵ بانک برتر و بزرگ کاناداست.
پس از کسب این موفقیت ایران استار گفتگوی اختصاصی و مفصلی با وی ترتیب داد تا هرآنچه لازم است در اینباره بدانید را برایتان در یک جا گردآوری کرده باشد. امیدواریم این مطلب مشوق و راهگشایی باشد نه فقط برای مهاجرین و ایرانیان در کانادا و دیگر نقاط جهان بلکه برای هر شخصی که در صدد است جهان را یک قدم دیگر، با دیگران بسازد و به جلو ببرد.
 
سحر نظامی، یکی از ۱۰۰ مدیر و متخصص تجزیه و تحلیل دیتاها که جهان را به پیش می‌برد، کیست؟
سلام، روزتان بخیر. شما در دانشگاه رشته کامپیوتر خوانده‌اید من فکر می‌کردم از رشته ریاضی وارد آنالیز شده‌اید ولی گویا از رشته کامپیوتر رفته‌اید! درست است؟
تقریبا بله، من اول در ایران نرم‌افزار خواندم و در ایران باز فوق لیسانس سیستم‌های اقتصادی و اجتماعی گرفتم و اینجا MBA گرفتم، یعنی ترکیب هر سه اینها چیزی می‌شود که این روزها به آن علم دیتاها (داده‌ها) می‌گویند. برنامه‌نویسی کامپیوتر و بیزینس.
 
اول از همه خیلی ممنون و متشکر که اجازه دادید در خدمت شما باشیم. شما به عنوان شروع چه توضیحی دارید در مورد موفقیتتان؟
خوب جایزه‌های زیادی است که در صنعت خودشان مهم است ولی خیلی خوب شناخته شده نیست، ولی چیزی که باید بگویم این است که این دوساله با شیوع کرونا مردم خیلی به شبکه‌های اجتماعی نزدیک‌تر شده‌اند و خوب هر جایزه‌ای که من یا همکارانم می‌گیریم خیلی بزرگ‌تر می‌شود. از اینجا برایتان بگویم که در دنیای آنالیز دیتاها شاید این موفقیت مهم باشد ولی اگر همین فقط در دنیای واقعی رخ می‌داد و شبکه‌های اجتماعی نبودند انقدر شناخته نمی‌شد. کلا یک سری کمپانی‌ها یا موسساتی هستند که در هر رشته‌ای خیلی فعال هستند، در رشته ما یعنی آنالیز دیتاها یک کمپانی است به نام "کورینیوم گلوبال اینتلیجنس" که هم مقاله‌های آنالیز دیتا می‌نویسد و هم کنفرانس‌های مهم را برگزار می‌کند. برای این ازطریق آن کمپانی و موسسه این جوایز اعلام می‌شود. من ۲۰۱۸ هم یک بار این جایزه را بردم ولی ۲۰۱۸ منطقه‌ای بود و اعلام کردند ۱۰۰ نفر برتر آمریکا که شامل آمریکای شمالی، مرکزی و جنوبی می‌شد. در سال ۲۰۲۲ آن را جهانی کردند و این لیست ۱۰۰ نفری از کل دنیا است که به اعتقاد آن‌ها دارند در رشته آنالیز دیتاها، نوآوری می‌کند. فکر می‌کنم اگر اشتباه نکنم ۷ نفرآن‌ها از کانادایی هستند که یکی از آن‌ها هم من بودم.
 
شما چه نوع دیتاهایی را آنالیز می‌کنید و چرا این آنالیز اصلا مهم است؟
از آنجایی که الان دیتاها و اطلاعات زیادی دور و بر ماست و دائم تمام سیستم‌های دارند پردازش اطلاعات می‌کنند، آنالیز کردن آن‌ها بسیار مهم می‌شود. در بانکی که من کار می‌کنم، من در تیم‌های مختلفی این کار را کرده‌ام در قسمت بازاریابی، کردیت کارت، مالی، و الان که در تیم فعلی در قسمت بازرسی داخلی. همه تیم‌هایی که در آن‌ها کار کردم به نظرم کارهای آنالیز دیتاهایشان مهم بوده است. مثال‌های مختلفی در هر کدام از این تیم‌ها می‌تواند باشد. در تیم فعلی که بازرسی داخلی باشد یکی از چیزهای مهمی که با تیم‌های قبلی فرق دارد این است که کل بانک را پوشش می‌دهد زیرا وظیفه بازرسی داخلی که تمام یک شرکت را در بر می‌گیرد دادن اطمینان خاطر به مردم است تا بدانند نیروهای انسانی و سیستم‌ها و روندها دارند درست و همانطور که از آن‌ها انتظار می‌رود عمل می‌کنند. یک مثال برایتان بزنم، این بانک دارد چک می‌کند تا ببیند که آیا سیستم‌هایمان از نظر امنیتی و هک شدن امن هستند یا نه؟ دائم دارند چک می‌کنند تا ببینند که این که این همه تقلب و دزدی که در دنیا می‌شود سر مشتری بانک نیاید و به قول معروف کلاه سر کسی نرود. مثلا کسی "تکس" می‌گیرد و می‌گوید اینجا را کلیک کن و شماره کردیت کارتت را به من بده، بانک سعی می‌کند مراقبت کند چنین اتفاقی نیافتد، چک می‌کند که آیا استفاده شما از کارت اعتباری شما با استفاده‌های قبلی شما همخوانی دارد یا خیر و اگر همخوانی ندارد آنرا موقتا تعلیق کند و با شما تماس بگیرد تا مطمئن شود که این خود شما هستید که دارید از آن استفاده می‌کنید یا نه؟ و اینها دائم دارد در بانک اتفاق می‌افتند و در بازرسی داخلی ما یک لایه حفاظتی بیشتر دیگری روی آنچه که همین الان وجود دارد می‌گذاریم تا ببینیم که آیا سیستم‌های شناسایی و ضد تقلب بانک هنوز خوب دارد کار می‌کند؟ مثلا سیستم از اطلاعات روز عقب نیفتاده است؟ می‌رویم نگاه می‌کنیم وقتی مشتریان زنگ می‌زنند و از چیزی شکایت می‌کنند، آیا از شکایت مشتریان اطلاعات کافی جمع‌آوری می‌شود؟ ما می‌رویم ۶ ماه شکایت مشتریان را نگاه می‌کنیم که ببینیم که آیا مشکل جدیدی پیش آمده است؟ فکر کنید در یک دپارتمانی می‌بینید که خیلی شکایت بالا رفته، خوب ما باید بفهمیم که دلیل چیست. شاید این دپارتمان چند کارمند از دست داده، نیاز به کمک و نیروی بیشتر دارد، یا یک پروسه‌ای را عوض کرده‌ایم که فکر می‌کردیم خوب است ولی منجر به شکایت مشتریان شده است. خلاصه بانک سعی می‌کند کامل از مشتریان حمایت کند و از آن‌ها حفاظت کند و ما هم سعی می‌کنیم روشهای حمایتی بانک را چک کنیم تا بدانیم که هنور خوب کار می‌کند یا نه؟
 
آیا شما دیتاهای برآمده از فرایندهای عملیاتی را آنالیز می‌کنید یا دیتاهای بهره‌وری و کارآمدی را و یا دیتاهای مشتری‌ها را؟ برای مثال دیتاهای رفتار متقابل مشتری نسبت به بانک و بانک نسبت به مشتری را هم بررسی می‌کنید؟
بله، من اصلا زمانی که آنالیز بخش بازاریابی و تبلیغات را می‌کردم در قسمت محصولات خیلی خیلی بیشتر با این نوع دیتاها کار می‌کردم ولی یک چیزی که مهم است این است که همه این را بدانند که بانک‌ها به همراه دو تا سه بخش دیگر اقتصادی، خیلی خیلی زیر ذره‌بین هستند و قوانین سخت‌گیرانه‌ای دارند. مثلا تیم من نمی‌تواند در یک جدول اطلاعاتی هم اسم یک مشتری را داشته باشد و هم آدرس آن مشتری را، و هم شماره کارت اعتباریش را و هیچ وقت ما به تیممان اجازه نمی‌دهیم که مثلا این سه تا را با هم ببینند. به این خاطر که اطلاعات خصوصی است و نیز برای انجام کار یک تیم نیازی به داشتن همه این اطلاعات کنار همدیگر ندارند. مثلا اگر که احتیاج دارند که تراکنش‌های کارت‌های اعتباری را بررسی کنند می‌تواند تمام تراکنش‌ها را ببینند اما نمی‌توانند نام مشتری یا شماره کارت مشتری را داشته باشند. بنابراین ما با هر سه دسته این دیتاها که گفتید کار می‌کنیم ولی قابل سوء استفاده نیست. یک قانون در بانک داریم که می‌گوید که اطلاعات فقط به اندازه انجام همان کار، یعنی اگر شما برای انجام این کار فعلی‌تان به این دو بخش اطلاعات احتیاج دارید، به بخش سوم اصلا نباید دسترسی داشته باشید یا درخواست کنید.
برگردیم به اینکه گفتید چطور از اطلاعات مشتری استفاده می‌شود و چکار می‌کنند، این به خیلی چیزهای مختلف برمی‌گردد، اگر شما در قسمت بازاریابی هستید و می‌خواهید یک کاری کنید، مثلا می‌خواهید یک محصول جدید به مشتری بفروشید باید بتوانید از برخی اطلاعات استفاده کنید و نه از برخی اطلاعات دیگر. به عنوان مثال خود من به عنوان یک مشتری از یک طرف دوست ندارم همه زندگی مرا کسی، ولو در بانک داشته باشد و از یک طرف دیگر انتظار دارم که اگر ۱۰ سال است مشتری بانک هستم بداند که دو ماه پیش از همین بانک وام گرفته‌ام و به من مثلا پیشنهاد وام گرفتن ندهد. یعنی مثلا وقتی من با بانک کارت اعتباری دارم بانک پیشنهاد یک کارت جدید اعتباری دیگر ندهد، ولی از آن طرف اگر می‌بیند که من در زمان دانشجویی یک اعتباری دانشجویی داشته‌ام و الان کار می‌کنم خوب شرایطم عوض شده و بانک کارت اعتباری مناسب مرا به من پیشنهاد دهد. مشتریان این انتظار را دارند که این اطلاعات را راجع به آن‌ها بدانید و تنها راهی که می‌توانید اینها را راجع به آن‌ها بدانید این است که به الگوهای کاری‌شان نگاه کنید و نگاه کنید که احتیاجاتشان نسبت به بانک چه بوده است؟ چه چیزهایی در پنج ماه اخیر از شما خواسته‌اند؟ پنج ماه بعدی بهتر است که بیشتر آماده باشید که بتوانید به آن‌ها سرویس بدهید.
 
چه شرکت‌هایی به چه منظورهایی به بررسی اطلاعات می‌پردازند؟ به منظور رشدشان؟ به منظور پیدا کردن نقاط گیر (bottleneck) کارهایشان یا به منظور نفوذشان؟
خوب جواب درست همه مواردی‌ست که شما گفتید. به نظر من آنالیز دیتاها هنوز به بلوغ کامل در همه شرکت‌ها نرسیده و بسته به اینکه چه زمانی متوجه اهمیت و آغاز استفاده از آنالیز دیتاهایشان شده‌اند، اول از همه به فکر پول درآوردن و سود می‌روند. بنابراین اگر در یک کمپانی هستید که می‌خواهید رئیستان را مجاب کنید که پول بدهید تا من دو تا متخصص آنالیز دیتاها استخدام کنم راحت‌ترین طرز مجاب کردن آن‌ها این است که بگویید به من پول بده تا من بیشتر برایت پول بسازم. بنابراین خیلی جاها می‌بینید که آنالیز کردن از جاهایی که «درآمد» برای شرکت درست می‌کند شروع می‌شود. ساده‌ترین آن این است که شما بگویید یک رستوران کوچک دارید از کجا شروع می‌کنید؟ از اینجا شروع می‌کنید که فروش دو ماه گذشته‌تان را نگاه می‌کنید و بعد مثلا الگوهای فروش و درآمد را نگاه می‌کنید. همه می‌دانند جمعه و شنبه به خاطر آخر هفته بودن، فروش بالاتری دارند ولی مثلا شاید رستوران شما در یک منطقه‌ای است که به یک دلیل خاصی، مثلا بعلت مجاورت با یک مدرسه یا آموزشگاه و مراجعه مردم برای ناهار در روزهای سه‌شنبه و چهارشنبه و پنجشنبه، درآمد بیشتری کسب کرده‌اید. خلاصه در درجه اول کوچکترین حالت آنالیز از فروش شما شروع می‌شود و می‌توانید فروش خودتان را بهتر کنید و از آن محافظت نمائید، برای مثال اینکه چه زمانی باید بیشتر سفارش دهید چون مشتری بیشتر دارید. ولی هر چه کمپانی شما بزرگتر و بالغ‌تر باشد و آنالیز شما نیز بزرگ‌تر و بالغ‌تر باید باشد، و خیلی عمیق‌تر باید بروید. مثلا در آنالیز تولیدی، خیلی از اطلاعات کارکرد و خط تولید مورد آنالیز قرار می‌گیرد و خیلی مهم می‌شود که بفهمید نقاط "گیر" کارها کجاست؟ اگر بتوانید تولید را پیش‌بینی کنید می‌توانید نیروی انسانی که یکی از گران‌ترین منابع مورد استفاده کمپانی‌هاست را مدیریت کنید و هزینه‌هایش را کاهش دهید و هر چقدر آنالیز شما پیشرفته‌تر باشد موفق‌تر خواهید بود. اگر بدانید که فلان روز ۱۰ نفر احتیاج دارید و فلان روز ۴ نفر خوب می‌توانید نیروهایتان را تنظیم کنید و هر روز ۱۰نفر نیروی کار را نگه نمی‌دارید. الان مثلا کمپانی‌های بزرگ، بانک‌ها، گوگل و غیره همه اینها را در نظر می‌گیرند، خیلی از رساله‌های آنالیز دیتاها را که در کنفرانس‌های بزرگ می‌بینید راجع به مدیریت نیروی انسانی‌ست که مثلا قسمت کارگزینی می‌گوید ما سیستم نوشته‌ایم که رزومه مردم را اتوماتیک بخواند و با شغل‌های مختلف موجود مقایسه کند. دیگر الان داریم وارد چیزهای خیلی پیشرفته‌تر می‌شویم. من چندی پیش داشتم به کنفرانسی گوش می‌دادم که می‌گفت قسمت بازارهای مالی آن‌ها که مردم می‌روند و قیمت گندم یا نفت جهانی را پیش‌بینی می‌کنند، دارد تصاویر ماهواره‌ای را آنالیز می‌کند تا ببیند که کشتی‌های نفت‌کش، آنجایی که باید باشند هستند یا نیستند؟ یعنی پیش‌بینی می‌کردند که اگر یک کشتی نفت‌کشی جایی گیر کرده و سه روز دیرتر به مقصد برسد چه می‌شود و اینگونه این پارامتر را وارد قیمت‌گذاری سیستم مدل خود می‌کردند و می‌توانستند قیمت نفت را پیش‌بینی کنند. حالا معروف‌ترین مثالش آن کشتی بود که در کانال سوئز گیر کرد که همه آنرا دیدند ولی خیلی اتفاقات ریزی در این طرف و آن طرف می‌افتد که همه در اخبار آن‌ها را نمی‌بینند و نتیجتا مثلا آن ۵ نفری که توانستند این گیر کردن را وارد مدل خود کنند از کل بازار جلو افتادند. خلاصه همه جا استفاده می‌شود.
 
شما در کدام پروژه این آنالیز را دقیقا انجام دادید که باعث موفقیتتان شده است و به این نقطه رسیده‌اید؟
من در همه تیم‌هایی که بودم از این چرخه صفر تا بلوغ را طی کرده‌ام. وقتی تیمتان عوض می‌شود ممکن است باز از صفر شروع کنید و بالا بیایید ولی معمولا همیشه ما بین خودمان می‌گوئیم آنالیز از توصیف آنچه اتفاق افتاد شروع می‌شود، و فقط به من بگو چه خبر است. می‌دانید مثل هر دوشنبه صبح که یک نفر می‌رود و یک کاغذ روی میز رئیسش می‌گذارد و می‌گوید که هفته گذشته فروشمان آنقدر بود، خرجمان اینقدر بود و همه اینها آنالیز حساب می‌شود و اتفاقی را که از قبل افتاده را شرح می‌دهد و این قدم اول کار است. من موقعی که کار را شروع کردم خیلی سعی می‌کردم رفتارهای مردم را پیش‌بینی کنیم که در چه زمانی می‌خواهند در کارت اعتباری خود تغییری ایجاد کنند و نتیجه این می‌شد که مثلا می‌آمدند و می‌گفتند می‌خواهیم یک کارت جدید طراحی کنیم، ما باید چه چیزهایی را در نظر می‌گرفتیم تا موفق شویم؟ مثلا وقتی مردم بنزین می‌زنند به آن‌ها با کارت اعتباریشان امتیاز بیشتری بدهیم یا موقعی که رستوران می‌روند؟ بنابراین برای این می‌شود از رفتار گذشته مردم استفاده کنید تا رفتارهای آینده آن‌ها را پیش‌بینی نمائید. در کار فعلی‌مان یک ترکیبی از آنالیز و اتوماتیک کردن داریم و یکی از چیزهایی که ما دیده‌ایم این است که گران‌ترین چیزها در هر کمپانی بزرگ جمع‌آوری دیتا است. بنابراین همه فکر می‌کنند که دیتا خوب تمیز است و روی هارد کامپیوترتان نشسته در صورتی که واقعا در کمپانی‌های بزرگ و کمپانی‌هایی که قدیمی‌تر هستند دیتا همه جا هست. حتی دیتا هنوز یک جاهایی ممکن است روی کاغذ باشد. بنابراین یکی از کارهایی که حداقل در کار ما نوآوری بحساب می‌آید این است که ما بتوانیم جمع‌آوری اطلاعات داشته باشیم و این جمع‌آوری را هم اتوماتیک کنیم. جایی که دیتاها در سیستم‌ها در دسترس هستند که خیلی خوب است ولی جایی که وجود ندارد چه کاری باید کرد؟ بیاییم مثلا یک برنامه اینترنتی درست کنیم که مردم بتوانند راحت دیتاهاایشان را به ما منتقل کنند. یا مثلا روندهای کاری را بهیه کنیم، مثلا قبلا برای انجام کاری شما نیاز به تایید ۱۰ نفر داشتید، یکی ایمیل می‌فرستاده و منتظر می‌شد تا جواب‌های متناظرش را بگیرد و شاید فردی هم حتی یک کاغذ برمی‌داشت و از این اتاق به آن اتاق می‌رفت تا امضاء بگیرد. حالا ما راهی را پیدا می‌کنیم که بتواند روندهایی که ارزش بیشتری دارند را اتومات و سریع کند مثلا یک نرم‌افزار که از یک نقطه معلوم شروع می‌کند و هر زمان که کار جلو می‌رود علامت می‌زند برای نفر بعدی و بعدی و… که خودش خیلی خیلی مهم است ولی تکه بعدی‌اش که خیلی خیلی مهمتر است اینست که حالا همه این اطلاعات بصورت دیجیتالی برای ما وجود دارد تا بتوانیم کل کار آنالیز کنیم و دیگر منتظر جمع‌آوری دیتاها نشویم.
 
یعنی به عبارتی جایزه و موفقیت و پیشرفت شما به خاطر اتوماسیون جمع‌آوری دیتاها بوده است؟
جایزه که نبود بیشتر شناخته شدن است، اسامی کسانی را که فکر می‌کنند دارند نوآوری می‌کنند را منتشر می‌کنند و با شما هم مصاحبه می‌کنند به خاطر اینکه همه از هم یاد بگیریم. ما از این لیست خیلی استفاده می‌کنیم که بعد به هم رجوع کنیم و بگوییم که مثلا کاری را که تو پارسال می‌کردی تیم من برای دو سال آینده دارد فکر می‌کند. مثلا وقتی با من صحبت می‌کردند یکی این موضوع بود که ما از آنالیز دیتاهای موجود شروع کنیم و آنرا گسترش دهیم که به این شکل یک کُد برنامه کامپیوتری می‌نویسیم تا حتی موجود بخشی دیتاها را افزایش دهد، ارتباط بین دیتاها بیشتر شود و غیره. اینها هم می‌تواند یک مقداری از آنالیز باشد. یک تکه دوم هم که به آن دلیل می‌خواستند کارم را مورد توجه بیشتری قرار دهند این بود که راجع به «استعدادها» صحبت می‌کنم؛ باید بگویم نیروی کار ماهر در آنالیز دیتاها بسیار کمیاب و نایاب شده ولی من که در بسیاری از کنفرانس‌های آنالیز صحبت می‌کنم تنها کسی هستم که هیچ وقت غر نمی‌زنم که نیروی کار کم است. واقعا یکی از دلایلش مهاجران کانادا است، این را ۱۰۰٪ باید بگویم که من خیلی خیلی نیروی کار مهاجر نسل اولی دارم که همه آن‌ها خارج از اینجا به دنیا آمده‌اند و الان به خوبی پیش می‌روند. مثلا یکی از چیزهایی که من خیلی برای آن تبلیغ می‌کنم این است که انقدر روی لیست آنچه یک کارمند برای استخدام شدن در یک شغل نیاز دارد، شرط نگذارید که مثلا فلان زبان‌های برنامه‌نویسی را باید بداند، خوب راستش می‌شود فلان زبان برنامه‌نویسی را به آن‌ها یاد داد، بروید دنبال استعداد بگردید که نشان داده و ثابت کرده که کنجکاو و درس‌خوان و پیشروست و دنبال چیزهای جدید می‌رود. یعنی پایه ما باید مدیریت استعدادها باشد و یعنی جایی که همه دارند گریه و زاری می‌کنند که نمی‌توانند آنالیزکننده پیدا کنند و گران است ما چطور می‌توانیم یک مسیر خوبی از جمع‌آوری استعدادهایی که تبدیل به آنالیزکننده‌های خوبی می‌شوند را درست کنیم. گاهی شما می‌توانید یک نفر را استخدام کنید که یک سال، دو سال کار می‌کند و بعد می‌رود ولی ما در تیم خود توانستیم کاری کنیم که بمانند یا بروند در یک گروه دیگری از شرکت و رشد کنند، و راضی هم باشند. بهره‌وری استخدامی شرکت که همیشه مثلا ۸۰٪ است در تیم من همیشه ۹۸٪ یا ۹۹٪ بوده است.
 
آنالیز دیتاها به صورت ملموس چه اثری در زندگی مردم دارد؟ آیا در وقت آن‌ها صرفه‌جویی می‌شود یا پول داخل جیبشان بالاتر می‌رود؟ نتیجه همه اینها به نفع کمپانی است یا مردم؟
ببینید، هر دو. شما فکر کنید من ۱۰.۰۰۰ مشتری داشته باشم ولی یک دفعه دو تکه خبر بیرون بیاید که سیستم‌هایمان هک شده و همه مشتری‌ها را از دست می‌دهید. یا اینکه مثلا ما خیلی مشتری داشته باشیم اما مثل بانک آمریکایی "ولز فارگو" (Wells Fargo) فقط به فکر سود خودش بیافتد و بسیار بسیار وضعش خراب شود. این کمپانی انقدر هدف فروش برای کارمندهایش گذاشت که کارمندان شروع کرده بودند کارهای بد کردن و مدیریت هم چشمش را روی آن‌ها بست. مثلا یک مادر بزرگ ۹۰ساله به بانک می‌رفته و می‌خواسته فقط قبض‌های آب و برقش را بدهد و به او یک کارت اعتباری و یک حساب جدید بانکی می‌دادند. مادربزرگ شاید ۶-۷ ماه دیگر می‌فهمید و می‌گفت این کردیت کارت چیست من نمی‌خواستم؟! اما ما در کانادا بسیار محافظه‌کار بوده‌ایم. خیلی سال پیش برخی ما را مسخره می‌کردند ولی وقتی بحران سال‌های ۲۰۰۷ و ۲۰۰۸ آمریکا پیش آمد و کانادایی‌ها و سیستم بانکی ما تنها بانک‌هایی بودند که خیلی خوب ماندند، همه متوجه شدند. ما در همان زمان در بخش بازرسی داخلی شروع به نگاه کردن دیتاهایمان کردیم تا ببینیم آیا الگوهایی از تقلب دیده می‌شوند یا نه، که ندیدیم و بازرسان نیز آمدند و نگاه کردند و این چیزها را در کانادا ندیدند. ما می‌دانیم که سود همه چیز نیست، چرا؟ یک به خاطر اینکه بالاخره این رو می‌شود و آبرویتان سال‌های سال می‌رود. دوم ما ۵ بانک بزرگ رقیب داریم که اگر فقط به فکر خودمان باشیم مشتری‌ها می‌روند سراغ دیگران. بنابراین من فکر کنم اگر مشتری راضی باشد، در واقع ما بیشتر سود می‌کنیم و این بسیار اهمیت دارد و فکر می‌کنم این مساله در کانادا خیلی جا افتاده است. حالا نمی‌گویم همه دارند کاملا این را انجام می‌دهند ولی می‌توانم بگویم که حداقل پروژه‌هایی که من هستم و در آن درگیر بودم همیشه از روند کار مشتری‌ها شروع شده، هیچ پروژه‌ای در بانک وجود ندارد که آنالیز آن از روند کاری مشتری‌ها شروع نشود و ما آنالیز اثرگذاری روی چند درصد مشتریان را نداشته باشیم و اینکه چند درصد آن‌ها برایشان این قضیه گران تمام می‌شود؟ چند درصد مشتری‌ها چه فکر خواهند کرد. بله ته آن به این می‌رسد که بانک نرخ را زیاد می‌کند ولی از آنجا شروع نمی‌شود، بلکه ته آن همیشه به آنجا می‌رسد.
 
آینده آنالیز دیتاها را در چه می‌بینید؟ و دنیا را در آنالیز چطور می‌بینید؟
ببینید همه در اینجا در مورد هوش مصنوعی صحبت می‌کنند. من پروژه فارغ التحصیلی‌ام در دانشگاه هوش مصنوعی بود. قدرت پردازش و ذخیره‌ی بالای کامپیوترهای الان خیلی استفاده از هوش مصنوعی را راحت‌تر کرده است. الان در همه چیز از هوش مصنوعی استفاده می‌کنیم ولی اگر دقیق‌تر بخواهم بگویم من خودم خیلی دوست دارم روی پردازش و تولید زبان طبیعی کار کنم که خیلی روی آن‌ها کار شده ولی همه جا کار نشده است. یعنی مثلا گوگل و آمازون و فیسبوک خیلی دارند روی آن کار می‌کنند ولی بقیه هنوز خیلی خیلی عقب هستند و خیلی کارها هست که می‌شود در این زمینه کرد. کمپانی‌هایی که قدیمی‌تر هستند و کاغذ بازی دارند اینها از آن طرف خیلی متن دارند، یعنی الان خیلی‌ها هستند که می‌آیند و می‌گویند که ما برنامه‌ای می‌نویسیم که صدها و هزارها اخبار و اطلاعات را بخواند و در ۵ جمله مختصر کند. مورد دیگر اینست که بتوانیم از اطلاعات، تحلیل تولید کنیم مثلا ما یک مدل خیلی ساده‌اش را برای تیممان داریم و آن هم این است که مثلا ما یک سری گرافیک درست می‌کنیم و مردم با دیدن آن‌ها می‌گویند بله این گراف می‌گوید این ماه نسبت به ماه پیش ۳٪ بالاتر رفته‌ایم و بعد آنرا برمی‌دارند و چیزی می‌نویسند و در گزارش دیگری استفاده می‌کنند. ما جلوتر رفتیم و گفتیم خوب بگذار ما متن گزارش این گراف را تولید کنیم. ولی حالا شما این را تعمیم دهید. یک نفر یک بار ازمن سوال کرد که چرا راجع به آنالیز نمی‌شود مثل گوگل باشیم؟ یعنی شما می‌روید داخل گوگل تایپ می‌کنید، مثلا رستوران ایتالیایی نزدیک من کجاست؟ و آن به شما لیست می‌دهد، منوها را می‌گذارد و می‌گوید کدام‌ها چه ساعتی می‌بندند. شما می‌توانید در آنالیز هم این کار را کنید، مثلا رئیس من صبح به صبح برود داخل یک صفحه و ببیند هفته پیش چند تا از رکوردها آماده شد و چند درصد از کارمندهای تعطیلی رفته‌اند که می‌خواهم زودتر برگردند و یا خرج آموزش ما در ماه گذشته چقدر بوده است؟ چرا نمی‌تواند این را به حالت مکالمه بنویسد و به حالت مکالمه هم جواب بگیرد؟ همه دیتای آن که هست!
 
آیا شما در این آنالیزهایی که الان انجام می‌دهید، مثلا برای بانک یا جای دیگر، چقدر رفتارهای انسانی را در آن دخالت می‌دهید؟ مثلا اگر این کار را بکند بعدا فلان کار را خواهد کرد؟
دو تا مشکل داریم یکی اینکه انسان‌ها تمایلاتشان را نشان نمی‌دهند، مثلا وقتی از شما بپرسند آیا شما زندگی سالمی دارید و ورزش می‌کنید؟ مثلا همه مردم رو نمی‌کنند که نه مثلا ما اصلا ورزش نمی‌کنیم، بنابراین ما مجبوریم یک ترکیبی از شرایط را بپرسیم و از آن الگو بسازیم. دیگر اینکه نمی‌توانیم پروفایل‌های مردم را بررسی کنیم، مثلا نمی‌توانیم بگوییم این خانم یک دختر ایرانی است پس احتمالا قورمه سبزی دوست دارد. پس حداقل در بانک مجبوریم با دیتاهایی که مشتری به ما داده و اجازه داده استفاده کنیم. دیگر اینکه نمی‌توانیم از دیتاهای مثلا کارت اعتباری آن‌ها در جای دیگری استفاده کنیم و مثلا ببینیم که آیا به باشگاه ورزشی می‌رود یا کتاب می‌خرد یا نه پس کاملا نمی‌توانیم از اطلاعات رفتاری استفاده کنیم. در برخی موارد هم همه اطلاعات لازمه را نداریم مثلا وام شما با یک بانک است و کارت اعتباری شما با یک بانک دیگر و وصل کردن و حدس زدن آن‌ها خیلی ریسکی است و اگر هم شروع کنیم شاید به مشکل حفظ حریم شخصی برخورد کنیم. البته بعضی از کمپانی‌ها مانند گوگل و فیسبوک یک سری چیزهایی را ترکیب می‌کنند تا مثلا تبلیغاتشان را به شما نشان دهند اما شما فیسبوک و گوگل را با بانک‌ها مقایسه نکنید. بانک‌ها و شرکت‌های دارویی و پزشکی خیلی قانون‌های مراقبتی پیچیده‌ای دارند.
 
ممنونم. اگر صحبت خاصی هست که دوست داشته باشید با مخاطبان ما در میان بگذارید بفرمایید.
چیزی که همیشه برای من جالب است این است که حالا به قول شما ما دهه‌های ۸۰-۹۰ کامپیوتر خوانده‌ایم، من در اوایل ۹۰ در ایران مهندسی نرم‌افزار خوانده‌ام و نصف کلاسمان هم دختر بوده‌اند. یکی از چیزهایی که خیلی برای من جالب است این است که چقدر آنالیزورهای خوب و مهندس‌های خوب ایرانی در کانادا داریم و چقدر از آن‌ها خانم هستند و چقدر این همکاران کانادایی من ناله می‌کنند از اینکه هیچ کدام از دخترهایشان و یا خواهرهایشان نمی‌خواهند علوم و ریاضیات بخوانند. خلاصه این یک از چیزهایی است که حداقل در تجربه من خیلی خیلی دختران ایرانی خوب در کانادا می‌بینم که چقدر هم موفق می‌شوند و خلاصه همیشه به همکاران کانادایی‌ام پز می‌دهم که در ایران اصلا هیچ دختری نیست که فکر کند نمی‌تواند مهندسی بخواند، برعکس اینها که باید دختران یا خواهرهای خود را راضی کنند و خلاصه این یکی از چیزهایی است که همیشه برای من خیلی جالب بوده و همیشه سعی می‌کنم ایرانی‌هایی را که اینجا هستند تشویق کنم و آن‌هایی هم که دارند می‌آیند حتما خیلی هم موفق می‌شوند.