کلان داده در صنعت بانکداری: مزایا، کاربردها و چالش ها

آیا تا به حال به مقدار داده ای که در روز تولید می کنید فکر کرده اید؟ هر تراکنش کارت اعتباری، هر پیامی که ارسال می‌کنید، هر وب‌سایتی که بازدید می‌کنید... همه اینها روزانه 2.5 کوینتیلیون بایت داده تولید شده توسط جمعیت جهانی را اضافه می‌کند.
 این تعداد بی نهایت فرصت را برای آینده نگرترین مشاغل در حوزه های مختلف ایجاد می کند تا از آن داده ها سرمایه گذاری کنند و صنعت بانکداری نیز از این قاعده مستثنی نیست.
 در حالی که تقریبا نیمی از جمعیت بزرگسال جهان از بانکداری دیجیتال استفاده می کنند، موسسات مالی داده های کافی برای بازنگری در نحوه عملکرد خود دارند تا کارآمدتر، مشتری محورتر و در نتیجه سودآور شوند.

آموزش معادلات ساختاری PLS

تفاوت بین برازش مدل معادلات ساختاری به روش PLS  سنتی و PLSC سازگار

دیجکسترا و شمرله انگل[1] (2014) الگوریتم PLS سازگار(PLSc) را به عنوان الگوریتمی پیشنهاد کرده‌اند که هدف آن ایجاد برآوردهای نرمال مجانبی[2] و سازگار از بارهای مسیر و همبستگی میان متغیرهای پنهان برای سازه‌های به‌طور انعکاسی مدل‌سازی شده[3] می‌باشد. بدین‌ترتیب PLSc ابزاری برای غلبه بر ناسازگاری آماری مرتبط با الگوریتم برآورد PLS سنتی است. PLSc که بر اساس اصلاح برای کاهش[4] نانلی (1978) ایجاد شده است، یک الگوریتم اصلاح شده از PLS می‌باشد(دیجکسترا 2010، دیجکسترا و هنزلر 2015 الف و 2015 ب).

عدم وجود سازگاری[5] به این معنی است که برآوردهای PLS سنتی نمی‌توانند به مقادیر واقعی نزدیک شوند هنگامیکه اندازه نمونه افزایش می‌یابد. با PLSc، برآوردها مقادیر واقعی مجانبی را ارائه می‌کنند. PLSc سازگار، ضرایب مسیر، همبستگی‌های درون‌سازه‌ای و بارهای شاخص را در مدل‌های انعکاسی برآورد می‌کند. همچنین دیجیکسترا و هنزلر (2015 الف 299) در مطالعات شبیه‌سازی به این نتیجه رسیدند که PLSc ضعیف‌تر از روش SEM حداکثر درست‌نمایی کامل[6]( FIML) می‌باشد ولی مزیت‌هایی از نظر مدیریت داده‌های با توزیع غیر نرمال دارند.

معادلات ساختاری در PLS

برازش مدل در روش معادلات ساختاری با تکنیک PLSاز روش بوت استرپ و بدون در نظرگرفتن حجم نمونه و بحث توزیع متغیرهای تحقیق انجام می شود. این روش بیشتر مدلساز بوده و حتی برای پیش بینی استفاده می گردد.(فربد،1398). در ادامه با شاخص هایی که مدل PLS را تایید می کنند می پردازیم:

آلفای کرونباخ: مقدار این شاخص باید بزرگتر از 0.7 باشد تا پرسشنامه دارایی پایایی باشد.

در تحقیق انجام شده این شاخص برای کل پرسشنامه برابر 0.96 بوده که مورد تایید است.

روایی پرسشنامه با شاخص ضریب پایایی مرکب: این شاخص باید دارای مقدار بزرگتر از 0.5 باشد تا پرسشنامه دارای روایی باشد.

روایی پرسشنامه با شاخص AVE جذر میانگین واریانس: این شاخص باید دارای مقدار بزرگتر از 0.7 باشد تا پرسشنامه دارای روایی باشد.

روایی واگرا: عناصر روی قطر الی ماتریس همبستگی جذر میانگین واریانس هستند که مقدار آن برای هر ستون از اعداد زیر آن باید بزرگتر باشد.

الگوریتم PLS وزنی در smartpls3

الگوریتمPLSوزنی(WPLS)، آنگونه که توسط بکر و اسماعیل (2016) ارائه شده، یک نسخه اصلاح شده از الگوریتم مدل سازی مسیر PLSاصلی است که اوزان نمونه گیری را ترکیب می‌کند

برنامه های کاربردیPLS-SEM  معمولا بر روی پاسخ های تحقیق در مدیریت، علوم اجتماعی و تحقیقات بازار و محققانی که از  نمونه های جمع آوری شده خود برای ارزیابی پارامترهای جامعه استفاده می کنند، تمرکز دارند.  برای این منظور، نمونه باید نماینده جامعه باشد. با این حال، اعضای جامعه اغلب به طور مساوی به احتمال زیاد در نمونه گنجانده نمی شوند، که نشان می دهد واحدهای نمونه گیری احتمال متفاوت انتخاب شدن دارند از اینرو، هنگام ارزیابی پارامترهای جامعه، وزنهای نمونه برداری (بعد از طبقه بندی) باید برای دستیابی به برآوردهای سازگار استفاده شود.

تحلیل چندگروهی در PLS

تحلیل چند گروهی ( Multi- group Analysis) به زبان خیلی ساده مقایسه مدل بین چندگروه در نرم افزار SMART PLS می باشد.

تحلیل چند‌گروهی  PLS برای تعیین این استفاده می‌شود که آیا مدل PLS به‌طور معنی‌داری بین گروه‌ها متفاوت است یا خیر.
1-  آزمودن این که آیا بخش‌های تشکیل شده به‌وسیله FIMIX یا POS از یکدیگر تفاوت دارند یا خیر. اگر هیچ بخشی در ضرایب مسیر به‌طور معنی‌دار از سایر بخش‌ها متفاوت نبود، یک راه‌حل یک بخشی تضمین شده و الگوریتم PLS سنتی می‌تواند به‌کار رود.

ادامه مطلب