اثر هوش تجاری بر عملکرد مالی بانک‌های ایران (با تأکید بر شاخص‌های سلامت مالی بانک‌ها)

نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد گروه مدیریت بازرگانی، واحد ملایر، دانشگاه آزاد اسلامی، ملایر، ایران

2 استادیار گروه پولی و ارزی، پژوهشکده پولی و بانکی، بانک مرکزی جمهوری اسلامی

چکیده

کلید موفقیت تجاری برای بسیاری از بانک‌ها، استفاده صحیح از داده‌ها جهت اخذ تصمیمات بهتر، سریع‌تر و بدون نقص می‌باشد. بانک‌ها برای رسیدن به این هدف نیازمند استفاده از ابزارهای قوی و کارآمد مانند هوش تجاری به‌عنوان کاتالیزور مثبت هستند که می‌تواند این مؤسسات را در مکانیزه نمودن وظایف تحلیل، تصمیم‌سازی، تدوین استراتژی و پیش‌بینی یاری رساند. به‌عبارتی، هدف استفاده از هوش تجاری در این نهادها، گردآوری، پردازش و تحلیل حجم وسیعی از داده‌ها و تبدیل آن‌ها به ارزش تجاری مؤثر در تصمیم‌گیری از طریق ایجاد بستر گزارشات هوشمند تحلیلی است. لذا این مطالعه به‌دنبال پاسخ به این پرسش است که آیا عملیاتی کردن هوش تجاری و بهره‌گیری از کاربردهای آن می‌تواند زمینه افزایش عملکرد مالی بانک‌های ایران را فراهم کند؟ برای انجام این تحقیق ابتدا باید هوش تجاری به‌صورت شاخص کمی تعریف شود. برای کمی نمودن هوش تجاری از تحلیل مؤلفه‌های اصلی براساس رویکردهای ویکسوم و همکاران (۲۰۰۸) استفاده شد. از سوی دیگر، بازده دارایی، بازده سرمایه، نسبت وام به دارایی و نسبت هزینه به درآمد به‌عنوان نماینده‌ای از شاخص‌های سلامت مالی بانک‌ها برای بیان عملکرد مالی بانک‌ها مورد استفاده قرار گرفت. جامعه آماری در این تحقیق، جامعه آماری در این تحقیق شامل ۳۰ بانک­ ایران اعم از دولتی، خصوصی، تخصصی و بانک‌های خصوصی شده است. یافته‌های تحقیق نشان می‌دهد هوش تجاری در دوره زمانی ۱۳۸۵-۱۳۹۳ با تواتر سالیانه بر بازده دارایی و نسبت وام به دارایی اثر مثبت و معنی‌دار داشته و همچنین با یک‌سال وقفه زمینه افزایش بازده سرمایه را فراهم می‌آورد. از سوی دیگر، این فناوری می‌تواند نسبت هزینه به درآمد را کاهش دهد.

کلیدواژه‌ها


عنوان مقاله [English]

The Effect of Business Intelligence on Financial Performance of Iranian Banks

نویسندگان [English]

  • Behnoush Zarei 1
  • zhaleh zarei 2
2 Faculty member of the central bank's Monetary and Banking Research Institute
چکیده [English]

Goal: Business Intelligence systems couple operational data with analytical tools to produce information of competitive value for planners and decision makers. These systems can handle huge amounts of information and are capable of identifying information to develop new opportunities. Thus competitive market advantage and effective strategy insight are gained by implementing Business Intelligence based systems.
Methodology: So that, studies show that benefits Business Intelligence bring to companies: faster and more accurate reporting, an improved decision-making process, improved customer satisfaction, increased revenues, savings in IT; and savings in other areas (in addition to information technology). In addition, the benefits of Business Intelligence as: an increase in revenue, an increase in profit, improved customer satisfaction, a reduction of costs, and an increase in market share. However, very few studies have empirically evaluated these assertions theoretically and a dearth of studies exists in the literature when it comes to empirical evidence to ascertain some of these claims of Business Intelligence systems benefits.
On the other hand, Contemporary banks face challenges such as fierce competition, a highly dynamic market, the necessity of strict control, varying client demands and risk management are only some of the features of the business environment where modern banks conduct their operations. In addition, concerns such as suppression and detection of fraud, risk management, customer management, loss prevention and product management, are some of the primary problems of financial institutions.
In recent years, banks strive to adopt diverse forms of Business Intelligence tools to curtail the challenges they face. Some of the areas Business Intelligence covers in the bank include: “Customer Relationship Management (CRM), Performance Management (PM), Risk Management (RM), Asset and Liability Management (ALM), and Compliance”. Online analytical processing (OLAP) and data warehouse are used for the informational basis for the application of Business Intelligence in the banks, whilst data mining and knowledge retrieval handle “complex statistical analysis discovering hidden relationships between data and forecasting the behavior trends of business systems”.
Iranian’s banking industry is undergoing through a phase of major transformation, with entry of more players in an already competitive environment and as a result one common theme being seen across banks in Iran is increased Implementation of Business Intelligence and analytics to drive their overall profitability, competitiveness, performance management and risk management. This study wanted to answer this question, “Are the banks that have implemented Business Intelligence systems really benefitting from these reported benefits? Is it true that Business Intelligence systems can improve the banks financial performance”?
So, this study examines the effect of Business Intelligence on financial performance of banks in Iran over the period 2006-2015.
The data is collected from Financial Statements Analysis of Iranian banks Sector.
Results: This study has chosen to use Principal component analysis (PCA) method and panel data regression models as a quantifiable measure to assess the Business Intelligence index and then, its effects on financial performance of Iranian banks respectively.
Independent variable used in this research is Business Intelligence and dependent variables used are Return on assets (ROA), Return on equity (ROE), loans to assets ratio and cost-to-income ratio that they are proxy variables of financial soundness indicators.
In this study, Business Intelligence index (independent variable) calculated on according to Wixom (2008) study to use of 4 variables. These variables are information technology, human resource, customers and competitors.
Findings show that, Business Intelligence has positive and significant effect on banks' Return on assets (ROA), loans to assets ratio and first lag of Return on equity (ROE). Also, Business Intelligence can decrease cost-to-income ratio of banks after year.
Conclusion: Practically, this study has shown that the adoption of Business Intelligence systems can have both financial and nonfinancial effects on banking performance. This has provided an insight to managers and policymakers that in evaluating the effects Business Intelligence systems, they should take a comprehensive approach and consider both the financial and non-financial aspects due to the intangibility of some of the benefits. In addition, it is recommended that bank managers should also encourage the use of Business Intelligence systems in all their operations which with time can translate to the financial gains of the banks. Then, banks can use of this technology for Improvement financial performance. That's while, only 3 banks use Business Intelligence in Iran. 

کلیدواژه‌ها [English]

  • Business Intelligence
  • Financial Soundness Indicators
  • Financial Performance
  • Information Technology

ترابی، روزبه (۱۳۹۴). هوش تجاری با تأکید بر بازاریابی، گسترش ارتباطات بین‌المللی، فرصت‌ها و چالش‌ها، پنجمین همایش بانکداری الکترونیک و نظام‌های پرداخت، پژوهشکده پولی و بانکی بانک مرکزی جمهوری اسلامی ایران.

کریم‌خانی، فرهاد (۱۳۹۱). هوشتجاریومدیریت فرایندکسب‌وکاردرعملیات بانکی، اولین همایش ملی فناوری اطلاعات و شبکه‌های کامپیوتری دانشگاه پیام نور واحد طبس، ۱-۱۰.

محقر، علی؛ کارلوس، حسینی؛ فرید، منشی و عاصف، علی (۱۳۸۷). «کاربرد هوش تجاری به‌عنوان یک تکنولوژی اطلاعات استراتژیک در بانکداری: بازرسی و کشف تقلب»، نشریه مدیریت فناوری اطلاعات، 1: ۱۰۵-۱۲۰.

زارع چاهوکی، محمدعلی و بی‌همتا، محمدرضا (۱۳۹۴). اصول آمار در علوم منابع طبیعی، مؤسسه انتشارات و چاپ، دانشگاه تهران، ۳۵۰.

نصرتی، شیرین (۱۳۹۴). «نقش هوش تجاری بر بهره‌وری صنعت بانکداری ایران»، کنفرانس بین‌المللی مدیریت، اقتصاد و سیستم مالی دوبی، صفحات ۱-۱۱.

Chang, E.; Hussain, F. and Dillon, T. (2006). Trust and reputation for service oriented environments: technologies for building business intelligence and consumer confidence. John Wiley & Sons.

Chen, H.; Chiang, R. H. and Storey, V. C. (2012). “Business Intelligence and Analytics: From Big Data to Big Impact”. MIS quarterly, 36(4): 1165-1188.

Davenport, T. H. (2012). Business intelligence and organizational decisions. Organizational Applications of Business Intelligence Management: Emerging Trends: Emerging Trends, 1.

Evelson, B. and Norman, N. (2008). Topic overview: Business intelligence. Forrester research, 61.

Huang, Z.; Chen, H.; Hsu, C. J.; Chen, W. H. and Wu, S. (2004). “Credit rating analysis with support vector machines and neural networks: a market comparative study”. Decision support systems, 37(4): 543-558.

Kimball, R. and Ross, M. (2010). The Kimball Group Reader: Relentlessly Practical Tools for Data Warehousing and Business Intelligence. John Wiley & Sons.

Moro, S.; Cortez, P. and Rita, P. (2015). “Business intelligence in banking: A literature analysis from 2002 to 2013 using text mining and latent Dirichlet allocation”. Expert Systems with Applications, 42(3): 1314-1324.

Moss, L. and Hoberman, S. (2004). The importance of data modeling as a foundation for business insight. Teradata, available at http://www. teradata.com/white-papers/The-Importance-of-Data-Modeling-as-a-Foundation-for-Business-Insight-eb4331.

Ngai, E. W. T.; Hu, Y.; Wong, Y. H.; Chen, Y. and Sun, X. (2011). “The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature”. Decision Support Systems, 50(3): 559-569.

Palshikar, G. K. (2002). “The hidden truth–frauds and their control: a critical application for business intelligence”. Intelligent Enterprise, 5(9): 46-51.

Skriletz, R. (2002). New directions for business intelligence. Information Management.

Turban, E.; Sharda, R. and Delen, D. (2011). Decision support and business intelligence systems. Pearson Education India.

Turban, E.; Sharda, R.; Aronson, J. E. and King, D. (2008). Business intelligence: A managerial approach. Upper Saddle River, NJ: Pearson Prentice Hall.

Ubiparipović, B. and Đurković, E. (2011). “Application of Business Intelligence in the Banking Industry”. Management Information System, 6(4): 23-30.

Ubiparipović, B. and Đurković, E. (2011). “Application of Business Intelligence in the Banking Industry”. Management Information System, 6(4): 23-30.

Wixom, B. H.; Watson, H. J.; Reynolds, A. M. and Hoffer, J. A. (2008). “Continental airlines continues to soar with business intelligence”. Information Systems Management, 25(2): 102-112.