خسارت میلیاردی قطعی کارت‌خوان‌ها به فروشگاه‌ها؛ ورود هوش مصنوعی برای نجات تراکنش‌های حضوری

با ورود به مرکز مدیریت شبکه هر شرکت بزرگ، انبوهی از امکانات پایش و نظارت پیشرفته به چشم می‌خورد. نمایشگرهای بزرگ زمان پاسخ‌دهی API را با دقت میلی‌ثانیه می‌سنجند و مسیر حرکت دیجیتالی مشتری را از لحظه کلیک روی تبلیغ در گوشی هوشمند تا افزودن کالا به سبد خرید مجازی دنبال می‌کنند؛ روی کاغذ، به نظر می‌رسد بخش فناوری اطلاعات سازمان‌ها به آگاهی عملیاتی کاملی دست یافته است.

اما اگر حوالی ظهر یک روز شلوغ وارد مراکز خرید یا خیابان‌های تجاری شوید، این تصویر ایدئال بلافاصله رنگ می‌بازد. یک پایانه پرداخت در پیشخوان شلوغ یک کافه از کار می‌افتد، صف مشتریان تا بیرون در کشیده می‌شود و در حالی که کارمندان به ساعت‌های خود نگاه می‌کنند، صندوق‌دار بیهوده تلاش می‌کند دستگاه کارت‌خوان را راه‌اندازی مجدد کند.

در عرض چند دقیقه، خریداران دست خالی فروشگاه را ترک می‌کنند و مستقیماً به سراغ فروشگاه رقیب در آن سوی خیابان می‌روند. این در حالی است که در دفتر مرکزی شرکت، نمایشگرهای نظارتی وضعیت را کاملاً سبز و عادی نشان می‌دهند و از دید تیم فناوری اطلاعات، همه سامانه‌ها بدون هیچ نقصی در حال کار هستند.

این گسست اطلاعاتی، یکی از بزرگ‌ترین نقاط کور عملیاتی در تجارت حضوری امروز به‌شمار می‌رود. تنها در بریتانیا، اختلال در روند پرداخت سالانه حدود ۱٫۷ میلیارد پوند از فروش فروشگاه‌ها را در معرض خطر قرار می‌دهد. هنگامی که تراکنش‌ها در ساعات اوج خرید متوقف می‌شوند، آن بخش از درآمد برای همیشه از دست می‌رود و دیگر قابل جبران نیست.

این نقص‌ها به‌ندرت ناشی از خرابی زیرساخت ابری مرکزی هستند؛ در بیشتر موارد، مشکل از قطع انتقال داده‌های تشخیصی در همان نقطه فیزیکی حساسی رخ می‌دهد که مبادله پول در آن انجام می‌شود.

چرا امنیت پرداخت به ایجاد نقاط کور منجر می‌شود؟

برای درک اینکه چرا تجارت حضوری دچار چنین بی‌خبری عملیاتی شده است، باید تلاقی الزامات امنیتی و ابزارهای نظارتی سنتی را بررسی کرد. سال‌هاست که پایش عملکرد برنامه‌ها یا همان APM، استاندارد طلایی شفافیت عملیاتی برای سازمان‌ها بوده است. این پلتفرم‌ها در محیط‌های ابری باز که عامل‌های نرم‌افزاری می‌توانند اجرای کد را دنبال و داده‌ها را در میان میکروسرویس‌های توزیع‌شده بررسی کنند، عملکرد درخشانی دارند.

با این حال، زیرساخت‌های فیزیکی پرداخت با محدودیت‌های کاملاً متفاوتی دست‌وپنجه نرم می‌کنند. استاندارد امنیت داده صنعت پرداخت کارت، موسوم به PCI DSS، برای محافظت از اطلاعات دارندگان کارت، جداسازی شدید شبکه را الزامی کرده است؛ به همین دلیل، نرم‌افزارهای صندوق‌های فروشگاهی، برنامه‌های پرداخت و دستگاه‌های کارت‌خوان و صفحه‌کلیدهای امن رمزبندی به‌صورت هدفمند در زیرشبکه‌های رمزگذاری‌شده و ایزوله قفل می‌شوند.

هرچند این معماری از منظر امنیت غیرقابل مذاکره است، اما یک بن‌بست عملیاتی ایجاد می‌کند. از لحظه‌ای که تراکنش از شبکه استاندارد سازمانی خارج می‌شود و از مرز امنیتی مقررات عبور می‌کند، اشراف و پایش متوقف خواهد شد. با عبور سیگنال از سخت‌افزارهای محلی، روترهای فروشگاه، درگاه‌های واسط و بانک‌های پذیرنده، ابزارهای معمول فناوری اطلاعات دیگر قادر به ردیابی آن نیستند.

تیم‌های مرکزی معمولاً زمانی از قطعی آگاه می‌شوند که مدیران فروشگاه‌ها تیکت‌های پشتیبانی را به‌صورت دستی ثبت کنند، یا اینکه گزارش‌های تسویه حساب دسته‌ای، ساعت‌ها بعد به دست تیم عملیات برسد.

هزینه سنگین بازه طلایی هفت‌دقیقه‌ای

تیم‌های پشتیبانی فناوری اطلاعات حل مشکلات را با ساعت می‌سنجند، اما مشتریان حاضر در فروشگاه میزان صبر خود را بر حسب ثانیه اندازه می‌گیرند. پژوهش‌های مرتبط با رفتار مصرف‌کنندگان نشان می‌دهد که صبر خریداران در هنگام بروز اختلالات فروشگاهی، سقف مشخصی در حدود هفت دقیقه دارد و به محض اینکه تاخیر پرداخت از این آستانه عبور کند، مشتری خرید خود را به‌کلی رها می‌کند.

این بازه محدود هفت‌دقیقه‌ای را با چرخه استاندارد یک اختلال در حوزه فناوری اطلاعات مقایسه کنید؛ شناسایی و رفع یک اختلال پرداخت به‌طور میانگین بیش از ۶۰ دقیقه زمان می‌برد. تا زمانی که مدیر کشیک با واحد پشتیبانی تماس بگیرد، تیکت به صف مهندسان ارجاع داده شود و تحلیل‌گران درگاه‌های شرکت‌های ارائه‌دهنده را برای یافتن ریشه نقص بررسی کنند، زمان طلایی اوج فروش به پایان رسیده است.

در دورانی که استفاده از پول نقد به‌شدت کاهش یافته و مشتریان انتظار پرداخت‌های بدون تماس و بی‌دردسر دارند، تکیه بر بررسی‌های پس از حادثه و گزارش‌های گذشته‌نگر، پیامدی جز از دست رفتن قطعی درآمد ندارد.

ارائه داده‌های تشخیصی پرداخت به‌صورت لحظه‌ای

حل این مشکل نیازمند دگرگونی در معماری است؛ حرکتی از استخراج دیرهنگام لاگ‌ها پس از وقوع حادثه به سمت جریان داده‌های تشخیصی درلحظه. نکته کلیدی در این میان آن است که پایش سلامت تراکنش هیچ نیازی به افشای اطلاعات حساس کارت مشتری ندارد و معماری سازمانی باید داده‌های مالی تحت نظارت را به شکلی تمیز از متاداده‌های عملیاتی تفکیک کند.

در حالی که بسته اطلاعاتیِ حاوی شماره کارت در لایه امنیتی باقی می‌ماند، متاداده‌های عملیاتی از جمله کدهای پاسخ درگاه، زمان تبادل اولیه سیگنال‌ها، وضعیت سخت‌افزارهای جانبی و تأخیر شبکه محلی می‌توانند با حفظ کامل امنیت استخراج شده و به‌صورت لحظه‌ای ارسال گردند.

با تبدیل هر فرایند کشیدن، نزدیک کردن یا وارد کردن کارت بانکی به یک جریان داده عملیاتی، تیم‌های مهندسی دیدگاهی یکپارچه از ابتدا تا انتهای مسیر تراکنش به دست می‌آورند؛ بدین ترتیب، مهندسان پایداری سامانه سرانجام می‌توانند سلامت پیشخوان‌های پرداخت فیزیکی را با همان دقت و جزئیاتی که در برنامه‌های ابری به کار می‌برند، زیر نظر بگیرند.

بهره‌گیری از هوش مصنوعی برای اصلاح خودکار اختلالات

ارسال لحظه‌ای داده‌های تشخیصی دید لازم را فراهم می‌کند، اما تحلیل انسانی به‌تنهایی توان همگامی با حجم تجارت مدرن را ندارد. در ساعات شلوغ روزهای تعطیل، زیرساخت پرداخت یک شرکت ممکن است ده‌ها هزار تراکنش را در هر دقیقه در میان صدها شعبه توزیع‌شده پردازش کند.

افت نامحسوس عملکرد، برای نمونه بروز یک نقص جزئی در سفت‌افزار دستگاه که باعث شود ۱۰ درصد پرداخت‌های بدون تماس با خطای انقضای زمان مواجه شوند، برای اپراتور انسانی غیرقابل تشخیص است.

اینجا همان نقطه‌ای است که هوش مصنوعی و پایش در لبه شبکه می‌توانند نقشی تعیین‌کننده ایفا کنند. مدل‌های یاد‌گیری ماشین به‌جای وابستگی به هشدارهای ثابتی که تازه پس از وقوع یک خرابی فاجعه‌بار فعال می‌شوند، به تحلیل مداوم نمودارهای سرعت، توزیع تاخیر پایه و الگوهای وضعیت تراکنش‌ها می‌پردازند.

هنگامی که افت کارایی آغاز می‌شود، ابزارهای هوش مصنوعی می‌توانند با تفکیک سریع علت ریشه‌ای، بلافاصله تشخیص دهند که آیا تاخیر ناشی از افت شبکه داخلی فروشگاه است، کارت‌خوان دچار خرابی سخت‌افزاری شده یا درگاه بانکی با مشکل مواجه است.

مهم‌تر از آن، این هوشمندی امکان ترمیم کاملاً خودکار و بدون نیاز به دخالت انسان را فراهم می‌سازد. سامانه در هماهنگی با پلتفرم‌های هوشمند مدیریت پرداخت می‌تواند ترافیک تراکنش‌ها را از پردازشگر معیوب به مسیری جایگزین هدایت کند، بدون آنکه مشتری متوجه کمترین وقفه‌ای شود؛ حتی اگر ارتباط فروشگاه به‌طور کامل قطع گردد، معماری لبه می‌تواند پایانه‌ها را بدون ایجاد اختلال به حالت امن ذخیره و ارسال بعدی منتقل کند.

خرده‌فروشان حضوری تاب تحمل نقاط کور عملیاتی را ندارند. مدیران فناوری با تلفیق داده‌های تشخیصی ایمن از نظر حریم خصوصی و هوشمندی مبتنی بر هوش مصنوعی، می‌توانند شکاف میان زیرساخت‌های پشتیبان و جریان درآمد فروشگاهی را از بین ببرند و تضمین کنند که حتی در شلوغ‌ترین ساعات نیز صف‌های پرداخت بدون توقف به کار خود ادامه می‌دهند.