我和坐台女的那些事不可否认的是，在时代飞速变迁的当下，银行对客户的服务没有跟上。移动互联网时代，仍然手机银行、直销银行，而在移动互联网生态中完全缺位，难觅身影。虽然各类互联网服务底层仍然是银行账户，但是银行与客户的触点已经被互联网企业截断，银行对客户的认知由一笔笔带着场景的刷卡交易，退化为千篇一律的动账数字。客户的几乎一切金融需求都可以在互联网上由非银行完成。
如何突围呢？如何将封闭的银行体系与互联网生态打通，为银行在互联网生态前线打下一片阵地？如何重新联通银行与客户，让银行拥有在互联网生态中直接接触客户的机会？如何让银行拥有了解客户需求的机会，知道客户是谁、客户在哪以及客户做了什么？
人工智能在金融行业的应用场景主要包括风控及反欺诈、精准营销、智能投顾和智能客服四个方面；其中，智能客服相对集中于NLP技术应用上，与金融并非强相关。
风控及反欺诈主要为机器学习算法。金融业常用的机器学习方法包括有监督学习和无监督学习。在信用风险控制方面，金融机构早已应用的逻辑回归等算法属于有监督机器学习范畴，虽然算法较为简单，但是在样本足够丰富的情况下，算法效果与神经网络等复杂算法相差不大，综合考虑成本及建模难度，目前逻辑回归等基础算法在金融业信用风险防范领域可说是主流算法。在欺诈风险防范领域，由于黑产手段变幻莫测，用已有的欺诈样本预防未来的欺诈难度较大，而运用聚类方式对欺诈者与普通用户进行区分更为有效，因此无监督机器学习算法应用更为广泛，主要包括欺诈网络分析、行为模式识别、离群点分析等。
精准营销通过对客户的行为数据进行收集、打标，对产品信息进行分类、匹配，精准营销可以有效挖掘探索客户潜在业务需求，建立机器学习机制，通过A/B Test方式智能调整推荐结果，在最合适的时机提供用户最需要的信息，为用户提供更加满意的购买金融产品的体验。
对账无论传统的银企对账，总分行、省联社及其分支机构的对账，还是在支付领域与卡组织、三方支付公司的对账，包括与人行大小额、超网等清结算机构之间的对账，向来都是最重要、也是工作量最大的环节之一。传统的银企对账，大多采用银行发送纸质账单，或企业网银发送电子账单，然后人工核对的方式进行，无专人负责、流程复杂，极易导致出错率高、效率低下等问题。将相关企业全部加盟链进行银企对账，账务在链上实时核对，可以有效解决以上问题。例如，总分行或省联社及分支机构的对账，涉及大量纸质凭证的核对。使用区块链技术，从源头开始上链，减少纸制凭证交换，可以大幅提高总分对账的效率。再如，支付领域的对账，现阶段通常采用对账文件交换T+1对账，发生差错以后再进行调账、退汇等手工操作，一个完整处理流程往往需要2?3个工作日。与清结算机构或三方支付公司同在一条联盟链上，实时共享一套账本，在发生超时等特殊情况时，链上各机构可以实时将本地账本与链上账本进行比对，及时处理差错，节省差错处理时间，减少资金在途时间，提高资金利用效率。
数据共享在高速发展阶段建立起来的数据共享和加工机制存在不少痛点和难点，这些问题在链上可以得到有效解决。一是信任问题。通过对链上数据溯源，可以查询到每个的上传机构，有效避免隐瞒或误报客户信用、虚构或夸大交易数据等情况发生。二是隐私及授权问题。运用区块链加密技术，可以在很大程度上是本人授权及真实意愿表达。三是数据溯源及贡献计量问题。运用区块链的Token及签名机制，企业上传数据越多，可以查询的数据也就越多，以此对企业实施有效鼓励。
供应链金融区块链2.0中的智能合约，可以有效防止参与方违约，非常适合多方参与的供应链金融。借由链上数据的可追溯性，从原材料加工到运输再到最终的销售环节，整个供应链上的交易都可被记录且难以，同时资金流向清晰可辨，使得信任能够沿着贸易流传递，不仅核心企业和一级供应商，二供应商也能获得授信。
2017年9月低调成立的融联易云，由于有原银监会牵头，16家金融机构子公司入股，被称为继银联、网联、信联之后的“云联”。目前银行等金融机构对云计算的运用主要有三种方式。
公有云Saas服务提供Saas服务的供应商涵盖身份认证、反欺诈、营销等领域。根据IDC的报告，全球Saas市场规模正以每年超过20%的速度增长。
数据中心私有云银行对私有云的尝试，最开始来自虚拟化。将物理服务器虚拟化为多台虚拟服务器，解决了传统运维当中很多痛点，如可以动态增加资源，回收闲置资源，快速安装系统及组件，克隆整套，等等，不过虚拟化在管理手段上相比私有云还是有所缺乏，并且会存在虚拟、物理并存的情况，反而有可能增加管理难度。而从Iaas层切入私有云，则可以更进一步，大大提升IT运维效率，规模越大，节省的成本越多，同时可以简化运维流程，降低操作风险，提升响应速度。
非核心业务试用公有云除办公系统外，开发测试也可尝试使用公有云，可以进一步提升申请、搭建的速度，节省数据中心运维人力。当然也要做好公有云的管理，如源码等文件不能上传，只能上传执行码，等等。此外，有的银行还尝试把灾备部署到公有云上，由于灾备使用频率极低，平时可以仅以最低配置运行，灾备切换时，也可短时间内分配大量资源，以服务平滑切换，快速接替生产的服务能力。
目前商业银行最需要的基础能力就是大数据。在互联网浪潮的冲击下，科技元素逐渐融入金融产品，银行对大数据的理解，也逐步从“大量的历史数据”“影音、语音数据”，深化为“用户行为数据”“埋点数据”“应用日志”等所有非结构化数据。大数据技术广泛应用于用户画像、精准营销、风控反欺诈、预警、人脸识别、语音识别等领域。此外，在践行普惠金融的过程中，金融机构开始获取到越来越多的弱征信甚至无征信客户，对于这部分客户，需要大量从场景中抓取非金融数据，并将之与金融数据结合，组合进行用户画像、信用评估、反欺诈和精准营销，极大地拓展了数据采集范围和应用领域，同时也对银行的数据处理和分析能力提出更高的要求。数据的重要性，已经在银行业被提到一个前所未有的高度，甚至在监管机构也是如此。2018年3月16日，银监会发布了《银行业金融机构数据治理征求意见稿》，从职责、问责机制、采集规范、隐私、安全、考核评价、审计报备等十个方面对银行业的数据治理提出了要求，监管机构对数据的重视程度可见一斑。
用户画像整个用户画像体系大体可分为：最底层的源数据层，存储了各渠道收集的用户数据，包括静态数据和动态数据（行为数据）；第二层的数据整合层，通过唯一ID将各渠道的用户数据进行统合，值得注意的是，ID不仅能够关联用户信息，还能够关联用户的所有设备信息；第三层的画像标签层，通过对用户数据加工并打上各类标签，最终形成用户画像。
逐步建立风控模型①外部数据的接入：现阶段银行对外部数据的选择，首先要评估供应商的资质以及数据来源的合规性，在此前提下接入尽可能多的外部数据，一方面可以防止单个数据源出现问题，另一方面可以在价格上选择最优组合。②利用外部数据打造信用矩阵：在数据合规要求越来越严格的今天，能够提供明细数据的供应商越来越少，更多机构提供的是经过加工的数据，甚至是数据经过多个指标计算加工后的评分。目前中国市场上的数据孤岛现象仍然严重，可以通过判断客户与某数据供应商客群的符合程度，相应赋予该供应商评分一个动态权重，结合多家供应商评分进行加权均值，理论上能够进行较好的信用评估。这个体系就是信用矩阵。③从专家模型到回归模型：在无样本的情况下建立基于有监督机器学习算法的信用评估模型比较困难，而无监督机器学习算法模型又不适用于信用评估。通常的做法是采用专家法建立较为简单的规则或评分卡，在业务开展一段时间后，通过积累违约样本，再建立回归模型。专家模型通常会参考经验指标，如学历、信用卡张数、最高额度、当前负债、信用历史、信用报告被查询次数等。随着坏样本的积累，逐步建立逻辑回归模型。
物联网对银行的日常经营管理和金融业务开展均有广泛的应用前景。随着物联网技术的深入发展，人与人、物与物、物与人、物与网络之间的连接将更加透明。物联网的深入发展必将进一步推动整个社会的数字化，而整个社会的数字化将为银行业务的发展提供更的基础。银行利用物联网和物联网技术，可以更有效地获取并整合与企业或个人有关的物流、信息流、资金流等信息，进行实时准确的识别、管理和控制，从而更有效开展金融业务。
网友评论 ()条 查看