预测分析金融 - 应用现状与趋势

• Teradata声称，他们可以构建和开发企业级解决方案，在其中，使用机器学习算法收集、清理、分析和呈现客户信息等原始数据。
• 银行的欺诈检测团队可以使用该软件的仪表板查看异常交易的警报。
• 这些警报然后通过银行的欺诈检测团队的人力分析师进一步调查，以确定是否在特定的警报事件有欺诈行为的一个实例。

有了这个程序，分析师或银行员工可以上传或集成数据集，并为它们分配诸如“账单支付”或“信用卡应用程序”之类的标签。

从那里，根据Teradata的Youtube播放列表，用量少，数据科学体验银行职员就可以使用该程序请参见“路径”相关的数据的集合。当他们登录到网站，他们可以单击路径领域，并得到一个下拉的各种数据集的标签或银行主题菜单。该程序，根据Teradata的，分析统计，并示出了穿过的可视图像个体的活性“路径”。

这个路径包括其中的银行客户的各种银行业务操作的银行客户或团体发生的标签。例如，如果一个银行家感兴趣的是看到什么导致用户注册使用信用卡，他们可以搜索在Teredata站点相关的路径。该平台可以生成一个路径说，有人去了信用卡的形式，然后联系客户支持，并签署了或没有注册的信用卡。

Teredata声称，该软件还可以使用这些路径给一个用户预测见解上的其他议题，例如表明可能意味着欺诈他们的路径。

以下5分钟的视频演示了Teradata的指导分析程序如何用于分析网上银行数据：

在从Teradata的案例研究，该公司声称，北欧丹斯克银行利用其分析平台更好地识别和预测欺诈案件，同时减少误报。

该研究指出，Danske需要找到一种更好的方法来检测欺诈，因为他们传统的基于规则的引擎的欺诈检出率很低，只有40%，而且每天有近1200个假阳性。据该公司称，超过95%的调查案例没有发现欺诈行为。

世行现有系统具有与Teradata项目中提到的类似的用户交互过程，但成功识别欺诈的几率要低得多。

根据这项研究，丹麦实施了“升级”诈骗预测和检测分析平台。Teradata的说，他们协助银行与升级其旧机器学习模型能够在多种渠道，包括移动交易识别欺诈的深入学习预测模型。

相关案例研究指出,第一个在Teradata数据科学家的工作与员工丹麦客户交易等收集和清洗任何现有数据和位置和建立的数据管道现有和新兴的数据集将确保进入人工智能的“合适”的数据平台。

Teradata的声称，丹麦部署了深刻的学习软件，可以生成和比较许多不同型号的基础上，如客户的地理位置或近期ATM交易数据的欺诈检测。这表现最好在识别客户和交易数据的异常方面的模型被选为未来模型迭代潜在路线图。

Teradata指出，该系统不是完全自主的。根据这项研究，虽然它可以识别交易数据中的异常，但这些检测结果必须由人工分析人员认定为欺诈行为。例如,该平台可以识别异常作为客户的借记卡购买开始发生在世界各地,但通知人类分析师必须调查如果这是一个欺诈的情况下,或者如果客户在线购买,发送付款到中国购买而在伦敦度假。

经过5个月的建立和整合期，Teradata声称，在减少检测到的异常中的误报方面，他们的深度学习模型能够显著优于Danske现有的基于规则的引擎和机器学习模型。下图显示了该产品的公司业绩：

减少误报可能是一些公司增强用户体验的重要方式。当客户不必担心他们的合法交易被认定为欺诈时，他们与公司品牌的合作可能会比我们之前谈过的更加友好赛德这他是欧洲银行联盟(European Banking Federation)的首席政策官，在我们的播客中，他谈到了商业领袖在人工智能方面应该关注哪些方面，人工智能在银行业. 当被问及哪些能力对未来至关重要时，德布劳尔说，

“我们坚信，AI将有确实对银行业变革性的影响......最重要的方面是肯定，它会改变，希望增强客户体验。So that’s already a very important element I think for the banks who will succeed, and that is of course interactivity with the clients, because this should allow [banks to use interactivity data to create better offerings.] … One activity where many banks are looking at is investment advisory or recommendations. I think that is certainly an area where no big players are looking very seriously at AI [as a solution.] … This may also expand the client segments that would have access to those kinds of services.”

除了谷歌的校友Ron Bodkin的经验，该团队的首席数据科学家，杰克McCush曾在密苏里哥伦比亚大学获得统计学硕士学位和经济学及统计学双硕士学位。

Teradata还声称曾与马士基、威瑞森、西门子、宝洁等公司合作过。

信用卡违约风险管理

DataRobot

DataRobot是一家总部位于波士顿的初创公司，成立于2012年。这家拥有400多名员工的公司声称通过其自动化的机器学习平台。

当银行员工或贷方登录时，他们会看到一个数据仪表板，其中显示了列和单元格，以及他们希望监视的关键方面。仪表板还能够以各种图形格式显示洞察和趋势。用户还可以搜索和查看与申请贷款的人及其贷款申请相关的特定数据，以确定他们是否应该获得批准。

据DataRobot称，其服务旨在预测贷款风险（信用违约率）或识别支付交易中的异常情况，以便进行欺诈检测。例如：

• 美国银行（美银），DataRobot的客户之一，可能会借钱给客户的贷款或信用卡并促进业务增长的手段增加这些贷款的价值和数量的形式。银行可能需要一个可扩展的策略，预测大量的申请者中违约的可能性（风险）。
• 该行的贷款经理可能会使用DataRobot平台，通过仪表盘了解新客户的贷款违约风险。
• 人工智能平台通过使用历史贷款还款记录和其他数据(如社交媒体数据)进行训练，以找出可能导致客户拖欠信用卡付款的模式。DataRobot声称他们的平台也可以清理和解析原始数据，尽管用户也可以使用第三方数据清理工具，如Trifecta(见下面的视频)
• 然后，贷款经理可以使用仪表板查看具有高违约风险的应用程序，从而加快贷款审批过程。
• 美国银行可能会使用DataRobot的预测分析平台，通过分析对现有的借款人违约率的历史数据来预测默认为新的借款人的风险。通过这些预测模型集成到他们的贷款审批，银行可能会扩大自己的贷款业务，同时管理涉及的风险，根据DataRobot。

下面是一个1分钟的视频，其给出了企业如何可以用DataRobot的利用他们内部的数据演示自动化机器学习&预测建模软件:

从我们的初步研究中我们发现一些使用情况从DataRobot预测分析在金融科技应用。