如今,客户通过几个不同的渠道与银行和金融机构互动,导致这些机构收集的客户数据激增。使用人工智能,可以有效地利用这些数据来洞察当前和未来的客户行为。
有有很多例子金融机构instating创新中心专注于人工智能机器学习利用他们的数据的“羽毛”。这个历史暗示,银行和金融机构可能需要获得技术技能,以创造更好的产品和定制的经验,可以潜在地增加收入和降低成本。
预测分析就是这样一个AI应用程序,从而帮助银行优化他们的流程,同时降低成本部署和资源。在这篇文章中,我们将通过在空间的使用案例,从公司突出了预测分析在金融四个应用程序。我们细分这些应用程序为:
- 欺诈检测和减少假阳性:使用预测分析挑上微小的差异进行交易,以确定其合法性
- 管理信用卡违约风险:当信用卡持有人不偿还债务时,可能会发生违约率。
- 建模客户终身价值:对未来与客户和银行的关系所产生的净利润的预测。
有关预测分析等人工智能应用程序如何帮助金融机构和银行继续创新的更多信息,下载行政摘要我们的人工智能银行供应商记分卡和能力地图报告。
我们从Dataiku的欺诈检测解决方案开始探索金融机构的预测分析应用。
欺诈检测和假阳性降低
Dataiku
Dataiku该公司成立于2013年,声称已开发出机器学习技术,用于以多种格式分析原始数据(如特定产品的历史交易或零售领域的销售互动记录),旨在建立预测数据模型。该公司声称,他们的软件可以帮助企业预测和发现原始数据中的关系,从而提高效率,降低运营成本。
例如,由于银行业严格的规定,主要银行,如富国银行,产生大量的客户交谈,交易数据,营销活动,社交媒体内容和网站管理的形式原始数据。有了这个过程:
- 银行的营销经理或内部欺诈检测团队可以通过指示板获取Dataiku软件的预测分析洞见,指示板会提示员工通知或交易数据中的异常情况。
- 随着检测,该公司声称它的软件能够收集,净化和分析原始数据,对客户获得可操作的见解,如:
- 社会媒体内容和活动销售之间的关系可能被识别,以了解客户趋势和预测未开发的市场细分。
- 国际间传输交易数据和客户交互数据的模式可能有助于识别银行欺诈并允许银行制定进一步的预防政策。
当一个用户登录数据系统,他们可以上传或集成平台组织的数据。据该公司称,这些数据以电子表格的形式显示,并且是有组织的。软件会将特征与数据关联起来。例如,该公司表示,它可以注意到特定数据是与男性或女性客户相关,还是与某个年龄段的客户相关。为了进一步组织和识别可能丢失数据的位置,每个列(例如一个显示年龄或性别的列)的顶部都有一个小比例表,让用户了解在该列中发现了多少丢失值。
从那里,用户可以单击每个列的标题,以查看数据可视化选项,这允许用户以图表或图形的形式查看这些数据。它们还可以生成交叉引用不同列的图形。如果用户怀疑存在异常数据,程序还有一些选项,可以提示用户如何纠正异常数据并进一步训练程序。
下面是一段来自Dataiku的4分钟演示视频,展示了企业如何在预测分析平台上查看、编辑、监控原始数据并从中获得见解:
在2017年的一项案例研究, Dataiku声称曾与BGL法国巴黎银行(总部位于卢森堡)合作,为该银行现有的欺诈检测系统进行升级:
据Dataiku,BGL巴黎银行为欺诈检测前机器学习模型,无法获得的数据项目和数据的科学资源(策划数据和科学的工程师谁可以在整个团队积极组织银行的数据收集数据)的限制
BNP使用Dataiku DSS据该公司称,为了确保银行收集的所有数据、客户的交易、客户的地理位置、国际资金转移和其他操作在整个公司内都可以方便地访问。
根据案例研究,该项目耗时8周完成,涉及来自欺诈部门的数据分析用户(如BNPs数据安全或欺诈检测团队)和来自BGL法国巴黎银行数据实验室的数据科学家,以及来自Dataiku的数据科学家。
Dataiku声称,在8周后,BGL法国巴黎银行能够以欺诈预测的合理准确性启动新的欺诈预测项目。在撰写本文时,还没有关于这种协作的可度量结果的进一步细节。
作为这个项目的成果,Dataiku说BGL法国巴黎银行可能已经获得了通过利用他们的数据来测试新的AI用例的能力(在两到三周内)。Dataiku声称,在第一个欺诈预测原型之后,BNP已经开始了另外三个数据科学项目。
170多名员工的公司的数据科学副总裁路易斯菲利普,拥有法国格勒诺布尔理工学院运筹学博士学位。这个公司索赔曾与AXA、欧莱雅、Bechtel、Webbmason、Urban Insights等客户一起参与预测分析项目。
Teradata
Teradata始建于1979年在圣地亚哥,目前拥有超过14,000名员工。在2014年,Teradata获得了Think Big Analytics,由谷歌应用人工智能技术总监罗恩·博德金创立。Teradata已经开始提供他们所宣称的基于人工智能的高级分析平台。据该公司介绍,该软件可用于媒体、金融服务和医疗保健等多个行业。
从它的视频教程,Teradata数据似乎更适合数据的科学家,但可以个性化,收集和整理各种数据。对于银行:
- 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。
在处理佳洁士金融DataRobot表示,他们使用预测分析法对信用违约率进行了更为详细的预测,这是一项“无需信贷”的租赁,向自己的公司提供高达5000美元的小额贷款,并立即获得批准。
- 为了预测违约率,Crest的两名数据科学家团队使用客户提供的信息和其他数据,比如从信用记录或背景调查中收集的租金和公用事业支付历史记录,作为内置的机器学习模型的输入。
- 根据案例研究,由于Crest团队是手工构建和测试机器学习预测模型的,这个过程通常需要几个月的时间,还会面临几次部署延迟。
- Crest测试了DataRobot平台的一个演示,以了解与他们的数据科学团队的努力相比,该平台的效率可能要高得多。在一次成功的测试之后,DataRobot声称,他们的软件创建的风险模型在部署后的第一个小时内,比Crest的数据科学团队一个月的工作进展更准确。
- DataRobot声称,在整合了他们的平台之后,Crest成功地识别出了高风险和高度竞争市场中的客户,发现了可能存在欺诈的客户交易中的异常情况,并预测了贷款申请人违约的可能性。
DataRobot目前的联合创始人兼首席技术官汤姆·德·戈曾获得b在物理和数学女士从马塞诸斯州大学的洛厄尔,还担任高级主任研究和建模旅行者保险虽然我们无法确定任何DataRobot领导团队的特定AI以前项目的经验。
一些DataRobots客户包括医疗软件公司Evariant和DonorBureau,非营利空间启动。
客户生命周期价值建模
RapidMiner
总部位于波士顿的RapidMiner该公司成立于2007年,声称提供一种软件,可以帮助数据科学团队开发行业银行、医疗保健和汽车等领域的预测模型。
该公司声称正在使用人工智能在定价优化、预测客户生命周期价值和欺诈检测等领域进行预测分析。它们关于预测客户生命周期价值的用例指出银行可利用其平台:
- 根据客户的历史事务数据预测客户的生存期价值。
- 找出客户提供高长期价值,并根据客户的类型提示营销方案。
- 确定然后可以用于预测是否有新的客户可能属于这一类理想的长期客户的个人资料“。
- 帮助将银行的成本和努力导向客户,使其在未来可以继续与银行合作,并减少与低终身价值客户打交道的时间。
银行可以将RapidMiner分析平台与他们现有的企业销售系统(如CRMs)集成在一起。然后,银行中的客户服务代表可以使用RapidMiner仪表板查看所有客户的生存期价值,并对生存期价值更长的客户进行优先排序。
下面是一个来自RapidMiner的3分钟视频演示,演示了RapidMiner Studio的用户界面和产品扩展如何被用于构建预测模型。
虽然我们找到了证据多个案例研究从RapidMiner包括与贝宝合作对于情感分析的应用,我们可以找到RapidMiner在银行和金融部门没有强大的个案研究。
到目前为止,公司已经筹集了3600多万美元的资金,但是我们没有发现RapidMiner领导团队之前的AI项目或学术经验的明确证据
RapidMiner声称有工作比如奥地利的移动电话服务提供商Mo-bilkom Austria和PayPal。
结论
关键主题:
从我们的研究中,我们能够对金融领域中最常见的人工智能预测分析应用进行如下分类:
- 欺诈检测和预测对金融机构和银行。
- 预测客户是否可以拖欠贷款或信用卡付款。
- 预测客户的行为,以最大限度地提高公司的对客户资源的分配可能会在其生命时间提供最大的投资回报率
- 利用客户和市场数据优化金融产品和服务的定价
在进入预测分析项目之前,金融业的商业领袖可能需要知道什么
- 预测分析会要求确保全公司的数据政策走向使数据容易获得,以及建立一个管道,继续简化数据收集过程与Dataiku用例看到对齐。
- 的预测分析平台的整合也需要财政领域专家工作协同数据科学家为了得到更精确的模型。
- 如同DataRobot使用情况定制AI平台整合可能会持续三到五个月通常和模型可能仍需要进行微调,精度远远超出了时间表。
- 在大多数情况下,这样的Teradata的,人类分析师仍然将成为这一进程的关键部分在金融预测分析的大多数应用程序在未来两到五年,虽然它的使用有可能成为那个时期相当普遍。
标题图片来源:中小企业融资论坛