九州体育娱乐

波士顿咨询资深顾问孙中东:金融科技赋能银行的路径与方式

移动支付网络2011.7.29我想分享

image.php?url=0MlsxGojhJ

不可否认的是,银行对客户的服务跟不上时代的快速变化。在移动互联网时代,移动银行和直接银行仍然停滞不前,移动互联网生态系统完全缺席。尽管基础互联网服务仍然是银行账户,但银行与客户的联系已被互联网公司切断,银行对客户的看法已经降级为一刀切的信用卡交易。几乎所有客户的财务需求都可以通过非银行在互联网上完成。

这不应该是银行的存在,也不应该是银行的未来。

如何突破?如何开辟封闭的银行系统和互联网生态系统,为银行在互联网生态一线奠定基础?如何重新连接银行和客户,以便银行有机会直接联系互联网生态系统中的客户?如何让银行有机会了解客户需求,了解客户是谁,客户在哪里以及客户做了什么?

加强银行数字化能力

AI授权

人工智能在金融行业的应用场景主要包括风险控制和反欺诈,精准营销,智能投资和智能客户服务四个方面。其中,智能客户服务相对集中在NLP技术应用上,与财务关系不大。

风控和反欺诈 - 主要是机器学习算法。金融业中常用的机器学习方法包括监督学习和无监督学习。在信用风险控制方面,长期以来由金融机构应用的逻辑回归等算法属于监督机器学习的范畴。尽管该算法相对简单,但在足够样本的情况下,算法效果类似于诸如神经网络的复杂算法。成本和建模难度,目前逻辑回归等基本算法可以说是金融业信用风险防范领域的主流算法。在欺诈风险防范领域,通过使用现有的欺诈样本来防止欺诈性攻击更加困难,使用聚类方法将欺诈者与普通用户区分开来更为有效,因此无人监督的机器学习算法更为广泛使用,包括欺诈性网络分析,行为模式识别和异常值分析。

准确的营销 - 通过收集和标记客户行为数据,对产品信息进行分类和匹配,精准营销可以有效地探索客户的潜在业务需求,建立机器学习机制,并通过A/B测试智能地调整推荐结果。在最合适的时间为用户提供最需要的信息,为用户提供更加满意的购买金融产品的体验。

BlockChain授权

联盟链是金融机构阻止区块链的主要选择。基于联盟链,还有许多方案需要探索。

在联盟链中,实时共享一组书籍。在超时等特殊情况下,链中的每个机构都可以实时比较本地分类账和分类账,及时处理错误,节省错误处理时间,减少资金时间,缩短时间。资本利用效率。

数据共享 - 在高速发展阶段建立的数据共享和处理机制存在许多难点和难点。这些问题可以在链中得到有效解决。首先是信任问题。通过跟踪链上的数据,您可以查询每个黑名单的上传机制,有效避免隐瞒或误报客户信用,虚构或夸大交易数据。第二是隐私和许可问题。区块链加密技术的使用可以在很大程度上保证作者的授权和真正的表达意愿。第三是数据可追溯性和贡献测量的问题。使用区块链的令牌链和签名机制,企业上传的数据越多,可查询的数据就越多,从而有效地鼓励企业。

供应链融资 - 数据的可追溯性,从原材料加工到运输再到最终销售,整个供应链中的交易都可以被记录下来并且难以篡改,而资金流动可以清晰识别,使信任能够跟随贸易流动。通过,不仅是核心公司和一级供应商,还有二级和三级供应商可以获得信贷。

云计算赋权

2017年6月,由中国银行业监督管理委员会牵头的低价成立的融联益云,在银联,网络和新联之后,16家金融机构子公司被列为“云联”。目前,银行和其他金融机构使用云计算有三种主要方式。

公共云Saas服务 - Saas服务的供应商包括身份认证,反欺诈,营销等。根据IDC的报告,全球萨斯市场正以每年超过20%的速度增长。

数据中心私有云 - 私有云的银行业务尝试始于虚拟化。将物理服务器虚拟化为多个虚拟服务器解决了传统操作和维护中的许多难点,例如动态添加资源,回收空闲资源,快速安装系统和组件,克隆整个环境等,但虚拟化是一种管理工具。与私有云相比,它仍然缺乏,并且将存在虚拟和物理共存,但它可能增加管理的难度。从Iaas层切入私有云可以进一步提高IT运营和维护的效率。规模越大,成本节约越多,操作和维护过程简化,降低运营风险,提高响应速度。

非核心业务试用公共云 - 除办公系统外,开发测试环境还可以尝试使用公共云,这可以进一步提高环境应用和建设的速度,并节省数据中心的运维人力。当然,我们还必须管理公共云环境。例如,无法上载源代码等文件,只能上载可执行代码等。此外,一些银行还尝试将灾难恢复环境部署到公共云。由于灾难恢复环境的使用频率非常低,因此只能在最低配置下运行。当灾难恢复切换时,可以在短时间内分配大量资源,确保服务顺利切换,快速更换生产服务功能。

大数据授权

目前,商业银行最需要的基本能力是大数据。在互联网浪潮的冲击下,技术要素逐渐融入金融产品,银行对大数据的理解逐渐从“大量历史数据”,“视频和语音数据”,到“用户行为数据”逐步深化和“埋藏的数据”。应用程序日志“和其他非结构化数据。大数据技术广泛应用于用户肖像,精准营销,风险控制,反欺诈,监控和警告,人脸识别,语音识别等领域。此外,在实施包容性的过程中金融,金融机构开始收购越来越多的弱信用信甚至没有信用客户。对于这些客户,有必要从现场捕获大量的非财务数据并结合财务数据,结合用户肖像信用评估,反欺诈和精准营销大大扩展了数据采集和应用的范围,对银行的数据处理和分析能力提出了更高的要求。数据的重要性已经在银行业中提到了前所未有的高度,甚至在监管机构。2018年3月16日,中国银行业监督管理委员会发布了《银行业金融机构数据治理指引征求意见稿》,提出了对数据的要求。从十个方面对银行业进行治理:责任,问责机制,收集规范,隐私保护,安全,评估和评估以及审计报告。组织重视数据的程度是显而易见的。

用户肖像 - 整个用户肖像系统大致可分为:源数据层的最低层,存储每个通道收集的用户数据,包括静态数据和动态数据(行为数据);第二层数据集成层,通过唯一的ID集成每个通道的用户数据。值得注意的是,ID不仅可以关联用户信息,还可以关联用户的所有设备信息;图像标签层的第三层,通过处理和标记用户数据,结果是用户肖像。

逐步建立风险控制模型--1访问外部数据:在此阶段,银行选择外部数据,首先要评估供应商的资质和数据源合规性,在此前提下尽可能多地获取外部数据一方面,它可以防止单个数据源的问题,另一方面,它可以选择价格的最佳组合。 2使用外部数据创建信用矩阵:在当今日益严格的数据合规性要求中,越来越少的供应商能够提供详细数据,更多组织提供处理数据,甚至数据通过多个指标。处理后计算得分。目前,中国市场的数据岛现象仍然严重。可以通过客户与数据提供者客户组之间的一致程度来判断,并且给予供应商动态权重。加权平均值与多个供应商得分相结合。更好的信用评估。该系统是信用矩阵。 3从专家模型到回归模型:基于无样本监督机器学习算法建立信用评估模型很困难,无监督机器学习算法模型不适用于信用评估。通常的做法是使用专家方法来建立更简单的规则或记分卡。业务执行一段时间后,通过累积默认样本来构建回归模型。专家模型通常指经验指标,如学历,信用卡数,最大信用额,流动负债,信用记录和信用报告查询数。随着不良样本的积累,逐步建立逻辑回归模型。

物联网授权

物联网在银行日常经营管理和金融业务发展方面具有广阔的应用前景。随着物联网技术的深入发展,人,物,物,物,人,物,网之间的联系将更加透明。物联网的深入发展将进一步推动整个社会的数字化,整个社会的数字化将为银行业务的发展提供更加坚实的基础。通过物联网和物联网技术,银行可以更有效地获取和整合与企业或个人相关的物流,信息流,资金流等信息,实现实时,准确的识别,管理和控制,从而更有效地开展金融业务。

收集报告投诉