行业动态 Industry dynamics
News 技术动向
数据共享与开放式银行像“大数据”这样的流行语通常会让“数据猿人”联想到定量分析,例如机器学习算法和统计分析应用。虽然这些方法及应用是透析数据本质、挖掘数据价值的关键步骤,但数据领域一个更加基础的模块便是获取数据。现阶段,如何大规模地收集和分享数据已经成为各行各业的热门话题,例如政府部门公开部分数据以提高行政职能部门的透明度。数据共享通常通过应用程序编程接口(API)来实现,这是一种智能管道,允许以受控但无缝的方式在系统之间传输数据,具体可见表1(来源于:McKinsey Payments Practice)。多年来,API已经在银行业务环境中得到了充分利用,鉴于先进分析技术的突破以及众多非银行金融科技公司的市场吸引力,API正在作为向零售消费者和商业客户提供金融服务的手段,重新受到各界的广泛关注。开放式银行作为数据共享的实际应用之一,其潜在好处包括改善客户体验,创造新的收入来源,以及提供可持续的服务模式。虽然开放式银行有利于终端用户,并促进银行和非银行之间的技术和领域竞争,但也可能迎来一个全新的金融服务生态系统,银行未来的角色可能会发生显著转变。开放式银行业务可以定义一种协作模式,在这种模式中,银行数据通过两个或多个无关联方之间的API共享,从而为时长提供增强的功能。API已经被使用了数十年,特别是在发达国家,使得个人财务管理软件能够在银行网站上呈现计费细节,并将开发者连接到Vis...
发布时间: 2017 - 11 - 17
浏览次数:12
利用认知技术优化企业工作流随着深度学习技术的不断革新,人工智能在生活和工作中的作用越来越明显,认知技术作为人工智能中一块分支,正在逐渐改变企业传统的工作流程。Google的人工智能专家指出,现在他们正在努力提高机器认知的速度、准确性和效率,并期望能够增加20%-30%的额外容量。通过机器自动化认知技术,能够将一大批人类专家从繁琐的数据整理工作中解放出来,从而专注于更高价值的活动。认知技术的实现模式既可以是应用程序,也可以是独立的机器,它们工作的主要目的是替换以前需要通过专家定义才能进行输入及输出的任务,其中包括机器人过程自动化(RPA)、机器学习和自然语言处理。认知技术减少了对专家输入的需求,并通过新的工作方式提高了机器自动学习的效率。现阶段,已经有诸多利用认知技术优化工作流程的实例,例如RPA通过现有接口自动执行包括数据提取和清理的日常任务活动;机器学习将高级算法应用于大数据集以识别模式,帮助诸如客户关系管理CRM、产品控制和交易监控等领域做出决策;自然语言处理将语音和文本文件转化为结构化可搜索和处理的数据;认知代理人技术与用户直接互动,常用于雇员服务中心、帮助台和其他内部联络中心。麦肯锡公司近期分别比较了几家银行在使用认知技术之后,其现金股权业务中的数字运营及贸易处理的渗透率。他们发现数字运营水平最高的公司其收入增长了八倍,并且FTE的交易量高水平组比低水平组高出4倍以上(数据...
发布时间: 2017 - 11 - 03
浏览次数:10
大数据技术助力资本资产定价资本资产定价对于公司的重要性毋庸置疑,据相关数据统计,1%的价格涨幅能够提升8.7%的营业利润增长。然而许多公司至少有30%的定价决策是不受到市场认可的,导致了大量的资源浪费和收入损失。因此借助大数据技术挖掘客户互动过程中所提供的海量数据,能够帮助公司进行更为合理的资本资产定价决策,即调整到合理的价格以获得高额的营业利润。对于每个产品,公司都应当找到客户愿意支付的最优价格。一般情况下,大多数公司都会通过受众群体、市场同价产品、产品核心竞争力等维度指标,制定较为理想的市场价格。事实上,这种方法只适用于产品种类少且订单数量少的公司。然而,现有公司产品种类及数量规模都达到一个比较高的标准,这时传统的定价模式将不再适用。对于大型公司而言,借助大数据技术精准的管理这些复杂的定价变量,处理成千上万不断变换的产品定价问题,是具有重要意义的。例如基于支付意愿的客户--产品差异化定价模型,就是大数据助力资本资产定价的典型案例,其中蓝色点为产品销售价格和折扣率之间的散点图,黄色点代表不同的客户群体,由此找到市场需求和产品价格之间一个最佳的平衡点,从而使得产品定价对于消费者来说价格最小化,对于公司来说利润最大化。一家跨国能源公司的销售业务主管曾表示:“事实上,许多公司每年都以规模和数量等相关指标来增加价格,例如生产成本、标准利润率、类似产品价格、批量折扣等,而不是以数据科学为基...
发布时间: 2017 - 10 - 24
浏览次数:12
大数据、云计算与人工智能推动呼叫中心运营新模式随着通讯技术的不断发展,呼叫中心的规模与日俱增,现阶段国内拥有上千席的呼叫中心不在少数,其每日所产生的语音数据体量难以想象,属于典型的非结构化“大数据”。这些数据中所蕴含的客户偏好、产品质量、坐席技能等相关指标是呼叫中心优化服务质量、提高运营效率的重要参考因素,直接关系着营销决策制定以及产品服务设计。然而,语音数据作为呼叫中心一项重要的价值资产,在过去很长一段时间内却没有受到足够的重视。这是受限于传统技术条件下,语音数据存储成本过高,应用难度过大,更难说从中挖掘核心价值以支持决策分析。但随着大数据、云计算与人工智能技术的迅猛发展,使得海量数据存储成本不断降低,分布式并行计算效率不断提高,打破了语音数据存储及处理的技术壁垒,为呼叫中心提供了全新的运营模式,其具体应用场景如下:分布式存储海量语音数据成为主流呼叫中心体量的不断扩张,导致大量的语音数据堆积,以某金融机构呼叫中心为例,其坐席数量超过3000余个,每日产生的录音文件量高达100G以上,年录音文件总量超过50T,预计未来语音数据量的年平均增长率高达30%。如此海量的语音数据加剧了数据存储的难度,虽然现有计算机存储硬件的发展已经非常迅猛,但其发展速度还远不及数据量的几何式爆破增长,并且由于高性能的存储硬件存在造价成本的问题,大多数企业对于日益增长的进量数据以及原始积累的存量数据又爱又恨...
发布时间: 2017 - 09 - 04
浏览次数:46
机器学习能否助力银行挖掘更多客户价值?关于机器学习对银行业影响的研究自20世纪以来,已经持续了很长一段时间,但一直没有获得过重大的突破。直到大数据技术的实现,摆脱了传统数据存储处理技术对计算机硬件要求的枷锁,机器学习才真正在银行业务中发挥出了其实战作用,例如信用风险管理等。机器学习(Marchine Learning)听起来比较复杂,很有未来感,但其实它的工作原理很简单。简单来说,机器学习就是结合大量类似于决策树的决策模型,来创建一个更加精确的模型。通过快速地对这些决策模型进行迭代训练,机器学习能够找到“隐藏”的最优解,特别是在统计模型中经常遗漏的非结构化数据方面。银行投资组合中经常会出现长尾数据,相对于传统的统计方法,机器学习对长尾数据的解释力更强。考虑到那些个体投资较少但总体数量庞大的客户,我们通常对这一群体的客户知之甚少,并且他们也是相当被动的接受银行业务。但是,机器学习能够对这类客户的行为进行很好的分析,从而指导业务人员有针对性的挖掘潜在的盈利目标。 举一个机器学习在银行业信用卡产品线中实际应用的案例,该银行的目标是针对每个客户寻求最优的信用额度,简单来说就是他们希望知道能够在哪些方面增加或减少信用额度。现有统计模型虽然已经具有了相当可观的预测能力,但当利用机器学习方法去重新训练与之相同的数据集,并在训练时添加一些诸如政策规定等非结构化数据时,模型的预测能力直接提...
发布时间: 2017 - 08 - 11
浏览次数:35