行业动态 Industry dynamics
News 技术动向
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:27
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:19
知己知彼才能制胜,解读《零售银行大数据驱动营销及管理》 [ 亿欧导读 ] 《零售银行的“制胜秘籍”:大数据驱动营销及管理》以麦肯锡在零售银行的实践经验抛砖引玉,探讨在中国实现大数据驱动零售银行增长的核心能力及有效路径。 图片来自“123rf.com.cn”大数据技术在企业应用已成为大势,金融领域存在大量用户数据与交易数据,对于客户判断有天生需求性,面向大众和中小企业进行金融售卖的零售银行更是需要通过数据挖掘来提升获客效率进而精准获客,《零售银行的“制胜秘籍”:大数据驱动营销及管理》以麦肯锡在零售银行的实践经验抛砖引玉,探讨在中国实现大数据驱动零售银行增长的核心能力及有效路径。麦肯锡通过对国际领先银行和国内零售银行在运用大数据方面进行对比,分析出大数据驱动的五大秘籍,以及给出为银行搭建出实施数据驱动的五大步骤,得到《零售银行的“制胜秘籍”:大数据驱动营销及管理》,本文将对此报告进行解读。知彼,国际领先银行以大数据挖掘出的四大价值价值一:推动基准营销在消费者行为可视化的今天,大数据也成为银行持续发展的重点之一,Capital One是一家以投融资及基金管理为基础,集国际贸易、项目开发、投资银行业务为一体的企业集团,成立不到30年,就从一家结构单一的信用卡公司迅速成长为全美排名前十的商业银行,该公司的信息战略是把所有业务领域结合成一个单一的和灵活的决策结构。...
发布时间: 2017 - 08 - 04
浏览次数:10
干货 | 十大必须掌握的机器学习算法,竟然都如此有趣 导读:通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。每个算法都看了好几个视频,挑出讲的最清晰明了有趣的,便于科普。 以后有时间再对单个算法做深入地解析。今天的算法如下:决策树随机森林算法逻辑回归SVM朴素贝叶斯K最近邻算法K均值算法Adaboost算法神经网络马尔可夫1.  决策树根据一些 feature 进行分类,每个节点提一个问题,通过判断,将数据分为两类,再继续提问。这些问题是根据已有数据学习出来的,再投入新数据的时候,就可以根据这棵树上的问题,将数据划分到合适的叶子上。2、随机森林在源数据中随机选取数据,组成几个子集:S矩阵是源数据,有1-N条数据,A、B、C 是feature,最后一列C是类别:由S随机生成M个子矩阵:这M个子集得到 M 个决策树:将新数据投入到这M个树中,得到M个分类结果,计数看预测成哪一类的数目最多,就将此类别作为最后的预测结果。3、逻辑回归当预测目标是概率这样的,值域需要满足大于等于0,小于等于1的,这个时候单纯的线性模型是做不到的,因为在定义域不在某个范围之内时,值域也超出了规定区间。所以此时需要这样的形状的模型会比较好:那么怎么得到这样的模型呢?这个...
发布时间: 2017 - 07 - 27
浏览次数:23
你怎么存活于大数据和人工智能结合的时代?我们正处在一场技术剧变之中,这场剧变将会改造社会的组织方式。我们必须现在就做出正确的决定。数字化革命如火如荼。它会怎样改变我们的世界 我们产生的数据量每年都会翻番。用另一种说法:2016年我们产生的数据量和人类直至2015年的整段历史的数据量相同。每一分钟,我们都会制造出几十万次的谷歌搜索和脸谱网帖文。这些数据中包含的信息能揭示我们的思考方式和感受方式。不久后,我们周遭的事物——甚至可能包括我们的衣服——也会和互联网相连。根据预测,10年之后,全球会有1 500亿只联网的测量传感器,比地球上的人类总数还要多20倍。接着,每过12小时,数据总量就会翻番。许多公司早已试图将这些大数据转化成大财富。所有一切都将变得智慧化,我们不仅会有智能电话,还会有智能房屋、智能工厂和智能城市。我们是不是应该预期这些发展会促成智能国家和更智能的星球 人工智能领域确实正在取得激动人心的进展。尤其是人工智能对数据分析自动化的贡献。人工智能如今不是一行行写代码,而是能够学习知识,从而不断发展自身。近期,谷歌公司的DeepMind算法教会自己在49款雅达利公司的游戏中获胜。算法如今几乎像人类一样能辨识出手写语言和模式,甚至比人类更出色地完成某些任务。算法能够描述出照片和视频的内容。如今,有70%的金融交易是由算法完成的;部分新闻内容是自动生成的。所有这...
发布时间: 2017 - 09 - 04
浏览次数:11