金融数智化的思考与实践.docx

《金融数智化的思考与实践.docx》由会员分享，可在线阅读，更多相关《金融数智化的思考与实践.docx（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、金融数智化的思考与实践场景端、数据端、科技端变化巨大所有的行业变化均源于环境变化。互联网时代，涌现了BAT等公司；电商时代，阿里实现了迅速发展；移动化、4G时代又萌生了抖音、快手、头条、美团。过去几年，不管是场景端、数据端，还是科技端，都发生了天翻地覆的变化。在场景端，用户线上化生活成为普遍方式，疫情又进一步加速了这个过程，很多老年人也开启了线上化生活，参与小区团购。在场景端，线上化趋势已经非常明显，而且比例非常高。在数据端，智能终端推动有价值数据爆发式增长。两张网最有代表性：一是移动互联网，个人有价值数据爆发式增长；二是产业互联网，企业端累计了大量有价值数据。在科技端，算力的飞速提升，突破了

2、临界点，驱动以深度学习为代表的AI技术走上新的台阶。上世纪80年代，深度学习概念的初始模型被提出；2006年，国外学者提出了深度学习的基础版本；2013年，图像识别依靠深度学习取得的成就，等同于过去十年人工经验成就的总和。数字化发展的基础要素和环境要素日臻成熟，金融机构需要抓住这个机遇。政府对于数字化以及金融科技建设都非常重视。在国家层面，国家大数据战略、数字中国建设对数字化做了明确的发展规划；在监管层面，央行发布了两版金融科技规划，指引金融科技持续发展；以银行为代表金融机构的数字化转型正在蓬勃发展，数字化时代加速来临。顺应变化解决实际问题度小满认为数字化应紧贴业务，解决实际问题。在此过程中，

3、要顺应环境变化来寻找突破口。第一，随着场景端变化，线上获客与原先的线下获客大有不同，当用户普遍活跃于线上，怎样高效获取用户？第二，从面对面服务客户，转向全流程线上化服务，怎么提升服务的专业化？第三，如何基于移动互联网的海量数据更好地理解用户？第四，怎么用好产业互联网数据，降低小微融资成本？以下是度小满的相关实践。第一个问题，如何进行线上获客。依托大数据可对用户的风险、需求、资质形成相对精准的画像，继而与机构需求形成精准匹配。这使得机构能够找到适合自己经营策略的用户，也让用户能找到适合自己需求的产品，形成高效匹配。对其提供底层支撑的，一方面是AI能力，对客户洞察挖掘；另一方面是高性能的系统，能够

4、处理每天近百亿次，峰值超过100万QPS（每秒查询率）的请求。第二个问题，怎么提升座席在线服务专业化。座席在提供在线服务时，主要面临四类问题需要解决。一是座席花费了大量时间做一些重复性工作，这压缩了真正服务于专业客户的时间。二是座席服务用户过程中，因为对用户缺乏了解，所以有时服务不够到位。比如，用户打电话进行客诉，客服可能不知道这个用户之前发生了什么，还要再问他一遍，用户复述一遍还不一定讲得清楚。三是座席缺少帮用户解决问题的抓手，很多的时候只能对用户进行安抚。四是座席服务水平参差不齐，优秀座席和一般座席，服务水平在业界看来可能相差3倍、5倍甚至10倍。依托RPA（机器人流程自动化）技术，能够有

5、效替代重复性人工作业，让座席能够有更多时间来提供专业性服务。现在RPA覆盖了60%的人工座席场景，无感率做得比较好，否则用户察觉到对方是机器人，会觉得不太受尊重。此外还要让机器人具备情感识别能力，能识别并处理用户的情绪波动。座席系统数字化建设包含三个核心层面：一是底层数据流，用户画像数据打通，使得座席快速了解用户发生了什么；二是业务流打通，使得后台座席能够快速与前台互通，有针对性解决用户问题；三是知识流沉淀，使得优秀座席的经验可复制，从而提升整体座席水平。第三个问题，面对海量数据，如何挖掘价值，更好地理解用户。 第一类，征信报告数据。现有数据的潜能远远没被发挥出来，以征信报告数据为例，过去传统

6、经验只能提取几十、几百维的变量。依靠机器学习，我们提取了40万维的风险变量，基于此，征信报告风险区分度能提升20%。 第二类，互联网行为数据。这类数据与征信数据能形成很强的互补性，举个例子，类似于面试，征信报告就是个人简历，简练有效，但是互联网行为数据就像看了简历后跟他面对面聊天，收集其它信息形成增补。结合互联网大数据来分析，在征信基础上，能够进一步提升20%的区分度。 第三类，多维度异构图数据。在金融领域，多维异构图数据的作用还没有得到充分发挥，当然之前已经取得了非常好的成绩，依靠异构图数据的计算，基本上已经消除了信贷申请中的团伙欺诈问题。 第四类，多媒体数据。未来，我们判断多媒体数据极有潜

7、力。现在人们的生活已经进入小视频时代，以及多媒体互通的时代。随着流量成本、在线时延进一步降低，未来信息将大量依靠多媒体来承载，所以我们对于多媒体做了一些前瞻性的布局。第四个问题，如何获取和应用产业互联网数据，进一步降低小微企业融资成本。在产业端，我们主要围绕供应链下游布局IOT（物联网）区块链。针对核心企业下游的小微、小小微企业，采集物联网信息、仓储物流、生产数据，依托区块链可保证信息可信、不被篡改；供应链四流合一对供应链下游企业识别更加精准；另外，将企业信用和个人信用相结合，可使风险判断更准确，从而降低小微企业融资成本。以上各种场景以及数据变化，对AI平台能力提出了更高要求。我们2018年与

8、农行合作共建了“金融大脑”，现在“金融大脑”各类功能进一步升级：在感知能力方面，不仅能够听说读看，还能够识别情绪。在决策引擎方面，新增了推理能力，一是因果推断，深度学习过去效果不错，但可解释性比较差，因果推断可以让深度学习可解释性提升，让决策更加科学；二是AutoML(自动机器学习），我们现在能做到63%的模型效果优于有经验的AI工程师，进一步提升了智能决策的效果。防范科技风险的五项举措金融科技在高速发展过程中，还需有效防范科技伦理风险。度小满遵循“科技向善、以人为本、公平公正，安全可靠”的科技伦理原则，秉承“意识先行，伦理前置，以制度约束，让科技自我完善”的理念践行科技创新。在科技伦理治理上

9、，我们有五项具体举措：一是成立组织。科技伦理落地要有组织保障，度小满在IT治理委员会的基础下，新设立了科技伦理工作小组制定公司科技伦理原则，并监督原则落地。二是完善制度。制定并不断完善科技治理规则体系，保障有则可依、有线可守；配套审查评估及实验机制，确保落地到业务和工作各个环节。三是数据治理。围绕网络安全法数据安全法和个人信息保护法，将数据安全与管理、隐私保护贯穿于数据的采集、存储、流通、应用以及销毁等所有环节，制定数据全生命周期的管理制度，并且设置严格的数据红线。四是技术治理。从三个维度开展工作：通过技术革新以及制定算法规范，打破算法模型黑箱，防范算法歧视，避免用户遭受伤害；通过构建模型全生命周期管理机制，将模型从立项到下线的全流程纳入规范管理；通过专家经验防范系统性风险，用成熟框架限定新技术应用边界，对纯新技术采用沙箱机制防范技术路线偏差。五是人才培养。科技伦理意识的培养贯穿人才培养全程，并纳入人才评价体系。6