㈠ 人工能智能為銀行業帶來哪些改變
人工智慧將推動銀行業的整體改變。過去幾年,網路金融迅速崛起,產生了支付結版算、信用轉換、財富管權理和普惠金融四種較大的金融信貸。網路金融提高了效益,更多地接近客戶,降低了風險成本,提高了金融透明度,對整個銀行業和金融業既是巨大的沖擊,更是巨大的進步。
與會人士表示,人工智慧從根本上改變了網路銀行和傳統銀行競爭的問題。整個人工智慧金融業包括四大核心技術:大數據、雲計算、人工智慧和區塊鏈。交易數據、賬戶數據、身份特徵數據和行為數據開始崛起,它們構成了未來金融業基礎核心數據的金礦。迄今,包括網路銀行所用數據在內,銀行業使用的數據只佔現存數據的不到10%。
與會人士強調,以人工智慧為代表的四大金融科技將從整體上推動全球銀行業整體轉型。銀行的數字世界和物理世界通過前端的接觸器、金融服務商、生物特徵識別、人工智慧提升的服務效率、大數據的資產安全、客戶理解、區塊鏈連接的網路化和平行化,最後到達客戶,這是一個完全不同於今天所理解的網路銀行的概念。
㈡ 未來金融行業有可能被人工智慧取代嗎
2018年科技金融行業發展現狀分析
要說科技金融的2018,那句老話適用:這是最好的時代,也是最壞的時代。P2P接連爆雷,比特幣漲少跌多,搞得人心惶惶。
但雙十一仍在打破紀錄,抖音在發掘市場,拼多多在關照五環外,機器人在料理股市……沒有什麼能夠阻擋,改變世界的嚮往。2018年,企業繼續各出奇招,新技術孕育新錢景。生存不易,生意繼續。
今年國務院出台多項政策部署緩解小微企業融資難題。9月開始執行新規,直到2020年底,向小微企業貸款的利息免繳增值稅。業內人士預計,對小微企業的幫扶將成為金融政策重點。互聯網金融也在改變傳統金融的支付、風險管理等環節,引入大數據降低徵信和放貸成本,用高科技手段清除小微企業的融資障礙。
預計2019年中國金融科技營收規模將突破1.4萬億
據前瞻產業研究院發布的《中國科技金融服務深度調研與投資戰略規劃分析報告》統計數據顯示,2013年中國金融科技營收規模僅僅為695.1億元。2014年中國金融科技營收規模突破千億元。到了2016年中國金融科技營收規模增長至4213.8億元,同比增長42%。截止到2017年中國金融科技營收規模達到了6541.4億元,同比增長55.2%。預計2018年中國金融科技營收規模將達9698.8億元。目前金融科技服務於金融機構,更偏向於實際金融業務的後端,並不是金融產業鏈中利潤最豐厚的一環,因此短時間內金融科技營收規模很難迎來爆發式增長,或將繼續保持這樣的增速穩定增長,並預測在2020年中國金融科技營收規模將達19704.9億元。
2013-2020年中國金融科技營收規模統計及增長情況預測
數據來源:前瞻產業研究院整理
1、上市綠通道 青睞領頭羊
全國「兩會」熱議IPO綠色通道,從3月份開始,A股綠色通道盯上高科技巨頭。監管層對券商作出指導,包括生物科技、雲計算在內的四個行業若有「領頭羊」,立即向發行部報告,「即報即審」。
A股對「下一個BATJ」的呼聲已久,新華社更發文稱「中國資本市場的『BATJ』夢』該圓了!」2018年年初監管層的密集動作,體現出對新興企業的大力支持。2月9日,深交所發布戰略,要強化對這些科技大公司的服務,著力吸引一批優質企業。
眾所周知,BAT等知名科技企業大多都在境外上市,為了留住優質的好企業,監管層為優質企業開通綠色通道也是應有之義。讓股東長期持有優質上市公司股票,市場回歸價值投資,他們被寄予厚望。
2、神偷現江湖 數幣難找回
年初,日本Coincheck交易所暫停了除比特幣之外的所有加密貨幣的交易,原因是黑客攻擊了26萬用戶,並盜取了數字代幣新經幣NEM,損失價值約為5.3億美元。這是數字貨幣有史以來最大的一起盜竊案。之後,日本16家加密數字貨幣交易所成立一個自我監管小組,自查系統漏洞。這次丟失是因為該交易所數字加密貨幣交易系統存在安全風險,和數字貨幣是否加密並無關系。
今年4月,還發生一行代碼蒸發64億人民幣這樣不可思議的黑客操作。黑客找到一個代碼漏洞,與之相關的區塊鏈產品的全部市值瞬間被轉出,趨近於零。
用戶持有比特幣類加密貨幣的唯一憑證是數字地址和密鑰,因此,很難實際跟蹤到加密貨幣的持有者及其位置。正因為加密貨幣的匿名性、便捷性,交易過程難以發現、難以跟蹤、難以追回,使得此前很多非法行為(如勒索、詐騙、販毒、販槍等)選擇加密貨幣作為交易貨幣。
一般來說,盜取者通過匿名網路找到洗錢人,將「黑幣」倒入後者地址,並向洗錢人提供若干個干凈地址。洗錢人時刻關注,一旦發現干凈地址交易,便向其轉入小筆「黑幣」。如此螞蟻搬家,將「黑幣」洗白。
3、幣圈與鏈圈 冰火兩重天
上半年忽冷忽熱、下半年跌跌不休,區塊鏈貨幣轟轟烈烈一路向下。夢想破滅,薪資下調,人才離場。
2016年底全球數字貨幣總市值才177億美元。2018年1月8日,總市值高達8139億美元。而11月底又跌破1400億美元。比特幣從一枚2萬美元掉到了3千美元。有些幣從五塊錢掉到了一分錢。一些曾雄心萬丈看好比特幣的名人,也黯然退出幣圈。
有業內人士評論:上半年,多數人都是想趕緊發個幣,圍繞項目,開交易所的一大堆,自媒體的一大堆,礦場也是一大堆,但並沒有創造多大的價值。這樣的泡沫破裂是必然。
與幣圈風聲鶴唳不同,鏈圈尚較平穩。工信部5月下旬發布國內第一份官方區塊鏈產業白皮書預計:區塊鏈應用將加快落地,推動新一輪的商業模式變革,為實體經濟「降成本」「提效率」,構建誠信產業環境。有觀察者表示,《白皮書》的發布預示著區塊鏈服務實體經濟的前景看好。
工信部《白皮書》提到,區塊鏈未來3年將在實體經濟中廣泛落地;區塊鏈將加速「可信數字化」進程,帶動金融「脫虛向實」服務實體經濟。還展望說,區塊鏈監管和標准體系將進一步完善,產業發展基礎繼續夯實。
工信部的區塊鏈白皮書顯示:截至2018年3月底,中國主營區塊鏈業務的公司已達456家。行業應用服務類公司數量最多,其中主要為金融行業應用服務的公司數量達到86家,主要為實體產業應用服務的公司數量達109家。此外,區塊鏈解決方案、底層平台、區塊鏈媒體及社區領域的相關公司數量均在40家以上。
有業內人士說,區塊鏈的大規模應用會率先出現在互聯網和金融行業的集中地,如上海、北京等城市,也會率先在龍頭企業出現,如在深圳的富士康、在北京的鏈家等,幾乎不可能出現在小微企業尤其是初創企業。
4、抖音鏈淘寶 變現不用愁
今年10月,抖音國內日活躍用戶已破2億,抖音也連續占據各種下載榜頭名,其商業變現令人矚目。
各大互聯網巨頭紛紛進場跑馬圈地。據不完全統計,圍繞著短視頻的商業布局,各種融資額已經超過300億元。刷抖音已能看到一波波廣告。去年抖音和品牌合作推出視頻廣告是商業化的探索。更為重要的是電商的導流。抖音選擇和阿里合作,都在促成交易後拿一筆傭金。
雙十二前一天,抖音宣布開放之前只對大V開放的購物車功能,較為活躍的實名認證賬號就有資格開通。抖音中的購物車按鈕,點擊後會跳出商品推薦信息並直達到淘寶。抖音聯手淘寶入局電商,這一舉動引發不少關注,有業內人士認為抖音已經在大步邁向消費升級的道路。
有評論說,抖音的賺錢能力或許會超過今日頭條;也有人指出:現在抖音的信息流廣告一年就能達到100億元,可能會越來越多。
除抖音外,各個短視頻平台也早在電商平台方面謀篇布局,有預計說,2018年娛樂內容營銷額將超過280億元,短視頻廣告額有望超400億元。
5、網貸生死劫 監管日益嚴
跑路、停業、提現困難……一長串P2P機構清單令人觸目驚心。上半年,頻頻傳來百億級P2P平台倒塌的聲音。僅以7月為例:
7月9日,錢爸爸發布暫停運營公告,該平台累計交易額突破325億元;同時,多多理財發布公告稱公司已失控;14日「投之家」平台爆雷;7月7日銀票網控制人投案,平台累計成交額140億元,用戶超69萬。7月,杭州公安局還對佑米金融、牛板金、杭州雲端金融等公司涉嫌非法吸收公眾存款案立案偵查……
P2P網路借貸以門檻低、收益高、操作方便靈活為賣點,迅速在互聯網金融市場占據一席之地。近年來狂飆猛進的P2P網貸行業,走過井噴期後,隨之而來的是倒閉和失聯大潮。
網貸平台的倒閉可能是受大環境的影響;更重要的是一些平台違規做信用中介,導致風險加大。
P2P成為危險的標簽,違規互聯網金融已演變成重大金融風險。全國P2P網貸行業不得不自律檢查。深圳、杭州、北京、廣州、上海等12個省市的地方互聯網金融協會自律組織均發布了關於網路借貸信息中介機構退出指引或規程性的文件。中金公司報告稱,預計只有十分之一的運營平台能夠活下來。而大部分P2P網貸平台業務仍不合規,相當多平台尚未完成銀行存管,即存在資金池和挪用資金的可能。
自2012年P2P異軍突起,到野蠻生長,再到行業洗牌,該行業已走過了一個完整的起伏周期。尤其是近兩年一系列監管規范出台,加速了行業的洗牌。作為重點整治的業態,P2P網路借貸和網路小貸領域存量風險化解清理完成時間將延長至2019年6月。
6、手機查徵信 誰知留後患
中國人民銀行5月發通知嚴管APP接入徵信系統。央行要求:「嚴格授權查詢機制,未經授權嚴禁查詢徵信報告,規范內部人員和國家機關查詢辦理流程,嚴禁未經授權認可的APP接入徵信系統。」
不用跑銀行排隊等候,只需在手機上下載個APP,輸入個人信息,就能查詢個人徵信,並在24小時內出具報告……很多手機APP確實方便,殊不知,背後卻存在嚴重的信息安全隱患。整個過程對於用戶來說都是在APP上完成的,但實質上是APP利用用戶提供的信息在徵信中心的平台上進行查詢,與用戶本人在徵信中心平台上查詢無異,APP在這個過程中充當了中介的角色。
部分代查APP運營商為用戶代查的初衷就是要獲取用戶信息,來實現其他商業目的。比如獲知某些用戶在央行徵信記錄不良的情況下,可以向該類用戶定向推銷其他金融貸款業務。而且,短時間內頻繁地查詢,同時沒有放款記錄,可能會讓銀行認為你急需資金但卻處處碰壁,因此會對你的借款申請更為謹慎。
央行嚴管後,能查詢個人徵信、接入央行徵信系統的應該只有符合條件的銀行和小額貸款公司、融資性擔保公司、村鎮銀行等金融機構。
7、各國發數幣 打算並不同
全球第一個由政府主導的數字貨幣今年出台。這款名為「石油幣」(Petro)的數字貨幣,由委內瑞拉政府出售。價值與石油掛鉤,每一個石油幣由委內瑞拉的一桶油作為擔保。過度依賴石油,過度的福利政策以及新能源的開發共同造成委內瑞拉經濟極度不堪。馬杜羅政府搭上數字貨幣熱潮,無疑希望盡快融資募集資金,挽救經濟敗局,穩定國內局勢。
雖然委內瑞拉數字幣聽上去不怎麼可靠,但有很多國家也在開發數字幣。伊朗郵政銀行或將開發加密貨幣;以色列也有發行「數字謝克爾」的計劃;俄羅斯研究「加密盧布」來規避美國制裁……
隨著互聯網支付興起和現金被冷落,瑞典、日本、新加坡和愛沙尼亞都在考慮使用加密貨幣來替代現在的法定貨幣。有報告預測,到2020年,全球數字支付交易量平均每年增長10.9%,2020年將達到近7260億筆。中國人民銀行數字貨幣研究所也早已掛牌成立。
8、拼多多上市 引消費反思
有些人想買龍蝦,有些人還沒吃過蝦,這或許就是拼多多崛起令人疑惑的背後。
有評論說:在拼多多看來,消費升級首先要讓一部分人先用上低品質的商品,再去考慮品質如何提升。2015年成立,名氣並不響亮的拼多多,今年異軍突起,成為僅次於阿里和京東的中國第三大電商平台。
7月26日晚,拼多多在上海和紐約兩地同時敲鍾上市。代表拼多多在紐約敲鍾的是一位拼多多的用戶,前不久剛用一分錢抽中一台iPhone
X。當天拼多多股票大漲41%,盤後交易結束達到351億美元市值。
而8月1日,國家市場監管總局要求對拼多多展開調查,上市第5天,拼多多市值蒸發50億美元。拼多多以黑馬姿態殺出電商巨頭重圍,又因商品質量問題被推到風口浪尖。不過總體來看,2018年他們的財報數據不錯。
挺拼多多的人說:要知道品牌溢價高達幾倍,有些「白牌」產品質量未必不好,但沒品牌就沒有打市場的敲門磚。而拼多多或許給了這類產品一個機會。
9、俄國世界盃 支付成贏家
法國拿了冠軍,中國笑得很開心。借世界盃的春風,俄羅斯暑期的支付寶交易量猛增了75倍。
暑期支付寶交易量增長較快的國家大多地處歐洲、澳洲。隨著選擇遠距離、高端游的中國旅客不斷增多,歐洲、澳洲的商戶對移動支付興趣也在增大。暑期,加拿大支付寶交易量增長12倍,澳大利亞增長6倍,紐西蘭增長7倍,芬蘭增長5倍……
近年來,支付寶、財付通等第三方支付加速「出海」,合作版圖從東南亞延伸到歐美國家。目前,支付寶已在40多個國家和地區接入數十萬商戶,並在其中9個國家和地區與本土品牌合作完成了本地錢包的布局;財付通的微信支付接入的國家和地區已增至40個、支持13種幣種(包括人民幣)直接結算,並已取得了馬來西亞的支付牌照。
此外,針對國人出境旅遊的剛性需求——「退稅」,多家機構都積極提升服務,以避免現金退稅等待時間長、需貨幣兌換等問題。
境外44個國家和地區的30多萬家商戶已經支持銀聯卡退稅,持卡人還可在14個國家和地區體驗即買即退的「市區退稅」。微信小程序推出「騰訊退稅通」可以實現境外實時退稅,服務覆蓋26個國家和地區的77個機場。
據介紹,歐洲80個機場在開通手機退稅後,暑期使用支付寶人均退稅近1000元。因為實時到賬,且讓遊客直接能拿到人民幣,因此年輕人有一半都這樣退稅。
10、聊天機器人 順便泡股市
機器人小冰能聊天,能作詩。今年她展示了金融能力。她可以抓取滬深兩市26類上市企業發布的全部公告,自動生成摘要。即使在大量企業同時公布各自公告的高峰時刻,小冰依然能夠保持同步,約20秒即可穩定輸出。微軟表示:國內現有90%的交易員獲得其支持,而另外10%的交易員,由於是人工處理,約晚20分鍾才能得到摘要。
而螞蟻金服對外公布的數據顯示,網商銀行的花唄與微貸業務使用機器學習降低虛假交易率近10倍,為支付寶證件審核系統開發基於深度學習的OCR系統,使證件校核時間從1天縮至1秒,同時提升了30%的通過率。
法國初創公司DreamQuark利用深度學習,幫助巴黎銀行等十幾家金融機構和公司改進金融服務決策。機器學習可分析銀行和金融公司的大量數據,追蹤客戶信用記錄,從欺詐到反洗錢的檢測評分,還通過發現市場早期變化跡象管理投資組合,為客戶避免風險。
業內專家表示,機器人在金融領域的應用前景十分良好,而未來金融領域將朝著更加智能化的方向發展,這是行業大趨勢。花旗集團總裁傑米·福雷斯表示,花旗銀行中有40%的運營職位可以完全用機器替代。未來將會有更少的員工掙更多的錢,而機器人將接管「低價值服務」。
㈢ 人工智慧在金融領域有何前景
據《中國人工來智能行自業市場前瞻與投資分析報告》數據顯示,截至到2016年第二季度,全球人工智慧公司突破1000家,跨越13個子門類。2011-2016年人工智慧領域融資額復合增速達到42%,總融資額高達48億美元。
對於上規模的互聯網金融企業來說,防控風險、提升利潤、降低成本才是關鍵,因而不少企業都對金融科技極為重視,科技金融如果能夠接入更多的玩家,那麼對於消費金融公司更容易掌控頭部資源,進而開展相應的業務。
㈣ 人工智慧會給金融業帶來哪些影響
人工智慧會給金融業帶來什麼樣的影響?
人工智慧絕不僅是一項技術。未來注意力將開始向金融演算法的正確性轉移,而不是程序。人工智慧能夠改變金融什麼呢?調查現有的金融機構會發現,它們認為對信用評估影響74%,風險管理70%,市場競爭力64%,人力資源結構40%,市場穩定性39%,市場監管20%。
現在國外有眾多領域在應用人工智慧,包括復雜的金融交易和財務研究等,這是因為初級的人工智慧在金融方面所具備的能力是用了我們人類的演算法。
實際上,人工智慧並不是由技術決定,而是由人們對它的使用方式決定。金融行業如何使用人工智慧,將決定能夠產生多少正面影響和負面影響。始終認為P2P的網站沒有任何問題,P2P的技術沒有任何問題,是誰在用P2P才是問題,所以人工智慧也面臨著這一問題。
在此背景下,出現了一類公司。2016年初,一群世界領軍企業家宣布用10億美元設立一個公司,這個公司目標不是想盈利,而是保護人們免受人工智慧的危害,這說明雖然人工智慧距離我們比較遙遠,但是與人工智慧作戰的團隊已經來了。未來會不會存在這樣的邏輯,當技術已經跳躍到人工智慧層面的時候,每做一項科技創新都要准備一支與它作戰的部隊?
人工智慧在金融業發展的速度,取決於金融業領導者的決定。如果他對此態度積極,這一速度會更快一些;如果他對此態度謹慎,這一速度就會慢一些,但是無論如何人工智慧的發展也會大步朝前。最後人工智慧究竟是災難還是機遇?我們不得而知。對人工智慧的未來,現在給予任何答案,都是膚淺的表現,但一切是不可能停下來。人類的好奇心和無法解決現實問題的困境,會使其走向更不可預知的未來。
㈤ 人工智慧的發展如何影響我們的生活
告訴你一下,人工智慧的產生和發展,不僅促進金融機構服務主動性內、智慧性,有效提容升了金融服務效率,而且提高了金融機構風險管控能力,對金融產業的創新發展帶來積極影響。人工智慧在金融領域的應用主要包括:智能獲客、身份識別、大數據風控、智能投顧、智能客服、金融雲等,該行業也是人工智慧滲透最早、最全面的行業。未來人工智慧將持續帶動金融行業的智能應用升級和效率提升。阿爾法象定位金融科技平台,以人工智慧、大數據、雲計算三大核心技術體系,為金融、互聯網、智慧城市、政務等領域提供智能反欺詐、AI建模、大數據分析處理、營銷運營等智能產品設計及服務。
㈥ 互聯網金融和人工智慧對社會影響大嗎將來是不是好多人將都會面臨著失業
一些比較勞累的活可能將會被機器人替代
㈦ 大數據和人工智慧在互聯網金融領域有哪些應用
大數據從四個方面改變了金融機構傳統的數據運作方式,從而實現了巨大的商業價值。這四個方面(「四個C」)包括:數據質量的兼容性(Compatibility)、數據運用的關聯性(Connectedness)、數據分析的成本(Cost)以及數據價值的轉化(Capitalization)。
大數據在金融業的應用場景正在逐步拓展。在海外,大數據已經在金融行業的風險控制、運營管理、銷售支持和商業模式創新等領域得到了全面嘗試。在國內,金融機構對大數據的應用還基本處於起步階段。數據整合和部門協調等關鍵環節的挑戰仍是阻礙金融機構將數據轉化為價值的主要瓶頸。
數據技術與數據經濟的發展是持續實現大數據價值的支撐。深度應用正在將傳統IT從「後端」不斷推向「前台」,而存量架構與創新模塊的有效整合是傳統金融機構在技術層面所面臨的主要挑戰。此外,數據生態的發展演進有其顯著的社會特徵。作為其中的一員,金融機構在促進數據經濟的發展上任重道遠。
無論是在金融企業還是非金融企業中,數據應用及業務創新的生命周期都包含五個階段:業務定義需求;IT部門獲取並整合數據;數據科學家構建並完善演算法與模型;IT發布新洞察;業務應用並衡量洞察的實際成效。
在今天的大數據環境下,生命周期仍維持原樣,而唯一變化的是「數據科學家」在生命周期中所扮演的角色。大數據將允許其運用各種新的演算法與技術手段,幫助IT不斷挖掘新的關聯洞察,更好地滿足業務需求。
㈧ 大數據和人工智慧在互聯網金融領域有哪些應用
大
數據從四個方面改變了金融機構傳統的數據運作方式,從而實現了巨大的商業價值。這四個方面(「四個C」)包括:數據質量的兼容性
(Compatibility)、數據運用的關聯性(Connectedness)、數據分析的成本(Cost)以及數據價值的轉化
(Capitalization)。
大數據在金融業的應用場景正在逐步拓展。在海外,大數據已經在金融行業的風險控制、運營管理、銷售支持和商業模式創新等領域得到了全面嘗試。在國內,金
融機構對大數據的應用還基本處於起步階段。數據整合和部門協調等關鍵環節的挑戰仍是阻礙金融機構將數據轉化為價值的主要瓶頸。
數據技術與數據經濟的發展是持續實現大數據價值的支撐。深度應用正在將傳統IT從「後端」不斷推向「前台」,而存量架構與創新模塊的有效整合是傳統金融
機構在技術層面所面臨的主要挑戰。此外,數據生態的發展演進有其顯著的社會特徵。作為其中的一員,金融機構在促進數據經濟的發展上任重道遠。
為了駕馭大數據,國內金融機構要在技術的基礎上著重引入以價值為導向的管理視角,最終形成自上而下的內嵌式變革。其中的三個關鍵點(「TMT」)包括:團隊(Team)、機制(Mechanism)和思維(Thinking)。
1.價值導向與內嵌式變革—BCG對大數據的理解
「讓數據發聲!」—隨著大數據時代的來臨,這個聲音正在變得日益響亮。為了在喧囂背後探尋本質,我們的討論將從大數據的定義開始。
1.1成就大數據的「第四個V」
大數據是什麼?在這個問題上,國內目前常用的是「3V」定義,即數量(Volume)、速度(Velocity)和種類(Variety)。
雖然有著這樣的定義,但人們從未停止討論什麼才是成就大數據的「關鍵節點」。人們熱議的焦點之一是「到底多大才算是大數據?」其實這個問題在「量」的層
面上並沒有絕對的標准,因為「量」的大小是相對於特定時期的技術處理和分析能力而言的。在上個世紀90年代,10GB的數據需要當時計算能力一流的計算機
處理幾個小時,而這個量現在只是一台普通智能手機存儲量的一半而已。在這個層面上頗具影響力的說法是,當「全量數據」取代了「樣本數據」時,人們就擁有了
大數據。
另外一個成為討論焦點的問題是,今天的海量數據都來源於何處。在商業環境中,企業過去最關注的是ERP(Enterprise Resource
Planning)和CRM(Customer Relationship
Management)系統中的數據。這些數據的共性在於,它們都是由一個機構有意識、有目的地收集到的數據,而且基本上都是結構化數據。隨著互聯網的深
入普及,特別是移動互聯網的爆發式增長,人機互動所產生的數據已經成為了另一個重要的數據來源,比如人們在互聯網世界中留下的各種「數據足跡」。但所有這
些都還不是構成「大量數據」的主體。機器之間交互處理時沉澱下來的數據才是使數據量級實現跨越式增長的主要原因。「物聯網」是當前人們將現實世界數據化的
最時髦的代名詞。海量的數據就是以這樣的方式源源不斷地產生和積累。
「3V」的定義專注於對數據本身的特徵進行描述。然而,是否是量級龐大、實時傳輸、格式多樣的數據就是大數據?
BCG認為,成就大數據的關鍵點在於「第四個V」,即價值(Value)。當量級龐大、實時傳輸、格式多樣的全量數據通過某種手段得到利用並創造出商業價值,而且能夠進一步推動商業模式的變革時,大數據才真正誕生。
1.2變革中的數據運作與數據推動的內嵌式變革
多元化格式的數據已呈海量爆發,人類分析、利用數據的能力也日益精進,我們已經能夠從大數據中創造出不同於傳統數據挖掘的價值。那麼,大數據帶來的「大價值」究竟是如何產生的?
無論是在金融企業還是非金融企業中,數據應用及業務創新的生命周期都包含五個階段:業務定義需求;IT部門獲取並整合數據;數據科學家構建並完善演算法與
模型;IT發布新洞察;業務應用並衡量洞察的實際成效。在今天的大數據環境下,生命周期仍維持原樣,而唯一變化的是「數據科學家」在生命周期中所扮演的角
色。大數據將允許其運用各種新的演算法與技術手段,幫助IT不斷挖掘新的關聯洞察,更好地滿足業務需求。
因此,BCG認為,大數據改變的並不是傳統數據的生命周期,而是具體的運作模式。在傳統的數據基礎和技術環境下,這樣的周期可能要經歷一年乃至更長的時
間。但是有了現在的數據量和技術,機構可能只需幾周甚至更短的時間就能走完這個生命周期。新的數據運作模式使快速、低成本的試錯成為可能。這樣,商業機構
就有條件關注過去由於種種原因而被忽略的大量「小機會」,並將這些「小機會」累積形成「大價值」。
具體而言,與傳統的數據應用相比,大數據在四個方面(「4C」)改變了傳統數據的運作模式,為機構帶來了新的價值。
1.2.1數據質量的兼容性(Compatibility):大數據通過「量」提升了數據分析對「質」的寬容度
在「小數據」時代,數據的獲取門檻相對較高,這就導致「樣本思維」占據統治地位。人們大多是通過抽樣和截取的方式來捕獲數據。同時,人們分析數據的手段
和能力也相對有限。為了保證分析結果的准確性,人們通常會有意識地收集可量化的、清潔的、准確的數據,對數據的「質」提出了很高的要求。而在大數據時代,
「全量思維」得到了用武之地,人們有條件去獲取多維度、全過程的數據。但在海量數據出現後,數據的清洗與驗證幾乎成為了不可能的事。正是這樣的困境催生了
數據應用的新視角與新方法。類似於分布式技術的新演算法使數據的「量」可以彌補「質」的不足,從而大大提升了數據分析對於數據質量的兼容能力。
1.2.2數據運用的關聯性(Connectedness):大數據使技術與演算法從「靜態」走向「持續」
在大數據時代,對「全量」的追求使「實時」變得異常重要,而這一點也不僅僅只體現在數據採集階段。在雲計算、流處理和內存分析等技術的支撐下,一系列新
的演算法使實時分析成為可能。人們還可以通過使用持續的增量數據來優化分析結果。在這些因素的共同作用下,人們一貫以來對「因果關系」的追求開始松動,而
「相關關系」正在逐步獲得一席之地。
1.2.3數據分析的成本(Cost):大數據降低了數據分析的成本門檻
大數據改變了數據處理資源稀缺的局面。過去,數據挖掘往往意味著不菲的投入。因此,企業希望能夠從數據中發掘出「大機會」,或是將有限的數據處理資源投
入到有可能產生大機會的「大客戶、大項目」中去,以此獲得健康的投入產出比。而在大數據時代,數據處理的成本不斷下降,數據中大量存在的「小機會」得見天
日。每個機會本身帶來的商業價值可能並不可觀,但是累積起來就會實現質的飛躍。所以,大數據往往並非意味著「大機會」,而是「大量機會」。
1.2.4數據價值的轉化(Capitalization):大數據實現了從數據到價值的高效轉化
在《互聯網金融生態系統2020:新動力、新格局、新戰略》報告中,我們探討了傳統金融機構在大變革時代所需採取的新戰略思考框架,即適應型戰略。採取
適應型戰略有助於企業構築以下五大優勢:試錯優勢、觸角優勢、組織優勢、系統優勢和社會優勢,而大數據將為金融機構建立這些優勢提供新的工具和動力。從數
據到價值的轉化與機構的整體轉型相輔相成,「內嵌式變革」由此而生。
例如,金融機構傳統做法中按部就班的長周期模式(從規劃、立項、收集數據到分析、試點、落地、總結)不再適用。快速試錯、寬進嚴出成為了實現大數據價值
的關鍵:以低成本的方式大量嘗試大數據中蘊藏的海量機會,一旦發現某些有價值的規律,馬上進行商業化推廣,否則果斷退出。此外,大數據為金融機構打造「觸
角優勢」提供了新的工具,使其能夠更加靈敏地感知商業環境,更加順暢地搭建反饋閉環。此外,數據的聚合與共享為金融機構搭建生態系統提供了新的場景與動
力。
2.應用場景與基礎設施—縱覽海內外金融機構的大數據發展實踐
金融行業在發展大數據能力方面具有天然優勢:受行業特性影響,金融機構在開展業務的過程中積累了海量的高價值數據,其中包括客戶身份、資產負債情況、資
金收付交易等數據。以銀行業為例,其數據強度高踞各行業之首—銀行業每創收100萬美元,平均就會產生820GB的數據。
2.1大數據的金融應用場景正在逐步拓展
大數據發出的聲音已經在金融行業全面響起。作為行業中的「巨無霸」,銀行業與保險業對大數據的應用尤其可圈可點。
2.1.1海外實踐:全面嘗試
2.1.1.1銀行是金融行業中發展大數據能力的「領軍者」
在發展大數據能力方面,銀行業堪稱是「領軍者」。縱觀銀行業的六個主要業務板塊(零售銀行、公司銀行、資本市場、交易銀行、資產管理、財富管理),每個
業務板塊都可以藉助大數據來更深入地了解客戶,並為其制定更具針對性的價值主張,同時提升風險管理能力。其中,大數據在零售銀行和交易銀行業務板塊中的應
用潛力尤為可觀。
BCG通過研究發現,海外銀行在大數據能力的發展方面基本處於三個階段:大約三分之一的銀行還處在思考大數據、理解大數據、制定大數據戰略及實施路徑的
起點階段。還有三分之一的銀行向前發展到了嘗試階段,也就是按照規劃出的路徑和方案,通過試點項目進行測驗,甄選出許多有價值的小機會,並且不停地進行試
錯和調整。而另外三分之一左右的銀行則已經跨越了嘗試階段。基於多年的試錯經驗,他們已經識別出幾個較大的機會,並且已經成功地將這些機會轉化為可持續的
商業價值。而且這些銀行已經將匹配大數據的工作方式嵌入到組織當中。他們正在成熟運用先進的分析手段,並且不斷獲得新的商業洞察。
銀行業應用舉例1:將大數據技術應用到信貸風險控制領域。在美國,一家互聯網信用評估機構已成為多家銀行在個人信貸風險評估方面的好幫手。該機構通過分
析客戶在各個社交平台(如Facebook和Twitter)留下的數據,對銀行的信貸申請客戶進行風險評估,並將結果賣給銀行。銀行將這家機構的評估結
果與內部評估相結合,從而形成更完善更准確的違約評估。這樣的做法既幫助銀行降低了風險成本,同時也為銀行帶來了風險定價方面的競爭優勢。
相較於零售銀行業務,公司銀行業務對大數據的應用似乎缺乏亮點。但實際上,大數據在公司銀行業務的風險領域正在發揮著前所未有的作用。在傳統方法中,銀
行對企業客戶的違約風險評估多是基於過往的營業數據和信用信息。這種方式的最大弊端就是缺少前瞻性,因為影響企業違約的重要因素並不僅僅只是企業自身的經
營狀況,還包括行業的整體發展狀況,正所謂「覆巢之下,焉有完卵」。但要進行這樣的分析往往需要大量的資源投入,因此在數據處理資源稀缺的環境下無法得到
廣泛應用,而大數據手段則大幅減少了此類分析對資源的需求。西班牙一家大型銀行正是利用大數據來為企業客戶提供全面深入的信用風險分析。該行首先識別出影
響行業發展的主要因素,然後對這些因素一一進行模擬,以測試各種事件對其客戶業務發展的潛在影響,並綜合評判每個企業客戶的違約風險。這樣的做法不僅成本
低,而且對風險評估的速度快,同時顯著提升了評估的准確性。
銀行業應用舉例2:用大數據為客戶制定差異化產品和營銷方案。在零售銀行業務中,通過數據分析來判斷客戶行為並匹配營銷手段並不是一件新鮮事。但大數據
為精準營銷提供了廣闊的創新空間。例如,海外銀行開始圍繞客戶的「人生大事」進行交叉銷售。這些銀行對客戶的交易數據進行分析,由此推算出客戶經歷「人生
大事」的大致節點。人生中的這些重要時刻往往能夠激發客戶對高價值金融產品的購買意願。一家澳大利亞銀行通過大數據分析發現,家中即將有嬰兒誕生的客戶對
壽險產品的潛在需求最大。通過對客戶的銀行卡交易數據進行分析,銀行很容易識別出即將添丁的家庭:在這樣的家庭中,准媽媽會開始購買某些葯品,而嬰兒相關
產品的消費會不斷出現。該行面向這一人群推出定製化的營銷活動,獲得了客戶的積極響應,從而大幅提高了交叉銷售的成功率。
客戶細分早已在銀行業得到廣泛應用,但細分維度往往大同小異,包括收入水平、年齡、職業等等。自從開始嘗試大數據手段之後,銀行的客戶細分維度出現了突
破。例如,西班牙的一家銀行從Facebook和Twitter等社交平台上直接抓取數據來分析客戶的業余愛好。該行把客戶細分為常旅客、足球愛好者、高
爾夫愛好者等類別。通過分析,該行發現高爾夫球愛好者對銀行的利潤度貢獻最高,而足球愛好者對銀行的忠誠度最高。此外,通過分析,該行還發現了另外一個小
客群:「敗家族」,即財富水平不高、但消費行為奢侈的人群。這個客群由於人數不多,而且當前的財富水平尚未超越貴賓客戶的門檻,因此往往被銀行所忽略。但
分析顯示這一人群能夠為銀行帶來可觀的利潤,而且頗具成長潛力,因此該行決定將這些客戶升級為貴賓客戶,深入挖掘其潛在價值。
在對公業務中,銀行同樣可以藉助大數據形成更有價值的客戶細分。例如,在BCG與一家加拿大銀行的合作項目中,項目組利用大數據分析技術將所有公司客戶
按照行業和企業規模進行細分,一共建立了上百個細分客戶群。不難想像,如果沒有大數據的支持,這樣深入的細分是很難實現的。然後,項目組在每個細分群中找
出標桿企業,分析其銀行產品組合,並將該細分群中其他客戶的銀行產品組合與標桿企業進行比對,從而識別出差距和潛在的營銷機會。項目組將這些分析結果與該
行的對公客戶經理進行分享,幫助他們利用這些發現來制定更具針對性的銷售計劃和話術,並取得了良好的效果。客戶對這種新的銷售方式也十分歡迎,因為他們可
以從中了解到同行的財務狀況和金融安排,有助於對自身的行業地位與發展空間進行判斷。
銀行業應用舉例3:用大數據為優化銀行運營提供決策基礎。大數據不僅能在前台與中台大顯身手,也能惠及後台運營領域。在互聯網金融風生水起的當
下,「O2O」(OnlineToOffline)成為了銀行的熱點話題。哪些客戶適合線上渠道?哪些客戶不願「觸網」?BCG曾幫助西班牙一家銀行通過
大數據技術應用對這些問題進行了解答。項目組對16個既可以在網點也可以在網路與移動渠道上完成的關鍵運營活動展開分析,建立了12個月的時間回溯深度,
把客戶群體和運營活動按照網點使用強度以及非網點渠道使用潛力進行細分。分析結果顯示,大約66%的交易活動對網點的使用強度較高,但同時對非網點渠道的
使用潛力也很高,因此可以從網點遷移到網路或移動渠道。項目組在客戶細分中發現,年輕客戶、老年客戶以及高端客戶在運營活動遷移方面潛力最大,可以優先作
為渠道遷徙的對象。通過這樣的運營調整,大數據幫助銀行在引導客戶轉移、減輕網點壓力的同時保障了客戶體驗。
BCG還曾利用專有的大數據分析工具NetworkMax,幫助一家澳大利亞銀行優化網點布局。雖然銀行客戶的線上活動日漸增多,但金融業的鐵律在互聯
網時代依然適用,也就是說在客戶身邊設立實體網點仍然是金融機構的競爭優勢。然而,網點的運營成本往往不菲,如何實現網點資源的價值最大化成為了每家銀行
面臨的問題。在該項目中,項目組結合銀行的內部數據(包括現有的網點分布和業績狀況等)和外部數據(如各個地區的人口數量、人口結構、收入水平等),對
350多個區域進行了評估,並按照主要產品系列為每個區域制定市場份額預測。項目組還通過對市場份額的驅動因素進行模擬,得出在現有網點數量不變的情況下
該行網點的理想布局圖。該行根據項目組的建議對網點布局進行了調整,並取得了良好的成效。這個案例可以為許多銀行帶來啟示:首先,銀行十分清楚自身的網點
布局,有關網點的經營業績和地址的信息全量存在於銀行的資料庫中。其次,有關一個地區的人口數量、人口結構、收入水平等數據都是可以公開獲取的數據。通過
應用大數據技術來把這兩組數據結合在一起,就可以幫助銀行實現網點布局的優化。BCG基於大數據技術而研發的Network
Max正是用來解決類似問題的工具。
銀行業應用舉例4:創新商業模式,用大數據拓展中間收入。過去,坐擁海量數據的銀行考慮的是如何使用數據來服務其核心業務。而如今,很多銀行已經走得更
遠。他們開始考慮如何把數據直接變成新產品並用來實現商業模式,進而直接創造收入。例如,澳大利亞一家大型銀行通過分析支付數據來了解其零售客戶的「消費
路徑」,即客戶進行日常消費時的典型順序,包括客戶的購物地點、購買內容和購物順序,並對其中的關聯進行分析。該銀行將這些分析結果銷售給公司客戶(比如
零售業客戶),幫助客戶更准確地判斷合適的產品廣告投放地點以及適合在該地點進行推廣的產品。這些公司客戶過去往往需要花費大量金錢向市場調研公司購買此
類數據,但如今他們可以花少得多的錢向自己的銀行購買這些分析結果,而且銀行所提供的此類數據也要可靠得多。銀行通過這種方式獲得了傳統業務之外的收入。
更重要的是,銀行通過這樣的創新為客戶提供了增值服務,從而大大增強了客戶粘性。
㈨ 人工智慧在金融領域的廣泛應用,會給監管帶來哪些挑戰
人工智慧不僅有助於金融機構提高運營效率、降低風險損失、提升用戶體驗、拓寬銷售渠道,還能夠提升金融服務的普惠程度。然而,不成熟的人工智慧也可能導致系統性風險,影響金融穩定。可見,對金融領域中的人工智慧系統進行監管很有必要,但當前對人工智慧的監管仍面臨多項挑戰。
首先,當人工智慧提供的金融服務出現問題時,責任方難以確定。在人工智慧系統的設計和應用過程中,會涉及多個參與主體,包括運用人工智慧提供服務的金融機構、人工智慧系統的訓練人員和設計公司等。當用戶由於人工智慧提供的服務而遭受損失或者出現其他問題時,目前在法律上尚未對責任方作出規定,也未規定各責任方的責任分擔機制。
其次,人工智慧單獨提供金融服務與現有法律法規相悖。以人工智慧在投資顧問中的應用為例,美國金融業監管局(FINRA)指出,在沒有人為參與的情況下,由人工智慧提供的投資顧問服務不符合顧問受託標准。此外,根據美國相關的法律法規和美國證監會發布的《1940年投資顧問法》,投資顧問被視為受託人,有義務給投資者提供最適宜的建議。但是人工智慧投資顧問無法對投資者賬外資產進行詳盡調查或向投資者咨詢這方面信息,而投資者的賬外資產直接影響其全面的財務狀況,在這種情況下,人工智慧投資顧問提供的個性化投資建議是否最適合投資者就有待商榷。2016年4月1日,馬薩諸塞州證券部也發表政策聲明:由於人工智慧投資顧問存在缺陷,無法進行投資組合分析,這將導致其無法為客戶爭取到最大的利益,即無法履行信託義務,因此人工智慧投資顧問不能作為受託人,無法在馬薩諸塞州登記為投資顧問。
再次,目前對人工智慧系統的信息披露並無統一標准,監管部門需制定人工智慧系統的信息披露標准,同時權衡過度披露和披露不足之間的矛盾。對人工智慧的信息披露有兩方面要求,一方面,需要保護用戶的知情權,需要對人工智慧系統的運行原理、運行情況等信息進行充分披露;另一方面,需要保護人工智慧系統的信息機密,防止不法分子運用披露信息「模仿」該系統,從而給金融機構或者人工智慧企業帶來損失。此外,人工智慧的決策過程是個「黑匣子」,如何讓公眾了解人工智慧的決策過程將會是信息披露的難點。
最後,人工智慧對監管人員提出了新要求。對於人工智慧的監管,需要監管人員對人工智慧的相關知識有所掌握,若是對人工智慧的相關知識不甚了解,就難以理解人工智慧系統的運作方式,更加難以判斷其是否遵守監管要求。此外,監管部門需要對人工智慧的系統演算法進行測評,監管人員只有在熟悉人工智慧相關知識的基礎上,才能完成人工智慧系統的測評過程,並判斷測評方式是否合理。
㈩ 人工智慧在金融科技領域有哪些應用
應用場景一:徵信與風控 近幾年,國內P2P和現金貸的大量涌現,說明了個人小額信貸的市場需求巨大。在過去,針對該類小貸用戶,一般單純地依靠地推人員挨家挨戶進行實地徵信。如今,基於大數據和人工智慧技術,可以實現智能徵信和審批,極大地提高工作效率。通過多渠道獲取用戶多維度的數據,如通話記錄、簡訊信息、購買歷史、以及社交網路上的相關留存信息等;然後,從信息中提取各種特徵建立模型,對用戶進行多維度畫像;最後,根據模型評分,對用戶的個人信用進行評估。同樣,對於市場上中小微企業融資難的問題,也可以通過大數據徵信得以解決。 相對於徵信,在風控中,貸前要識別貸款人信息的真實性,還要識別其還款意願和還款能力,貸中通過監控貸款人的行為數據及時發現異常,貸後通過反饋數據補充信用評分。在這個過程中,利用用戶數據積累和人工智慧技術建立有效的智能化風控體系是核心能力,直接決定著一個平台能否持續健康地運營。應用場景二:反欺詐 金融安全是維護金融秩序的基石。與虛擬的社交網路不同,金融用戶需要驗證身份的真實性,其中可能涉及的技術包括人臉識別、語音識別、指紋識別和虹膜識別等。相對於我們人類,人工智慧在此領域往往表現得更加優異,不僅能縮短識別時間,還能降低識別錯誤率。如今,越來越多的人工智慧應用出現在現實生活中,比如指紋付款、掃臉取款等。 此外,人工智慧在網路反欺詐方面也發揮著巨大的作用,機器可以從海量的交易數據中學習知識和規則,發現異常,比如防止盜刷卡、虛假交易、惡意套現、垃圾注冊、營銷作弊等行為,為用戶和機構提供及時可靠的安全保障。應用場景三:智能投顧 智能投顧是在多個市場和大資產類別之間構建投資組合,分散風險,追求長期收益。 與傳統方式有所區別,智能投顧可結合現代資產組合理論和投資者偏好為投資者提供建議,加快釋放投資理財的「長尾」市場,具有傭金低和信息透明等特點。更通俗點說,智能投顧實際上是把私人銀行的服務在線智能化,服務更廣泛的普通老百姓。 當前,智能投顧平台已經在國內市場出現。2016年12月,招商銀行摩羯智投正式上線,這是國內銀行業首家推出的智能投顧服務。據介紹,摩羯智投運用機器學習演算法,融入招行多年的業務經驗,在此基礎上構建了以公募基金為基礎的、全球資產配置的「智能基金組合配置服務」。在客戶進行投資期限和風險收益選擇後,摩羯智投會根據客戶自主選擇的「目標-收益」要求,構建基金組合,由客戶進行決策、「一鍵購買」並享受後續服務,使得投資小白也可以輕松使用。應用場景四:營銷與客服 在金融平台上,如何識別有效的客戶往往是難點。而人工智慧可以通過用戶畫像和大數據模型精準找到用戶,實現精準營銷。 另外,在客服中,用戶咨詢的問題大都是重復性的,而且往往限定在幾個特定的領域內,這些特點使其成為自然語言處理和智能客服機器人的極佳選擇。通過智能客服機器人可以發掘用戶的需求,解釋和推薦產品,還能帶來銷售轉化。智能客服可以解決用戶的大部分問題,在非常確定答案的時候可以直接回答,在不確定時把可能的答案提供給人工客服,由人工客服判斷選擇最佳答案發送給用戶。這樣極大地提升了客服效率和用戶體驗,同時也降低了人力成本。應用場景五:投資決策 在投資機構和投行部門中,日常的工作如收集大量的資料、進行數據分析、報告撰寫等,往往佔用了大量的時間和精力。而在處理海量的數據信息時,機器擁有天然的優勢,通過自然語言處理技術可以理解文本信息,尋找市場變化的內在規律。一個經典案例是沃爾瑪超市發現尿布和啤酒放在一起會增加銷量。大數據可以發現看似毫不相關的事件間的關聯性,應用在投資領域也會有同樣的效果,比如蘋果發布新手機會影響哪些公司的股價等。 人工智慧還能夠根據收集到的市場歷史數據進行預測,分析判斷企業的成長性,從而輔助投資決策。一個著名例子是,美國最大的信用卡行CapitalOne的兩名員工利用職務便利,分析了至少170家上市零售公司的信用卡消費情況,並據此預測這些公司的營業收入,然後提前購入看漲期權或看跌期權,三年內投資收益率高達1800%。雖然是反例,但對於智能預測應用有很好的啟發意義。 此外,機器還可以根據收集到的資料,自動生成大量格式固定的文檔,比如招股說明書、研究報告、盡調報告和投資意向書等,從而提高效率,減少枯燥的重復性工作。