银行的机器学习应用场景及平台架构.docx

? ? ? ? ? ? ? ? 银行的机器学习应用场景及平台架构 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【摘要】银行业不断推陈出新及迅猛发展的业务对数据建模提出了新要求，机器学习平台将是大数据应用的一个重要发力点。本文从机器学习建模的应用场景及实践出发，引发对机器学习平台构建的思考，旨在帮助读者了解机器学习在银行业的应用现状及应用难点，从而对构建机器学习平台有一定的启发。 前言 近年来，银行业不断推陈出新及迅猛发展的业务对数据建模提出了两点要求。一是要求模型比传统的业务系统有更强的场景驱动性，业务穿透性更强，即要求数据模型需通过新的数据不断的迭代优化，以适应新的业务需求。二是，数据在广度深度上的激增及应用场景的增加如客户管理、零售精准营销、风险管理、运营管理等，意味着分布式分类、聚类、关联等机器学习算法都有可能会用到。从以上两点来看，机器学习平台是大数据应用的一个重要发力点，其在基本功能方面需要包括两点，一是其能为大数据建模提供海量数据支撑；二是其能为大数据建模提供强大的算力及处理能力。 本文主要是从机器学习建模的应用场景及实践出发，引发对机器学习平台构建的思考，旨在帮助读者了解机器学习在银行业的应用现状及应用难点，从而对构建机器学习平台有一定的启发。 1、机器学习在银行业的应用背景、现状及趋势 2006 年到 2015 年是人工智能崛起的黄金十年。 2016 年，谷歌“ AlphaGo ”的成功，人工智能在世界范围内掀起了新一轮技术创新的浪潮。金融领域庞大的交易量、交易历史数据比较完备 ，以及其量化分析的特点，为人工智能技术的应用和发展提供了得天独厚的条件。作为人工智能的基础和核心，机器学习已经成为金融生态中不可或缺的组成部分，从信贷审批到用户资产管理、到用户金融需求预测、到用户金融行为引导，再到金融风险评估等。很显然，在解决银行业转型难题的过程中，机器学习以其丰富的大数据处理技术及强大而精准的计算力，显示出了巨大的推动能力。 机器学习是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能。据了解，机器学习已经成为各大银行转型升级的主要推动力。目前，机器学习平台已经作为业务智能化发展的基础性平台，服务于银行的各类应用场景：精准营销、风险管理、反欺诈分析、客户关系管理、信贷消费中的信用评分甚至到银行内部管理等。 2、机器学习在银行业的应用场景分析 精准营销在银行业的应用广泛、风险成本低、执行过程简单但效果提升可能很大等特点，使得精准营销成为银行业机器学习应用的开山鼻祖，且一直是其主要的应用场景。精准营销可以说是贯穿了客户运营的整个流程，包括：拉新、转化、促活及留存。拉新即利用现有的老客户作为训练样本建模，然后将获取的外部数据灌入到模型中得到评分（概率），评分高的表示客户的潜在性高。类同，精准营销在转化方面的应用主要是通过依据客户的行为类特征进行大数据建模，再通过精准营销触达模型“过滤”出来的潜在客户刺激转化；个性化推荐就是精准营销在客户促活方面的完美案例。流失客户挽回最好的办法当然是优惠吸引，但往往我们无法精准的营销敏感点，机器学习等大数据技术在优惠敏感及流失预警等场景中则大放异彩了。但在银行业，精准营销仍有其局限性，在产品全生命周期中应用中不会像互联网那样流畅。一方面，是因为银行产品种类有限；二是因为，银行有的更多的是客户的资产信息，而行为类信息及具有潜在业务逻辑的数据较为稀有，且业务办理渠道不唯一。但精准营销还是可以大放异彩的，机器学习在零售条线的理财客户拉新、转化及留存方面的实践结果也是非常显著的，遗憾的是很可能难以做到产品粒度的个性化推荐。 风险管理是机器学习在银行业的另一大应用。银行来说，在为顾客提供产品和服务之前，基于其国籍、职业、薪资区间、个人经历、工作行业和信用历史等来对顾客进行风险评分是至关重要的。风险评分是银行最终决定提供给客户多少额度以及其它相关产品行为的重要业绩指标（ KPI ）。基于机器学习大数据建模技术建立的评分卡模型，极大的提高的银行顾客风险评分预测效率低等问题。当然，真正要 “ 即时地 ” 引入一个处于中心地位的、综合性的金融和风险机制成为了主要的难题，主要是目前机器学习在风险管控方面的应用主要集中在信用卡领域，包括贷前审批、贷中风险快速响应以及贷后催收等。贷前审批也是我们常说的评分卡模型，它是基于历史客户的征信报告以及行内真实的消费还款等信息构建的机器学习模型。说白了，做风险管控的终极目的还是为了增加收益。但目前一般构建的评分卡模型并没有结合收益综合考虑，致使它只能做风险管控而无法做到拉新增加营收，及只能作为整个审批流程的一部分，无法做到全流程的自动化。欺诈行为是银行面临的又一大难题。或许，银行业最大的机遇之一就在于在线欺诈实时监测，