• 移动端
    访问手机端
    官微
    访问官微

    搜索
    取消
    温馨提示:
    敬爱的用户,您的浏览器版本过低,会导致页面浏览异常,建议您升级浏览器版本或更换其他浏览器打开。

    鲍忠铁:数据驱动金融企业发现商机机会

    万木 来源:中国电子银行网 2017-05-25 14:43:06 数据 商业机会 原创
    万木     来源:中国电子银行网     2017-05-25 14:43:06

    核心提示鲍忠铁表示,在对数据的应用能力上,传统企业和互联网企业存在很大的差距。

    TalkingData首席布道师鲍忠铁
    TalkingData首席布道师鲍忠铁

      5月18 - 21日,由中国电子银行网与清华五道口联合主办的银行中高层管理者研修班在京召开,在互联网金融专家实战演讲中,TalkingData首席布道师鲍忠铁分享了金融行业对大数据的应用实践。

      鲍忠铁表示,在对数据的应用能力上,传统企业和互联网企业存在很大的差距。过去,传统企业用数据解决问题,用大数据做成本分析、财务分析、流程控制,实现效率的提升。在互联网企业时代,企业需要用数据做决策,用数据去发现企业的商业机会。

      在过去的20年中,金融行业的信息化解决了数字化运营的问题。但还缺少运营数据的思维,也就是将数据看成资产,在数据资产中发现新的商业机会。而这正是互联网企业的优势,领先的互联网企业将数据作资产,利用数据来驱动企业发展。

      大数据对金融企业的价值,鲍忠铁认为主要有三点:即提高效率、降低成本,增加收入。除此之外,互联网时代大数据对于金融的应用价值还体现在量化交易、指数预测、风险管理、数据库营销等方面。

      以下为演讲实录:

      鲍忠铁:大家好,很开心在这里和大家分享金融行业的大数据实践。我们分析一些真实的案例,在银行办理30万元的抵押贷款,过去银行要30天,但是互联网金融,比如阿里可能只要3天,有的互联网金融企业,时间更短,几分钟可以办下来。说明效率上银行有些落后了。再看成本,我们在银行办3万元的小微贷款成本是180元,在大的银行里面,30万的住房抵押贷款的成本接近2000元。而互联网金融企业的成本非常低,阿里小贷的数据,办理3万元的信用贷款,其成本仅仅需要6分钱。

      我们来对比一下,2015年BAT和四大国有商业银行,在收入、人均净利润、增长率、净利率,四大行净利率和增长率都落后于BAT。这个事情只有在中国四大国有银行和BAT对中出现吗?其实在2012年美国就已经发生了。美国四大顶尖银行,花旗、美银、富国、摩根,人均净利润4.8万美金,而同一时期微软、谷歌、甲骨文、谷歌他们是人均净利润是24万美元,科技企业在运营效率和人均净利润已经远远超过了金融行业,这个趋势在中国正在发生。

      美国顶级学校毕业的学生,过去他们愿意从事的行业有两个,牙医和律师,但是2014年统计,美国律师的就业人口的人数和2004年是一样的,说明律师已经不是一个高收入的行业。现在很多的美国名校的大学生毕业之后都去了硅谷,从事科技相关行业,2016年谷歌的普通工程师起薪为15万美元,超过了高盛等华尔街金融巨头。

      金融行业挑战大家都知道,一个是我们宏观经纪发展的L型底,这个L底还很长。另外就是年轻人基本不会到网点去办业务了,光大银行统计了一下,他们到网点办业务的人均年龄是52岁。金融行业还有一个大的挑战就是大企业已经玩金融领域了,比如在两年前万达3.15亿美元将快钱收了,但是收了快钱之后一年,快钱降低了万达的财务成本费用20个亿,这个收购很划算,两年就回本了。

      我原来也在传统金融领域,银行最担心的事情就是宏观金融不好,坏账率提高,个人客户不跟我们玩了,跟互联网企业玩,大客户自己做金融,比如中石油有昆仑银行,中移动入股了浦发,中移动花398亿买了浦发20%的股份,每年能拿到分到100亿的分红。

      传统企业和互联网企业他们在数据的应用能力上有很大的差距,过去传统企业用数据做什么?主要是解决问题,我们是用数据做成本分析的,财务分析、流程控制、效率提升,我用数据解决问题。但是互联网企业用数据做什么呢?互联网用数据去决策,用数据发现企业的商业机会。

      在过去的20年,我们做信息化只解决了数字化运营的问题,但是缺少下一个动作叫运营数据,就是把数据看成资产,在资产当中发现商业机会。

      大数据对金融企业的价值,我们分三块:

      第一,提高效率。

      第二,降低成本。

      第三,增加收入。

      下面我继续分享案例,大数据提高效率方面,有一个 Master的2012年的案例,过去730亿的帐单要跑一个月,现在用Hadoop只需要13分钟。三年前我们到银行里面拿收入流水单,基本上要等两个星期,现在到银行里面打个人工资流水,当天可以给你。然后就是IOE,我们金融行业每年付给IOE的软件维护许可费用是多少?超过几十亿人民币,有大数据之后很多技术是开源的,企业不需要再付这种费用。

      大数据在提高效率和增加营收的案例是DBS星展银行和沃森合作,当时DBS为什么选择跟沃森合作?DBS挑了三个顶尖的保险理财顾问和沃森做了八次的对决,请八个客户过来,客户把个人的理财需求提出来,理财经理和和沃森都给出理财方案,客户决定采用哪一个理财经理给他的建议,连续8次都是沃森赢了。因此DBS决定跟沃森合作做智能投顾。

      现在的中国市场智能投顾不是真正的智能投顾,而是叫机器人理财,做的事情是在已有的产品池里根据客户的风险偏好,挑一些适合客户风险偏好的产品。在华尔街最牛的数据科学家都在对冲基金里面,他们都在设计金融产品,大部分是ETF产品,设计ETF产品才叫智能投顾,中国大部分的智能投顾大都是机器人理财,根据客户风险偏好组合现有的金融产品。

      1996年,大摩收购了大通银行,它有600亿的美金抵押贷款,这600亿美金对他是风险,如果客户提前还款会损失它的利率,如果客户到期不还款,大摩会损失它的资产。摩根大通请了一个叫丹尼尔的数据科学家,通过决策树模型预测哪批客户可以提前还款,提前还款的时候,找到那批客户,给他推荐其他的理财产品。同时预测哪些客户未来三个月无法还款了,将客户介绍给介财务公司,将未来无法还款的资产卖掉。项目经过一年的运行,通过决策树技术,给摩根大通银行功概增加了6亿美金的收入,这就是典型的数学模型来知帮助业务决策,提升业务收入。

      花旗新加坡分行利用LBS进行营销,当客户走到shopping mall的时候,银行会根据历史消费记录,推荐你去什么地方消费,根据你的地理位置、时间、消费习惯,延续你整个消费的时间段,进行场景化营销。

      还是Master的案例,Master在应用数据方面很强大,它把十多亿张信用卡的交易记录做情报分析,把情报分析卖给很多的产业,比如零售产业、能源产业、化工产业等,同时它也会做它自己的一些基于消费记录的营销。当美国的中产阶级星期五4点下班的时候加油站刷了Master卡加油,Master就会判断客户有可能会开着自己的SUV,带着家人到郊外的别墅度假。当客户刷完卡之后Master卡会推荐附近客户喜欢餐厅的优惠活动,让客户去消费,70%的客户会接受这个建议,选择去消费。

      量化交易。大家知道,伦敦交易所40%的交易算法和模型是量化交易做的,高盛98%的股票交易也是量化交易做的,这不是高频交易,它是另外一个概念。我们很难用一个模型预测一个股票市场的波动和预测单个股票的价格,现在华尔街也没有一个人可以建一个模型,可以预测股票在未来的涨跌,如果真的建立这种模型,并且很准确的话,他就可以创建无限大的杠杆,去赚很多钱。为什么不能?是因为经济上、政治上的黑天鹅事件会导致股票预测模型在某种条件下是失效的,从而导致很大损失。例如美国一家公司三角洲,做了类似的股票预测模型,预测标准普尔变动,自称准确率可以达到70%,回撤都可以做到,但是这个模型是建立在历史数据之上的,所以你拿这个模型跑过去几天的真实数据,准确率很好,但是一旦进行预测,利用现在真实发生交易数据,其失败率非常高,这种高波动的市场场景是没有办法用模型去做的。

      量化投资也是一样,这个市场上是稳步向上涨的时候,比如大盘从两千点到三千点,这时候不用量化投资,闭着眼睛买股票可以赚很多钱,量化交易会有一个限制,不会让你拿到最高的收益或者最低的收益。量化投资是拿到风险识别之内可确定的收益,量化投资并不能取得世界上最高的投资收益,但是它永远会帮你降低风险,降低黑天鹅事件对你的冲击。

      大数据在指数预测方面的应用,英国的一个对冲公司和美国的学校做了基于Twitter的数据模型,预测道琼斯工业指数。这是美国河滨分校做过的验证,其实这是一个产品,已经用了,它会发现每天Twitter上的笑脸比率同股市上涨高度相关。Twitter上笑脸达到70%的时,股市指数上涨的概率股市会上升,达到70%以上。

      大数据实施风险管理,在企业风险管理可以参考企业之间的看关联投资。去年,某城商行发现有一个企业客户欠了两千万的贷款,客户说什么都没有,要破产了,厂房、汽车都可以给银行,总共净资产不到百万元。这个城商行真的没有办法追讨这个企业了,因为发现这个企业根本没有资产可以抵债了,两千万贷款基本上就报销了。最后这个城商行用了工商大数据做关联分析,发现这个企业在另外一个城市投资了两个高新企业,都有股份,银行就跑到那个城市,把这些企业的股份冻结了。然后到当地的法院起诉,把它的股权拍卖了,两千万的贷款也拿回来了。银行做风控的时候,用关联分析看企业之间的股本的投资关系,可以起很大的作用。

      大数据另外一个应用是营销。营销分数据库营销、场景营销、智能营销。深圳的一家银行发现客户在过去一年里,每月扣掉的物业费超过2000元,但是这些客户在本行账户上的存款低于5万,也就是说客户很多钱都存在他行。他们做了一些活动,同客户通电话和发短信建议客户购买一些理财产品,这样做下来三个月,给该行带来了40亿的存款。

      另外一个是信用卡公司的例子,传统的信用卡公司会看客户的收入、资产和整个授信情况决定是不是给客户发白金卡。美国花旗银行用了公开的数据,跟航空公司合作,对航空公司里面所有在一年之内坐了6次跨国的头等舱的花旗银行客户给发黑金卡,是典型数据营销的案例。

      去年,人工智能在硅谷有三个方面的突破,一个是AlphaGo,第二个是无人驾驶,还有一个是智能客服。国内人工智能在金融企业的应用还是两方面,要么是风控,要么是营销。风控这块我们做了一些尝试,营销这块我们也做了一些尝试。

      现在互联网盛行的一批,黑产,羊毛党,我们发现传统的金融、地产企业做营销、促销活动时,70%的东西都被它抢到了。中海地产连续做了三次营销,每次达到积分抢到了红包会送一个iPhone7,最后发现三次都是一个人,这就是羊毛党,在互金领域特别明显。

      Talkingdata会根据物理地址,APP行为和交易数据,还有跨APP的行为等等去分析数据,用图谱分析来识别羊毛党。我们经过分析之后发现一个设备上有19个用户帐号的登录,这就可以判断这个设备异常。另外一个用户会在三十多个设备上去登录,那也明显是羊毛党行为。另外一个案例是拓扑分析TDA,通过分子移动的不变性分析客群的风险情况。在这个图上可以看到,12这个数字是属于绿色的、橙色的、黄色的群体,通过这个数字的相关的联系,可以判断这这几个群体营销和风控上有同样的点。用于营销就是某些人喜欢某些产品,某些人就是坏人。在一个信用卡客户的真实案例中,我们用拓扑分析可以判断哪些人是坏人,哪些人违约了,哪些人是欺诈分子,准确率接近90%。

      机器学习在金融行业也有很多应用场景,我们经过数据分析发现10%的客户拥有银行90%的资产,大的银行更明显,可能5%的客户拥有你90%的资产。我们需要找到跟高资产客户更相近的人,在你已有的客户中找到哪些是潜在的高价值客户。TalkingData利用机器学习在一个股份制商业银行的案例中,找到了大量的高价值客户,3个月销售了将近40亿的理财产品。

      最后讲一下互联网金融到底怎么做大数据风控?除了用我们金融企业传统的高相关度的数据,互联网金融还用了一些行为数据,具体讲是根据客户提交的地址和电话分析,如果有很多重复记录,有可能是欺诈记录。还有填写填贷款申请的时间,正常情况下填贷款申请有21秒,但是你只要用了3秒,就说客户就是一个骗子。

      由于时间的关系,今天就分享到这里,下次有机会我们再分享一些人工智能案例,谢谢大家。

    责任编辑:方杰

    免责声明:

    中国电子银行网发布的专栏、投稿以及征文相关文章,其文字、图片、视频均来源于作者投稿或转载自相关作品方;如涉及未经许可使用作品的问题,请您优先联系我们(联系邮箱:cebnet@cfca.com.cn,电话:400-880-9888),我们会第一时间核实,谢谢配合。

    为你推荐

    猜你喜欢

    收藏成功

    确定