百融云创出席“第三届新发展策略大会” 解读AI助力数字化“新基建”

导读 2020 年,新冠将整个社会和产业的数字化进程加速往前推进,业的数字化已成为全行业转型升级的必选题,甚至是生死题。 一方面,对业的强政策导

2020 年,“新冠”将整个社会和产业的数字化进程加速往前推进,业的数字化已成为全行业转型升级的“必选题”,甚至是“生死题”。

一方面,对业的强政策导向所带来的“大行下沉”和利差缩窄,对区域性中小的发展乃至生存带来了巨大挑战;另一方面,产业形态和人们生活方式的改变对原有的经营管理模式提出了新的要求,所以几乎所有都对数字化和转型升级投入了最大的热情,业的数字化“新基建”已然开始。

10 月15 日-16 日,第三届新发展策略大会在广州举办,大会主题为“数字化转型的路径与实践”,围绕数字化转型、大零售战略实践、小微金融、零售金融、大数据风控、公司金融数字化、供应链金融、智能营销、用户体验、新零售赋能等热点领域,以及资管业务、财富管理等焦点话题,全方位探讨最新的经营管理技术。

百融云创副总裁申宇峰

在“数字化转型的路径与实践”主题分享上,百融云创副总裁申宇峰发表了主题演讲,深度解读了数字化转型升级过程中金融科技的作用与技术保障。申宇峰以其深厚的技术理论和丰富的从业经验,介绍了云计算、大数据和人工智能技术在风控管理和量化方面能够发挥的作用,阐释了技术为业转型升级创造的发展契机。

组织与体系的升级

申宇峰表示,个性化的消费诉求、日趋白热化的市场竞争、金融监管的变化、金融供给侧改革等多种因素叠加,驱动金融机构数字化转型。数字化转型,意味着转换、融合、重构、敏捷:从传统的信息技术承载的数字转变成“新一代IT技术(云计算、大数据和人工智能)”的数字,实现技术应用的升级;打通全方位、全过程、全领域的数据,实现实时流动与共享,实现信息技术与业务管理的真正融合;基于数字化,加快传统业态下的产品设计、研发、运营、管理等的变革与重构;打破部门壁垒,发展敏捷组织,实现产品创新面向市场的快速响应。

核心在于数据和技术驱动

数字化核心在于数据、技术驱动。主要体现在三个方面:第一,风控数字化,要求丰富机构数据,特别是对人行征信的补充,如申请人非银信贷记录、网购消费等行为数据,以数据为基础,借助数据运营技术,实现贷前贷中贷后风控数字化,解放生产力。第二,客户数字化,需要以数据和技术为基础,在风险识别、需求识别、存量客户深耕、睡眠户激活等多个维度重塑客户经营和管理体系。第三,运营数字化,通过采集行为数据、纳入外部数据,以数据和技术为驱动,在获客场景、存量客户管理场景实现全面数字化营销和运营。

而要做到这些,需要大数据和处理技术支持,包括身份验证数据(要素验证)、反欺诈数据(团伙欺诈、多头数据、黑名单、欺诈评分)、信用数据(消费、偿债压力、授信额度建议、信用评分)和基于内外部数据的衍生其他数据,以及数据建模技术(LR、机器学习、深度学习、关系图谱)、系统处理技术(数据集市、决策引擎、催收系统、图数据处理、设备指纹技术、贷后管理系统)和智能语音(营销/催收机器人)。

在数字化运营业务流程中,百融云创客户全生命周期包括能前端营销获客、贷前识别欺诈客户风险、准确评估申请人信用,贷中实时动态监控预警,贷后催收策略。其中贷前信贷流程的关键节点包括获客、反欺诈、信用评估、提供额度、计算利率。针对团伙欺诈排查,可以应用机器学习算法、Label Propagation、Fast Unfolding来实现社团分割算法,再通过BigClam、关系推理、Graph embedding实现风险识别。如某城商行互联网贷款审批流程,通过应用大数据模型,减少人工审批环节,审批效率提高,审批成本下降,同时审批效果提升。

百融云创还可以通过营销响应分和营销成单分评估,实现存量客户精准营销。大数据和机器学习也从客户风险、价值、意向、需求的维度,来实现数字化客户分层和分群。

与此同时,贷中的实时监控存量客户,可以对潜在风险早发现、早处置,有效降低逾期率,并同时节约成本,提升体验。在制定贷后催收策略时,可根据逾期客户分层制定差异化催收策略,提升整体催收效率,优化催收资源分配,降低催收成本。

构建数字化转型的“3+1”平台

百融云创结合内外部数据源,形成数据仓库和实时仓库,通过特征池/库的提取调用,经过模型训练平台模型部署管理平台和决策引擎,实现各类业务应用,如反欺诈、贷前信用评估、贷中风险监控、贷后催收策略、精准获客与渠道管理。

有了上述理念与技术框架,百融云创基于数据中台,依托自动模型训练平台、自动模型管理平台和决策引擎平台,构建科技助力数字化转型的“3+1”平台,实现两个闭环:打造“数据获取—数据积累—数据应用”的数据生态闭环,构建“模型训练—模型部署—业务应用—更新迭代”的模型全生命周期管理闭环。

基于业务主题的数据中台负责数据关联与统一、数据资产积累和数据服务。其中,包括对海量数据信息进行统一计算,加工,对数据的标准和质量进行统一;所有数据被整理后会形成企业特有数据标准,再进行深入挖掘,产出业务逻辑,算法模型和抽象统一,生成大数据资产,为业务服务,数据服务;基于前两步的准备,开始定义服务中心和服务,提供数据资产管理目录,按需提供服务。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！