大數據時代的一些金融領域的應用方向是怎樣的？大數據技術對信用風險管理有哪些提升？大數據時代應該要解決的問題是什么？如何通過大數據的技術實現反欺詐？這對這些問題，IBM全球業務咨詢服務部大中華區大數據與技術負責人段仰圣進行具體分析。

大數據時代的一些金融領域的應用方向

我們可以理解到現在銀行其實普遍面對的挑戰是四方面，在過去IBM智慧銀行一直強調四個方向，第一建立以客戶為中心的企業，這是老生常談，目前來看也是非常重要的一個方向。第二，優化風險管理，銀行在風險管理上做的好的話他的貨幣會有最大的保證。另外還有驅動革新，管控成本，這四個方向來看，IBM今年跟大家做分享的時候是主要的四個方向。

我們看大數據怎么改變銀行業，從過去所謂銀行，Incomes是強調收入，可忽略了潛在開發的客戶。相反來看，我們如何會更好的應用我們這么多數據去發覺我們可以跟客戶開拓市場所謂的Outcomes。大數據與分析的領域中有哪些正在發生了改變，第一數據正在成為世界上最具有競爭優勢的最新資源。第二決策不再是少數精英的行為，而是授予更多德人。第三是隨著數據的價值不斷增長，當前系統將不能齊步并進。在行業領導者來看，大數據分析有著非常深遠的巨大影響。我們到底銀行業要做怎么樣更好的應用？看下面這個圖，大數據對日常應用來看有什么變化，第一個就是我們在大數據分析時代，我們會更好的來利用所捕獲的數據。過去來看有一個數據分析機，都是一個片段或者是片面的分析。大數據時代大家理解到我們數據分析的內容將會更全面，現在可以用更多的數據進行分析。第二部分可以看到我們希望降低利用數據所需的開銷，前面幾位嘉賓談到數據倉庫，從過去到現在很多銀行都花大量投資在數據倉庫的建設，最大的挑戰是如何降低在這部分的開銷，得到最好的效益。我們希望有一些新的方法來改變。第三我們過去來講更傳統的分析方式更多是從文化假設到分析結果發生結論，這是我們過去的分析。大數據時代現在的做法其實就是我們只要發現相關性，因為我們數據分析樣本夠多，我們發現相關性，就可以來做應用了。第四傳統的話我們更多是用我們收集到的數據來做這個結論，目前來看我們希望是更實時的，實時風險防范的時候，希望可以隨時防范風險。

往后看看過去，用后視鏡方式看世界，未來大數據時代怎么樣更好做預測。針對所有人的直觀分析，是任何在業務第一條線上都是會用到的。另外IBM談到的認知計算，過去更多思考還是傳統的分析方式，我們希望通過計算機的協助來幫助我們做更好的分析方式。最后一點隨時按需分析。

IBM對客戶做分享的時候都會用一層架構，左手可以看到更多是傳統的數據倉庫的技術，有一部分大家發現上面所有實時數據處理與分析，非常關鍵。右手是我們的分析，大數據時代最重要已經不是收集數據，最重要是分析，分析如何同這些數據里面找出有價值的內容，發生什么，為什么會發生，我該采取什么行動，這是更關注的問題。

IBM在全球看到大數據分析在銀行業來講可以應用的方向，我想可以作為大家思考一下我是否用大數據分析來解決我這些應用問題。可以看到放星號的部分，一個是信用風險管理，第二就是欺詐檢測預處理，這是兩個部分，在下面內容跟各位做比較深入的分析。

在全球研究人員來看，跨行業客戶里面大數據分析還是用在對客戶的管理，客戶的互動這個層面上。銀行基本上他的理念更高，下一個更關注的話題是風險管理化到23%，全球大數據分析應用來看，跟客戶互動，另外就是風險管理這個層面。

大數據技術對信用風險管理的提升

如何提高在信用風險管理？我們可以看到在傳統信用風險管理理念更多強調的是過去歷史數據作為基礎，做一些研究，產生報告，然后進行評分，最后做一個決策。我們發現剛剛銀監局的領導提到，很多時候帳本是有特別目的，他的帳不是他們實際的運作情況。我們其實也在思考如何利用大數據方式協助我們銀行做更好的風險管理，我們建議如何收集在網上數據之后進行分析，給出評價，這是我們認為在大數據時代信用風險可以幫助的。我們可以發現其實現在很多情況下對于這些企業有很多的分析，很多書面報道，我們都有一些對企業的看法。我們認為我們的客戶經理沒有辦法有這么多時間把所有內容做很深入的了解，這是很大的挑戰，大數據其實是希望在這個層面上可以幫忙。

這個想法很好，難點在哪里？最大的難點在于如何找到有用的信息，真正了解客戶的想法。第二就是得到這些信息之后，如何跟我過去的分析進行結合。這兩點當我們做一些工作的時候會面對一些挑戰。

IBM過去工作來看，第一部分如何在大量文本數據里面得到有用的信息呢？要用到所謂的自然語言處理的技術，各位關注到前一段時間的世界杯，IBM跟騰訊通過專有技術做了一些我們對于球迷一些分析，他們一些情緒分析甚至對球隊結果預測。事實上這個事情表明IBM是有能力協助我們企業對于海量文本信息進行分析的能力。如果我們一個企業在外面的信用評分不好或者是涉足一些危險項目或者有可能有壞賬傾向，我們通過這樣的方式很迅速的進行收集到這樣的內容，IBM在這方面可以協助企業來進行的工作。

如何更有效跟傳統的數據倉庫結合，這是傾向的看法，還要結合傳統分析的內容。各位可以看到，在這個圖上跟各位分享這些信息還是要回歸到傳統的分析環境里去，這是另外的挑戰。很多時候我的分析環境是基于一套標準，這個需要無縫銜接，最后的決策才會準確。這部分會牽扯到模型階段到詞匯需求模型甚至到設計模型，到底層數據支持都是連貫的結合。

希望未來的信用風險管理越來越超脫內部數據，結合外部數據，來做分享，我們來分析理論，行業風險影響，客戶間的風險影響。得出結論，更快地發現客戶潛在風險點。這是大數據如何可以協助企業對銀行來做更好的風險管理。

如何通過大數據的技術實現反欺詐

反欺詐在我過去工作十幾年里面，都是銀行熱議的話題，特別是反洗錢來看可能銀行更多只要去找到報送一些報表就可以了。發現越來越多的銀行關注到這個話題，這個話題對于銀行來看最大的挑戰就是我的數據量很大，我如何更有效的找到可能的欺詐，做一些防范，這是很困難。我跟各位分享一下IBM的觀點。

事實上你現在看到欺詐在金融環境下對各位造成的影響，每秒大概有12個人受害，全球大概有4.7兆因為被欺詐而造成的損失。現在欺詐都是有組織的行為，80%的欺詐都是有組織。談這些目的是告訴各位欺詐的行為在銀行業來看變成普遍行為而且是影響巨大的挑戰。

對于欺詐來看，可以把他做一些歸類，第一是所謂欺詐，這是典型金融犯罪行為，通過事件表現得到一些回報。第二是濫用，他雖然不是一種犯罪行為，但是對銀行和金融企業來講還是一種損失。這些犯罪團伙一些計劃性方式想辦法來獲得一些不當利益，也有一些投機性，個人或者員工在一些機會里面他想辦法去賺錢。犯罪行為其實還是需要做一些深入分析。

我們看到針對這么復雜的環境，需要通過幾個環節來更有效的應對。第一部分就是預防，我如何在第一時間避免這個事情發生。有一些業務的流程和業務的設定和方法避免這個事情發生。第二部分是偵測，第三，事情發生之后我怎么找到這個事情，最后是調查。這四個是不可或缺立法的工作，我們希望把這個流程在銀行里面建立起來，更有效的防范欺詐。IBM建立反欺詐框架，今年跟一些國內銀行談的時候，我們發現一個普遍情況，這個框架大家都非常的認同，從預防、監測、調查、報告，大家都非常認同，可能有一些基礎。我們看到的問題是有一些部分可能銀行做的深入一些，有一些部分銀行做的薄弱一些。我們建議各位對基于這個框架進行一些思考，在哪些環節做的不是太好，可以做更深入的加強。IBM提出這個框架，希望國內銀行在這個領域做一些創新。各位可以看到在預防層面上我們更在乎就是政策跟流程，下一步的舉措還有規則，預防，偵測、調查，發現。

在大數據的環境下，這些數據都在我們面前，最大的挑戰在于我如何通過有效方式找到這些數據或者這些情況，去做一些應對。第一部分就是我們要很有效的去識別交易實體和關系。第二部分業務規則，這些業務規則是書面上還是系統內，我如何做更好的管理，應用、發布，這是我們說為的規則庫。第三如何更有效的預測可疑和異常行為。如何知道哪些行為是有問題。還有管理和自動化和合作案例。銀行要做這些研究調查的時候牽扯很多部門合作，需要很好做自動化管理。