作者：追夢1819
原文：https://www.cnblogs.com/yanfei1819/articles/13412474.html
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！
對於金融行業而言，2019 年是監管政策不斷完善並逐漸趨嚴的一年，特別是在互聯網金融在經歷了粗放型的井噴式發展之后，金融風險不斷凸顯並集中爆發。
在此情況下，國家對於金融科技應用的監管政策不斷深化完善，監管要求更加細致嚴格。
但整體而言，國家政策依然持續鼓勵金融科技在合法合規條件下的創新發展和應用，如在《金融科技(FinTech)發展規划(2019-2021 年)》明確提出未來三年金融科技工作的指導思想、基本原則、發展目標、重點任務和保障措施，
並指出：金融科技是技術驅動的金融創新。
相對於歐美發達國家完善的傳統金融服務體系，我國金融服務一直以來存在門檻高、普及率低和供給不足等問題，小微企業、中低端收入人群的金融服務需求一直沒有得到有效滿足。
相對於傳統金融服務，金融科技應用帶來更加快捷便利的金融服務渠道，金融服務成本大為降低，以移動支付、互聯網理財等為代表的新金融服務模式，在金融科技的支撐下實現了快速發展和大規模普及。
一系列新興技術的發展為金融科技應用奠定了基礎條件
雲計算、大數據、人工智能
- 雲計算的集中存儲和按需調用模式，有效提升金融行業 IT 系統能力；
- 大數據是金融行業的基礎資源，基於大數據的計算分析是目前金融服務開展的核心能力支撐；
- 人工智能能夠有效提升金融智能化水平，降低服務成本，助力普惠金融。
金融與科技具有天然的融合性，其中，金融行業海量的數據和多樣化的商業模式，為科技應用提供了廣闊的空間。
目前，金融科技應用覆蓋到風控、營銷、支付和客服等金融業務的各大核心流程，
衍生出大數據風控、智能投顧、移動支付和智能客服等多種新興金融服務模式。
金融大數據
大數據能夠提供數據集成、數據存儲、數據計算、數據管理和數據分析等功能。
大數據技術主要分為數據接入、數據存儲、數據計算、數據分析四層。
金融機構最常使用的大數據應用場景包括：智慧營銷、實時風控、交易預警和反欺詐等業務都需要實時計算的支撐。
大數據分析平台可以對金融企業已有客戶和部分優質潛在客戶進行覆蓋，對客戶進行畫像和實時動態監控，用以構建主動、高效、智能的營銷。
數據匯聚，將原來存儲在上百個信息系統的數據整合，重新設計並搭建數據采集、存儲、傳輸的架構。
金融大數據具有極高的重要性，需要更加完善的安全保障措施。
金融數據的泄露、篡改可能造成系統性金融風險，甚至危及社會穩定。
部分數據如用於金融交易的用戶鑒別與支付授權信息需要全流程加密。
客服、風控、反欺詐、營銷等業務場景
大數據客服
利用大數據技術建立豐富的知識庫，智能客服能夠在一定程度上代替人工客服應對多樣化的客戶需求。
大數據技術以金融機構各業務系統的數據為來源，使用傳統 ETL 工具和分布式數據采集組件將海量信息抓取至大數據平台。
按照不同業務需求將數據分類，利用大數據模型和算法進行數據挖掘和分析，並創建可視化應用。
另外，智能客服系統提供 24 小時不間斷的在線服務，業務處理效率高，幫助提高用戶粘性
大數據風控
借助大數據技術的風控手段與傳統風控手段相比，風險數據來源和維度更廣，除了結構化的金融數據，還包括用戶行為、社會屬性、金融產品評價等半結構化或非結構化數據。
在數據應用邏輯方面，大數據風控側重挖掘數據間的相關關系，比傳統強調因果關系的分析方式在關聯邏輯、定義交叉風險因素方面的能力更強。
大數據風控的應用主要在借貸領域，以貸前風控為例，大數據風控的一般流程包括四個方面：數據收集、行為建模、構建畫像、風險定價。
通過系統日志采集、網絡數據采集和數據庫接入等方式收集各類信息，進行數據建模，建立數據假設，確定建模目標，利用大數據技術進行用戶畫像，將對象分類，最后開展風險定價。
大數據風控還具有實時監測和預警的功能，能夠及時發現客戶的異常行為或金融產品的異常表現，並做出止損反應。
大數據反欺詐
互聯網金融、移動支付
保險行業的騙保欺詐、個人金融領域的網絡黑產、供應鏈金融中的虛假交易
專業化、產業化、隱蔽化和場景化
傳統反欺詐技術維度單一、效率低下、范圍受限
大數據技術借助數據采集和分析定義欺詐的行為特點。
以黑產防范為例，大數據能夠幫助企業掌握互聯網金融黑產的行為特點，從業人員規模、團伙地域化分布以及專業化工具等情況，並制定針對性的策略，識別黑色產業鏈和減少損失。
大數據營銷
借助大數據技術，將收集到的各類用戶信息，包括職業、家庭狀況、網絡應用瀏覽記錄、交易信息等。
進行分類聚合關聯，結合大數據分析模型，實現用戶畫像。在用戶畫像的基礎上，金融機構能夠對客戶展開對應的營銷策略，如實時營銷、交叉營銷、個性化推薦、客戶生命周期管理等。
金融人工智能
人工智能使用機器代替人類實現認知、識別、分析、決策等功能，
它在金融領域應用主要包括五個關鍵技術：機器學習、生物識別、自然語言處理、語音技術以及知識圖譜。
金融行業沉淀了大量的金融數據，主要涉及金融交易、個人信息、市場行情、風險控制、投資顧問等多個方面。
其海量數據能夠有效支撐機器學習，不斷完善機器的認知能力，尤其在金融交易與風險管理這類復雜數據的處理方面。
人工智能的應用將大幅降低人力成本，通過對大數據進行篩選分析，幫助人們更高效率地決策，提升金融風控及業務處理能力。
人工智能在金融科技中的應用進一步提升了金融行業的數據處理能力與效率，推動金融服務模式趨向主動化、個性化、智能化，同時有助於提升金融風險控制效能、助推普惠金融服務發展。
人工智能技術在金融領域應用的范圍主要集中在智能客服、智能投顧、智能風控、智能投研、智能營銷等方面。
智能客服
智能客服主要以語音技術、自然語言理解、知識圖譜等為技術基礎，掌握客戶需求，通過自動獲取客戶特征和知識庫等內容，幫助客服快速解決客戶問題。
智能投顧
根據投資者的風險偏好、財務狀況與理財目標，運用智能算法及投資組合理論，為用戶提供智能化的投資管理服務。
智能投顧基於機器學習算法以及現代資產組合優化理論，來構建標准化的數據模型，並利用網絡平台和人工智能技術為客戶提供個性化的理財顧問服務。
智能風控
知識圖譜、深度學習等技術應用於征信反欺詐領域，其模式是將不同來源的結構化和非結構化大數據整合在一起。
分析諸如企業上下游、合作對手、競爭對手、母子公司、投資等關系數據，用知識圖譜等技術大規模監測其中存在的不一致性，發現可能存在的欺詐疑點。
在信用風險管理方面，關聯知識圖譜可以利用“大數據+人工智能技術”建立的信用評估模型，刻畫用戶畫像，對用戶進行綜合評定，提高風險管控能力。
智能投研
傳統投研業務需要收集大量的資料，進行數據分析和報告撰寫，投研人員每天需要耗費大量時間進行數據的收集與處理。
智能投研基於大數據、機器學習和知識圖譜技術，將數據、信息、決策進行智能整合，並實現數據之間的智能化關聯，形成文檔供分析師、投資者使用，輔助決策，甚至自動生成投研報告。
智能營銷
人工智能可以通過用戶畫像和大數據模型定位用戶需求，實現智慧營銷。
智能營銷在可量化的數據基礎上，基於大數據、機器學習計算框架等技術，分析消費者個體的消費模式和特點，以此來划分客戶群體，從而找到目標客戶，進行個性化營銷和推薦。
智能營銷相較於傳統營銷模式，具有時效性強、關聯性大、性價比高、個性化強的特點。
