企业数据的科学

金融公司将机器学习应用于工作的4种方法

2019年8月1日
By 团队天博app下载

金融领域的几家行业巨头正在实施机器学习技术,以改善多个部门的运营和指导战略. 到目前为止, 机器学习算法在这个行业被用于检测欺诈, 补充传统信用评分, 评估贷款申请, 预测客户流失, 自动化通信以更有效地为客户服务, 并识别股票市场交易模式.

一些公司已经通过机器学习技术每年节省了数十万个工时, 而其他公司还没有部署模型. 现在, 机器学习仍然是一种“值得拥有的东西”,但它很快就会成为保持竞争力的必要条件. 你可能就执行机器学习程序进行过一些对话, 但你应该从哪里开始? 以下是金融公司正在实施的机器学习的四个应用:

1. 欺诈检测

机器学习在金融领域最常见的应用之一是欺诈检测. 欺诈检测算法可以用于在数秒内从数千个交易记录中解析多个数据点, 如持卡人身份资料, 这张卡是在哪里发行的, 交易发生的时间, 交易地点, 和交易金额. 实现一个欺诈检测模型, 为了正确地训练模型,一个数据集中应该已经存在多个准确标记的欺诈实例. 一旦模型在事务数据中检测到异常, 可以对通知系统进行编程,以便在模型识别出可疑交易的瞬间向欺诈检测服务发出警报.

欺诈检测是一种异常检测算法. 这些算法也可以应用到公司其他领域的数据集,以服务于不同的目的, 如网络入侵检测. 这就是为什么一些公司发现投资企业数据科学平台更有价值的原因之一, 而不是购买现成的模型或有针对性的分析解决方案.

2. 信用评分

许多贷款机构看到了开发定制信用评分模型的好处,该模型利用机构自己的客户活动数据来更好地预测扩展新信贷额度的风险或机会. 通过这样做, 他们可以减少贷款冲销带来的拖欠成本, 延期利息收入, 以及试图追回逾期付款的服务成本.

保持最准确的信用评分, 当获得关于错过付款或新债务的新数据时,客户将不断地进行重新评估. 机器学习算法被用来更新这些分数作为新的数据滚动. 信用评分算法本质上是一种预测算法,应该使用过去贷款的数据进行训练, 就算有足够的好贷款和坏贷款数据来有效地培训他们. 这些预测算法也可以用于宏观层面,以评估风险和预测市场走势.

3. 契约的自然语言处理

许多 自然语言处理 (NLP)算法是近年来使用Python开发的. 对金融机构, 可以训练NLP算法来读取和解析契约, 减少冗余劳动力的工时. 摩根大通开发了一种他们称之为“文本挖掘”的解决方案 硬币 (合同情报). 硬币通过分析文档中的某些单词和短语来帮助分析商业贷款合同, 挽救公司 每年36万小时.

4. 客户反馈的自然语言处理

建立了NLP模型,并应用于社交媒体上的客户沟通, 电话记录, 和客服聊天平台. NLP可以用来分析评论的情绪和意图. 与NLP, 机器可以对客户的反馈进行分类,帮助银行和金融机构更好地了解客户的整体情绪, 大多数的抱怨都是关于什么, 并收集模式来识别需要改进的地方. 他们还可以接受培训,以便在问题变成影响大量客户的大规模问题之前识别问题中的模式.

不断创新

尖端的机器学习算法几乎总是在开源社区创建的(比如视觉和音频数据处理). 这个社区的创新速度使得获取开源包和库对数据科学家来说必不可少. 希望启用和执行这里提到的用例的组织现在正在利用他们所了解和喜爱的开源社区,并授权他们的数据科学家使用集中管理进行协作和部署, 可伸缩的 开源数据科学平台. 这使他们能够根据自己独特的业务案例调整模型,并从少数模型扩展到拥有数千个模型的数百名数据科学家.

本网站使用cookie,以确保您在天博app下载的网站上获得最佳体验. 隐私政策
接受