2017年人工智能在消費金融領域的實踐.pdf

《2017年人工智能在消費金融領域的實踐.pdf》由會員分享，可在線閱讀，更多相關《2017年人工智能在消費金融領域的實踐.pdf（23頁珍藏版）》請在三個皮匠報告上搜索。

1、人工智能在消費金融領域的實踐消費金融市場&秦蒼科技簡介互聯網時代消費金融業務的挑戰人工智能在信用評分中的應用人工智能在反欺詐中的應用人工智能在消費金融其他應用領域的探索人群人口征信報告消費金融服務白領、自雇2億有信用卡、BATJ，小貸公司藍領、初級白領2.5億無秦蒼科技學生0.3億無學生貸農民4億無農村金融消費金融市場秦蒼科技愿景以金融技術為本質，以基于場景的消費分期為切入點，通過優質服務，為年輕人群提供隨身消費金融服務消費金融市場&秦蒼科技簡介互聯網時代消費金融業務的挑戰人工智能在信用評分中的應用人工智能在反欺詐中的應用人工智能在消費金融其他應用領域的探索挑戰一：薄文件人群的信用風險識別7挑

2、戰二：中國特色的欺詐問題全中國有數百萬職業詐騙者ID欺詐虛假申請申請欺詐商戶欺詐挑戰三：信貸業務中的逆向選擇問題9好人壞人20%50%100%好人壞人一流體驗較為繁瑣無可忍受傳統審核方式不能滿足新的挑戰，信貸技術需要不斷進化10適用人群服務時間決策時長放款時間數據量介質有征信記錄人群9am-5pm7-14天3-5天50/用戶紙傳統金融機構審核成本人工成本高審核模式老專家+人工模型互聯網時代消費金融業務的挑戰人工智能在信用評分中的應用人工智能在反欺詐中的應用人工智能在消費金融其他應用領域的探索消費金融市場&秦蒼科技簡介人工智能在信用評分中的應用-解決薄文件人群信用挑戰利用人工智能技術挖掘數據價值

3、獲取更加豐富的海量數據服務時間決策時長數據量9am-5pm24*77-14天2.8分鐘50/用戶10,000/用戶秦蒼科技傳統機構審核成本人工成本高全自動、成本低審核模式老專家/簡單模型機器學習模型VS.人工智能在信用評分中的應用-海量數據和長尾特征131,0001,5002,0002,5003,0003,500Amount時間模式11,0002,0003,0004,000Amount時間模式21,0002,0003,0004,000Amount時間模式3借款金額:_傳統機構提升 10%AUC人工智能在信用評分中的應用 分類問題標簽定義M4+vs.FPD vs.FSTPD模型邏輯回歸隨機森林A

4、daBoostXgBoost模型選擇Cross ValidationROC-AUC數據接入與清洗特征提取模型選擇風控表現決策分類問題人工智能在信用評分中的應用-機器學習模型的自動訓練和實時決策大幅度提高預測準確性15AUC on month傳統機構模型更新頻率每3-6個月每天更新模型方式人工更新機器自動更新表現提升5-10%AUC人工智能在信用評分中的應用-多模型并行,擇優進化結果提高體驗-審核時長由分鐘級別降至0.1秒壞賬率下降25%全自動，無人工成本模型1模型2模型3流量表現互聯網時代消費金融業務的挑戰人工智能在信用評分中的應用人工智能在反欺詐中的應用人工智能在消費金融其他應用領域的探索消

5、費金融市場&秦蒼科技簡介人工智能在反欺詐中的應用-基于社交抱團模型識別中國特色的欺詐18高風險申請人低風險申請人聯系人人工智能在反欺詐中的應用-基于無監督學習的欺詐識別19聚類預防欺詐-成功率在60%以上消費金融市場&秦蒼科技簡介人工智能在信用評分中的應用人工智能在反欺詐中的應用人工智能在消費金融其他應用領域的探索互聯網時代消費金融業務的挑戰人工智能在金融產品額度策略和風險定價中的應用-規避逆向選擇問題金融產品額度、利率、期數風險接受率基于貝葉斯的分析框架RATERATE優化目標：期望收益:用戶的個人特征：用戶表現：金融產品屬性max(,)(|,)y總結回顧-三大挑戰以及人工智能的應用中國特色

6、的欺詐問題社交網絡抱團模型無監督學習信貸業務中的逆向選擇問題基于貝葉斯分析框架的額度策略和風險定價薄文件人群的信用風險識別分類模型海量數據和長尾特征自動訓練和實時決策多模型并存，擇優進化人工智能廣泛地應用在秦蒼科技業務決策的各個環節，大幅提升商業價值23信用評分決策反欺詐決策營銷策略定價策略額度策略機器學習算法分類、回歸聚類網絡分析增強學習貝葉斯分析深度學習數據獲取特征提取建模決策Octopus智能信貸技術初始變量：20個衍生變量：10000個用戶輸入在科技突飛猛進的今天，不斷提升技術投入是應對業務挑戰的唯一解決方案24教育背景985/211985/211比例：50%50%秦蒼團隊風控團隊：100+100+人技術團隊：300+300+人團隊經驗3 3年以上經驗：62%62%5 5年以上經驗：40%40%團隊背景：