在昨日由前海聯(lián)控、創(chuàng)大資本、前海夢工場聯(lián)合舉辦的前海國際科技創(chuàng)新峰會期間，全球個人信用風險評估體系的締造者，全球領(lǐng)先的預測分析和決策管理公司FICO的早期創(chuàng)始成員，前花旗銀行、匯豐銀行、陸金所等國際級金融機構(gòu)首席風控官William Yao（姚志平）博士分享了“人工智能、金融科技在美國銀行的最佳實踐”。

姚博士表示，美國的銀行利用機器學習等人工智能技術(shù)用得很深，用人工做決策的已經(jīng)比較少，但是，國內(nèi)卻停留在“talk-the-talk”層面，應用實踐更多是浮于表面，并直接指出國內(nèi)很多金融機構(gòu)的“大數(shù)據(jù)”并非大數(shù)據(jù)。

以下是姚博士的演講，雷鋒網(wǎng)作了不改變原意的編輯：

何謂大數(shù)據(jù)？一正一反的例子

今天我想跟大家分享一下，美國的銀行是如何用大數(shù)據(jù)和人工智能來產(chǎn)生實效的。美國的銀行在用大數(shù)據(jù)和人工智能方面，真的是用得很廣泛。他們用人工做決策的比較少，而且他做得很深。比如說花旗銀行，這銀行請了個很有名的物理學家——混沌理論的創(chuàng)始人，負責做模型。這個物理學家希望用他的理論來創(chuàng)造銀行的價值和增加預測的精準度。

此外，銀行還請過專門預測地震的地震學家，用地震的方法來預測一個人會好或是壞。還有用數(shù)學家、計算機學家等，把世界各個行業(yè)的精英召集起來做預測。

大家注意，這樣的機構(gòu)不是科學院，而是個銀行??！那么，關(guān)于大數(shù)據(jù)，我今天講兩個（案例），一個反面，一個正面。

大數(shù)據(jù)不是“多”，分析結(jié)果也要有群體效用

大數(shù)據(jù)是一個很俗的詞，哪里都可以聽到大數(shù)據(jù)，但是很多人講的卻不是大數(shù)據(jù)。比如某個銀行，花了幾千萬人民幣，每天在找?guī)讉€億的數(shù)據(jù)。這就是大數(shù)據(jù)？扒完后，他說看到上午某個人9點半在星巴克喝了咖啡，下面又去干嘛干嘛了，覺得厲害。其實這不是大數(shù)據(jù)，因為大數(shù)據(jù)不是找一個人，而是找一群人。這是一個例子。

此外，還有專門研究電信大數(shù)據(jù)的人。他們認為，發(fā)現(xiàn)如果有人打電話進來，結(jié)果打完后時間很長的，這個人肯定打電話的是老板。他覺得這就是大數(shù)據(jù)。

對于怎么考察大數(shù)據(jù)的效用，美國的老板是這么做的——他會問：

第一，“你說的這個事（這種特性）到底有多少人？”

第二，你找到了做這個事和不做這個事的人的分辨率和預測率是多少？

做領(lǐng)導的要問這些問題。

如果是20人左右不是大數(shù)據(jù)；如果說100萬人有這個行為，就是大數(shù)據(jù)了。

關(guān)于第二個問題，我舉個例子，銀行說找到了足夠的人來做這個事，不能找到幾個人。但除此之外，如果只找到他們?nèi)ズ瓤Х?，也是沒用的。這不是大數(shù)據(jù)。

統(tǒng)計上要跟別人從本質(zhì)上不一樣，必須滿足了這兩個條件才是有價值的大數(shù)據(jù)分析。

所以，應該關(guān)心的是——找到了多少人，做這個事和不做這個事的區(qū)別有多大？一定要這樣做，才會往前走。

方法太淺，數(shù)據(jù)價值發(fā)揮不出

20年前的信用卡積累到，肯定是大數(shù)據(jù)了，特別是信用卡的交易數(shù)據(jù)。比如，中國的銀行有1000萬的信用卡，這個數(shù)字很龐大。假如銀行1000萬的信用卡，一個人做10條交易，一年就是12億的數(shù)據(jù)了。這個數(shù)據(jù)量也很巨大。

那么，金融的交易數(shù)據(jù)為何有用呢？今天的銀行很多做預測模型，都是總結(jié)好的數(shù)據(jù)來做預測，用1萬元來做預測，預測出賭博、買酒，去飯店吃飯、買書等行為。信用卡交易可以做這些方面的預測。

當然了，光是這個也不叫大數(shù)據(jù)，因為太淺了。所以美國在幾十年前做這個東西就有套理論——他們認為，銀行的任務是了解客戶的狀態(tài)空間，所以要知道客戶的創(chuàng)造空間。

但是，實際上任何一個國家，不可能了解每個人的所有狀態(tài)面，這是做不到的，也很難做到。于是有個人創(chuàng)造了這么個理論——這個理論是指，我應該是了解這個人的創(chuàng)造空間，知道他的XYZ，但跟真實的狀態(tài)空間并不關(guān)聯(lián)。這個理論有套東西可以證明——只要變量觀察得足夠長，就是XI+和XI+，就可以跟真的需要找的人的狀態(tài)空間有點重合。

我們講大數(shù)據(jù)啊，如果你光是用來做這些，這不是大數(shù)據(jù)，因為太簡單了。但是知道這個的人就已不多了，相信在坐也沒多少人知道這個理論，比如用一個變量的離散空間，構(gòu)造出來的空間。反正按照目前的樣子，老板聽起來，就覺得這個東西是值錢的。

美國怎么做呢？他們是拿了千萬人的信用卡數(shù)據(jù)，比如我們曾經(jīng)試了3000多的變量，就找到了250個變量。我們分析這250個變量，“做這個事”和“不做這個事”有足夠的預測率，最后變成的模型。

所以，技術(shù)的核心是：

如何對這些變量進行構(gòu)造？

人工智能：擅長于多因子分析

人工智能，美國銀行用得比較狹義，就是機器學習，用計算機來學習一樣東西，讓機器幫我們做更好的決策。

40年前，美國的MIT管理學院做了研究：盡管智商很高的人，其大腦就是擅長于做單因子的分析。100萬人在我們面前，要識別出好的還是壞的，人很擅長做這樣的分析——學歷好和學歷低的風險、有房子和沒房子的人的風險（當然了，現(xiàn)在我們的房價高）、收入高和收入低的風險、女生和男生、年齡大和年齡小的風險的對比……這些都是人的單因子的分析。

但是如果我給你個問題，站在你面前是100人，都是男生，都是收入10萬元一年，都是一套房子，三張信用卡……什么情況都一樣，這幾個變量都有了，如何誰在將來12個月中的壞帳比例？想象一下，在坐的各位任何人都無法回答這個問題，讓愛因斯坦來回答也回答不了。

人的大腦擅長做單因子的分析，不擅長于做綜合因子的判斷，而擅長在幾十個、幾百個概念中做綜合判斷的，是計算機——只要給它數(shù)據(jù)，它都可以幫你計算出來。這是人工智能值得我們學習的地方。他們沒有感情偏差，能夠通過大量數(shù)據(jù)和權(quán)重計算出評分。

美國幾乎各大銀行都在用機器學習做決策，這是機器學習一個很好的方面。各位如果有足夠的數(shù)據(jù)、大數(shù)據(jù)，去造一些預測模型，你做的決策會比人類做的決策精準度要高很多，結(jié)果要好。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。