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(gè)人信用風(fēng)險(xiǎn)評估體系的締造者，全球領(lǐng)先的預(yù)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(jī)構(gòu)首席風(fēng)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(shí)踐”。

姚博士表示，美國的銀行利用機(jī)器學(xué)習(xí)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(yīng)用實(shí)踐更多是浮于表面，并直接指出國內(nèi)很多金融機(jī)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(shí)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(gè)很有名的物理學(xué)家——混沌理論的創(chuàng)始人，負(fù)責(zé)做模型。這個(gè)物理學(xué)家希望用他的理論來創(chuàng)造銀行的價(jià)值和增加預(yù)測的精準(zhǔn)度。

此外，銀行還請過專門預(yù)測地震的地震學(xué)家，用地震的方法來預(yù)測一個(gè)人會好或是壞。還有用數(shù)學(xué)家、計(jì)算機(jī)學(xué)家等，把世界各個(gè)行業(yè)的精英召集起來做預(yù)測。

大家注意，這樣的機(jī)構(gòu)不是科學(xué)院，而是個(gè)銀行??！那么，關(guān)于大數(shù)據(jù)，我今天講兩個(gè)（案例），一個(gè)反面，一個(gè)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(gè)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(gè)銀行，花了幾千萬人民幣，每天在找?guī)讉€(gè)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(gè)人9點(diǎn)半在星巴克喝了咖啡，下面又去干嘛干嘛了，覺得厲害。其實(shí)這不是大數(shù)據(jù)，因?yàn)榇髷?shù)據(jù)不是找一個(gè)人，而是找一群人。這是一個(gè)例子。

此外，還有專門研究電信大數(shù)據(jù)的人。他們認(rèn)為，發(fā)現(xiàn)如果有人打電話進(jìn)來，結(jié)果打完后時(shí)間很長的，這個(gè)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(gè)事（這種特性）到底有多少人？”

第二，你找到了做這個(gè)事和不做這個(gè)事的人的分辨率和預(yù)測率是多少？

做領(lǐng)導(dǎo)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(gè)行為，就是大數(shù)據(jù)了。

關(guān)于第二個(gè)問題，我舉個(gè)例子，銀行說找到了足夠的人來做這個(gè)事，不能找到幾個(gè)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(jì)上要跟別人從本質(zhì)上不一樣，必須滿足了這兩個(gè)條件才是有價(jià)值的大數(shù)據(jù)分析。

所以，應(yīng)該關(guān)心的是——找到了多少人，做這個(gè)事和不做這個(gè)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(jià)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(gè)數(shù)字很龐大。假如銀行1000萬的信用卡，一個(gè)人做10條交易，一年就是12億的數(shù)據(jù)了。這個(gè)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(yù)測模型，都是總結(jié)好的數(shù)據(jù)來做預(yù)測，用1萬元來做預(yù)測，預(yù)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(yù)測。

當(dāng)然了，光是這個(gè)也不叫大數(shù)據(jù)，因?yàn)樘珳\了。所以美國在幾十年前做這個(gè)東西就有套理論——他們認(rèn)為，銀行的任務(wù)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(shí)際上任何一個(gè)國家，不可能了解每個(gè)人的所有狀態(tài)面，這是做不到的，也很難做到。于是有個(gè)人創(chuàng)造了這么個(gè)理論——這個(gè)理論是指，我應(yīng)該是了解這個(gè)人的創(chuàng)造空間，知道他的XYZ，但跟真實(shí)的狀態(tài)空間并不關(guān)聯(lián)。這個(gè)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(diǎn)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?yàn)樘唵瘟恕５侵肋@個(gè)的人就已不多了，相信在坐也沒多少人知道這個(gè)理論，比如用一個(gè)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(gè)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(gè)變量。我們分析這250個(gè)變量，“做這個(gè)事”和“不做這個(gè)事”有足夠的預(yù)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(jìn)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(jī)器學(xué)習(xí)，用計(jì)算機(jī)來學(xué)習(xí)一樣?xùn)|西，讓機(jī)器幫我們做更好的決策。

40年前，美國的MIT管理學(xué)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(xué)歷好和學(xué)歷低的風(fēng)險(xiǎn)、有房子和沒房子的人的風(fēng)險(xiǎn)（當(dāng)然了，現(xiàn)在我們的房價(jià)高）、收入高和收入低的風(fēng)險(xiǎn)、女生和男生、年齡大和年齡小的風(fēng)險(xiǎn)的對比……這些都是人的單因子的分析。

但是如果我給你個(gè)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(gè)變量都有了，如何誰在將來12個(gè)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(gè)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(gè)、幾百個(gè)概念中做綜合判斷的，是計(jì)算機(jī)——只要給它數(shù)據(jù)，它都可以幫你計(jì)算出來。這是人工智能值得我們學(xué)習(xí)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(jì)算出評分。

美國幾乎各大銀行都在用機(jī)器學(xué)習(xí)做決策，這是機(jī)器學(xué)習(xí)一個(gè)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(yù)測模型，你做的決策會比人類做的決策精準(zhǔn)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。