Финансовая отрасль является основным вариантом использования машинного обучения благодаря обильным наборам данных, доступу к капиталу и сильному стимулу для повышения эффективности и прогнозирования будущих результатов. Хотя рабочие процессы, основанные на правилах, прочно вошли в отрасль, многие предприятия в настоящее время обращаются к машинному обучению, чтобы автоматизировать процесс построения алгоритмов, особенно когда речь идет о финансовых технологиях.

По мере того как цифровые услуги становятся все более распространенными, финансовым организациям необходимо выйти за рамки механизмов, основанных на правилах, и ручного анализа данных, чтобы обеспечить соответствие требованиям, безопасность и обслуживание клиентов. Машинное обучение является более масштабируемым, гибким и надежным при правильной реализации, но требует правильных данных для предоставления практических идей.

Особенно это касается предсказаний человеческого поведения. На недавней встрече разработчиков Finastra я услышал от Бена Хоутона, руководителя отдела обработки данных в Barclays Payments, о его подходе к данным и о том, как он заставляет свои алгоритмы думать как человек.

Человеческая проблема

«Когда я говорю о своей работе, люди всегда предполагают, что я трачу все свое время на создание алгоритмов, написание кода и обучение машин, как думать», — объяснил Бен. «Большую часть времени я трачу на данные, их очистку и сопоставление, все. Вот почему нам нужно творчески подходить к вводимым данным».

Чтобы объяснить необходимость правильных данных, Бен использовал пример покупки молочного коктейля. Если мы хотим построить алгоритм, предсказывающий, какие люди будут покупать молочные коктейли, у нас будет много данных, которые мы могли бы ввести в него. Это может включать демографические данные клиентов, которые покупали молочные коктейли раньше, тип купленного ими молочного коктейля, вкус, цену и количество проданных единиц.

Это очень логичные точки данных для использования, но они могут быть не самыми предсказуемыми, поскольку вы не смотрите на данные, которые больше всего волнуют вашего клиента. Не зная, какие данные они используют для принятия решения, вашему алгоритму будет сложнее скопировать их логику.

Покупателя может больше волновать питательная ценность молочного коктейля, сколько времени требуется на его употребление, сколько упаковки или неудобств. Что касается демографической информации, может быть важно ввести статус занятости клиентов, чтобы найти тех, у кого есть располагаемый доход для молочного коктейля.

Как заметил Бен: «Правильное получение ваших данных и выбор правильной информации для подачи — это, безусловно, самая важная часть построения вашего алгоритма».

Машинное обучение Fintech на практике

Одно из основных применений машинного обучения — перекрестные продажи: представление клиентам новых продуктов на основе их предыдущего поведения. Используя машинное обучение, вы можете просматривать данные о предыдущих перекрестных продажах, чтобы увидеть, кто брал кредиты или кредитные карты в прошлом, создавать модели и объединять их с данными о существующей близости продуктов в их пользовательской базе.

Изучая, кто ранее покупал определенные продукты, а также их предыдущие покупки, алгоритм Barclays Payments может предсказать, какие другие клиенты с наибольшей вероятностью будут успешными возможностями перекрестных продаж, что полезно для маркетинговых кампаний или планирования взаимодействия с новыми клиентами.

Машинное обучение также используется для прогнозирования мошенничества. Просматривая предыдущие попытки мошенничества, они собирают маркеры, указывающие на мошенническую транзакцию, такие как время, местоположение, стоимость и место продажи, чтобы мгновенно сообщать клиентам о подозрительном поведении в режиме реального времени. Успех зависит от способности сопоставлять точки данных с активностью клиентов для создания индивидуальных моделей того, как выглядит «нормальный».

Сила подготовки

«Мы тратим примерно 15% нашего времени на создание алгоритмов, которые делают обобщения. Мы тратим много времени на то, чтобы привести наш проект в форму, понять, как выглядит проблема, и даже является ли машинное обучение подходящим инструментом для ее решения», — объяснил Бен. «Огромное количество нашего времени уходит на данные, извлечение их из наших систем, понимание того, с чем мы работаем, и их очистку, чтобы убедиться, что мы все это понимаем».

Машины могут думать как человек, только если они используют те же входные данные, что и человек. Успех зависит от принятия правильных решений в начале проекта, сужения области до правильных вопросов, проблем и подходов.

Для финансовых организаций, стремящихся использовать свои наборы данных, первым шагом всегда будет сжатие представления, чтобы сосредоточиться на наиболее личных элементах, чтобы помочь алгоритмам машинного обучения делать то же самое.

Об авторе

Райан Клиффорд — руководитель отдела по связям с разработчиками FusionFabric.cloud, открытой платформы разработки Finastra. Он увлечен созданием сообщества финтех-разработчиков и помогает экосистеме подключиться к FusionFabric.cloud.