不同领域的AI算法
# 金融行业的应用场景
# Fintech应用场景
Fintech：
Financial+technology，通过科技手段，使得金融服务变得更加效率
金融业务：保险、银行、券商、基金需要有科技为其支撑。此外，互联网公司也在开展金融业务，如蚂蚁金服
高盛集团的总裁宣称：We are a tech firm.
近几年，摩根大通集团约有1/3的分析师和员工被逼迫加入编程课程学习
# 银行不同部门的应用场景
个人金融：
个人金融部门利用数据算法为客户提供个性化服务，比如客户画像与精准营销、家庭财务规划公司金融：
公司金融部门通过数据算法优化企业金融服务，比如：企业信用评估、供应链金融金融机构：
对金融机构客户提供服务，运用银行自身资源，开展负债业务、资产业务和中间业务等，以获取综合效益。渠道运营：
渠道运营部门利用数据算法提升客户体验和运营效率，比如客户行为分析、网点运营管理风险管理：
风险管理是银行的核心职能之一，主要涉及：风险建模，市场风险预测，合规与监控资金交易：
资金交易部门利用数据算法提升交易效率和风险管理，比如算法交易、市场趋势预测数字财务：
数字财务部门通过数据算法优化财务管理，比如财务预测与决策，智能融资决策
# 个人金融
# 客户流失分析与预警
# 手机银行贷款页面优化
场景：手机银行贷款页面优化
•手机银行作为重要的媒介触点，针对不同地域、不同客群、不同行为习惯的用户，匹配贷款产品
•千篇一律or猜你喜欢
# 标签落地应用（易车案例）
# 因客定价
场景：因客定价
•利率可以基于借款人的信用、贡献度等因素进行差别化定价
优质客户=>利率低一些
普通客户=>利率高一些
优质客户的衡量可以参考信用评分卡
某银行推出个人消费贷，采用“因客定价”策略，根据借款人的信用状况、贡献度等因素，差异化设定利率。
- 优质客户：低利率
客户信息
姓名：张先生
信用评分：850分（分数区间：350-950分）
贡献度：高（长期存款客户，持有银行理财产品）
职业：大型企业高管
收入：稳定且高于平均水平定价逻辑
信用评分高，违约风险低。
对银行贡献度高，属于高价值客户。
职业和收入稳定，还款能力强。利率设定
基准利率：5%
优惠利率：4.2%（基于客户信用和贡献度下调0.8个百分点）
- 普通客户：较高利率
客户信息
姓名：李先生
信用评分：650分（分数区间：350-950分）
贡献度：中（仅持有普通储蓄账户）
职业：自由职业者
收入：波动较大定价逻辑
信用评分中等，有一定违约风险。
对银行贡献度一般，未达到优质客户标准。
职业和收入稳定性较差，还款能力存在不确定性。利率设定
基准利率：5%
实际利率：6.5%（基于客户信用和贡献度上浮1.5个百分点）
# 长尾客群营销
# 长尾客群营销（基于客户的潜力值及活跃度进行细分）
# 公司金融
# 贷款商机挖掘
建立分行级存量客户数据库
一个数据库能装入分行XXX万零售客户，
一期建设若干授信敏感变量，包含个人反洗钱九要素，分行近一年12个月没有AUM数，四个季度结息数，以及是否为小微企业相关标识和信用卡持有情况
由于信用卡本身做了征信查询授权，就可以利用信用卡的贷后征信查询做信用模型，数据库的变量做白名单筛选。将总行产品预审模型到分行数据库跑数，生成最终准客户名单。
最终挑选出存量客户中符合贷款产品的准客户，交由三支队伍中的存量经营团队线下营销
# 贷款商机挖掘
零售大表：客户姓名，年龄，收入，人生阶段，资产层级，职业……
企业客户表：客户姓名，年龄，企业名称，行业经营范围，企业成立时间，持股比例，是否专精特新企业纳税评级
字段所属表：所属库名，表名，字段名称，中文名称，字段类型，字段描述，字段备注，脱敏类型，安全等级，允许空值，统计口径是否主键，是否码值
意愿表：号码，姓名，性别，年龄，是否纳税A评级，营销响应分
# 金融机构
# 金融机构大客户与交易相关性分析
场景：金融机构大客户与交易相关性
•市场上的波动会影响到金融机构大客户在我行的结算余额
•对当前市场波动率进行判断，并基于结算余额与市场波动率的相关性进行分析和预警
# 渠道运营
# 商圈生意机会地图
# 风险管理
# 金融风控模型
场景：金融数据分析与风险控制
在信贷领域中存在信用卡违约和欺诈的风险，通过用户行为数据，分析申请借款用户的信用状况，来判断是否存在逾期。
通过分析交易时间、交易金额、收款方等多维度数据，我们还可以对信用卡会否被盗刷进行预测，防止信用卡被盗刷的风险
此外，通过预测模型，我们还可以分析出哪些因素容易导致违约，从而加强产品的设计
# 金融风控模型
# 金融风控模型
评分卡模型：
•评分卡模型是常用的金融风控手段之一
风控，就是风险控制，我们采取各种措施和方法，减少风险发生的可能性，或风险发生时造成的损失
•根据客户的各种属性和行为数据，利用信用评分模型，对客户的信用进行评分，从而决定是否给予授信，授信的额度和利率，减少在金融交易中存在的交易风险
•按照不同的业务阶段，可以划分为三种：
贷前：申请评分卡（Application score card），称为A卡
贷中：行为评分卡（Behavior score card），称为B卡
贷后：催收评分卡（Collection score card），称为C卡
- 外部征信数据是A卡中用户的主要数据
- 对于复贷用户，已经有了历史平台表现，所以B卡通常不会再次查询用户的外部数据，而是利用历史平台表现=>节省成本
- C卡不会再次查询用户外部征信数据，主要利用历史贷款过程中，催收人员记录的用户表现作为主要数据
评分卡模型：
•客户评分=基准分+年龄评分+性别评分+婚姻状况评分+学历评分+贷款申请次数
Thinking:某客户年龄为27岁，性别为男，婚姻状况为已婚，学历为本科，贷款申请次数为1次，那么他的评分=?
650 (基准分)+ 8(年龄评分) + 4(性别评分) + 8(婚姻评分) + 12(学历评分) + 13(贷款申请次数) = 695
Thinking：评分卡的最高分和最低分是多少？
最低分：650-8-2-3+1-8=630
最高分：650+13+4+8+12+13=700
# Case：基于评分卡的风控模型开发
Project：基于评分卡的风控模型开发
•数据集GiveMeSomeCredit，15万样本数据
https://www.kaggle.com/c/GiveMeSomeCredit/data
- 基本属性：包括了借款人当时的年龄
- 偿债能力：包括了借款人的月收入、负债比率
- 信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数
- 财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。
- 其他因素：包括了借款人的家属数量
- 时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年
# 资金交易
# 外汇市场预测
场景：外汇市场预测
•对外汇市场进行预测，进行金融产品设计
比如两个月美债和人民币倒挂激增，再看欧元，是否做个三角套汇（是否有套利空间，如果银行推广这个商品银行是有收益的，对客户也是有收益的）
- 波动规律分析法
通过外汇市场行情的波动进行分析，认为之前的行情变化规律和后市行情的变化规律有一定的参照性
基本面分析法
适合中长期行情，货币的强弱反映该国经济的好坏，尽管中间会有暂时性的波动，但从长期来看，它的价位会最终回归到与经济状况相匹配的位置上。技术分析法
比如MACD、RSI、移动平均线等指标作为分析依据
场景：期货套利模型
•影响某个品种的涨跌因素非常多（自身基本面、宏观经济、原材料价格等）
•如果只做单边交易=>遇到突发事件，会造成剧烈波动，导致平仓
•套利交易可以针对单品种跨期，跨品种交易两个合约的相关性极高，一多一空，可以对冲掉90%以上不确定因素=>只要核心逻辑正确的，大概率是赚钱的
# 数字财务
# 资金流入流出预测
场景：资金流入流出预测
•https://tianchi.aliyun.com/competition/entrance/231573/information
•数据集一共包括4张表：用户基本信息数据、用户申购赎回数据、收益率表和银行间拆借利率表
2.8万用户，284万行为数据，294天拆解利率，427天收益率
2013-07-01到2014-08-31，预测2014年9月的申购和赎回
# 财务数据可视化报表
# 银行数智化面临的挑战
# 制造行业应用场景
# 螺栓扭矩曲线识别与缺陷检测
业务场景：
螺栓是否拧紧对于汽车安全至关重要
现在的方法：技术人员只检测最终点是否在某个范围之内
可能的问题：
实际上，螺栓需要经过一个平台期，再最终达到规定的范围窗口内，安全质量会更高。否则只检测最终点，而没有达到平台期，可能多年之后会有安全隐患
提出的数据分析解决方案：
对完整的扭矩曲线进行分析，检测：
- 是否存在平台期，以及平台期的长度
- 是否在平台期之前，存在曲线抖动，计算抖动的次数
（扭矩爬坡的抖动情况也是螺栓拧紧质量的重要特征）
通过数据分析可以提取螺栓扭矩中的重要特征，从而对原有的螺栓拧紧标准进行更新（之前只对最终点设立标准）
# 车身表面缺陷检测
