Qin Cang Teknolojisi Veri Bilimcisi Shen Yun: Tüketici Finansal Ürün Optimizasyonu ve Risk Kontrolünde Yapay Zeka Uygulaması (PPT + video ile) | Zor Oluşturma Açık Sınıfı
Çin'in tüketici finansmanı piyasasının kullanıcıları kabaca dört türe ayrılabilir: 1. Beyaz yakalı işçiler ve serbest meslek sahipleri; 2. Mavi yakalı işçiler; 3 öğrenci; 4. çiftçiler. Bunların arasında ilk ikisi ana tüketici gruplarıdır ve pazar ölçeği çok geniştir. Beyaz yakalı çalışanlar ve serbest meslek sahipleri, çoğunlukla banka kredi kartlarını ve BAT ve JD.com gibi büyük şirketler tarafından sağlanan tüketici finans ürünlerini kullanan merkez bankası kredi raporlarına sahiptir. 250 milyon mavi yakalı işçi çoğunlukla zayıf belgelendirilmiş kişilerdir (merkez bankasının kredi raporu çok az veri toplayabilir). Tüketim konusunda güçlü bir dürtüleri vardır ve İnternet finans ürünlerinin ana hedefidirler. Ve geleneksel banka kredilendirme döngüsü onların ihtiyaçlarını karşılayamayacak kadar uzun olduğu için; anında ve verimli İnternet tüketici finans ürünleri en iyi seçim haline geldi.
Öyleyse, İnternet tüketici finans şirketleri, çok sayıda ince belgeli insandan yüksek kaliteli müşteriler bulmak, kullanıcı bağlılığını artırmak, riskleri azaltmak ve getirileri en üst düzeye çıkarmak için bu pazar fırsatını nasıl değerlendirebilir? Bu zorlu açık sınıfta, Leifeng.com, Qin Cang Technology'den bir veri bilimcisi olan Dr. Shen Yun'u tüketici finansal ürün optimizasyonu ve risk kontrolünde yapay zeka uygulamasını paylaşmaya davet etti.
Giriş:
Bu açık sınıf aşağıdaki içeriği içerir:
1. Kullanıcı çok boyutlu zayıf değişken verilerine dayalı kapsamlı kredi puanı
2. Finansal dolandırıcılığa karşı sosyal ağ algoritmalarının uygulanması
3. Makine öğrenimi modeline dayalı kota stratejisi
4 Makine öğrenimine dayalı finansal ürün tasarımı
5. Yapay zeka uygulamalarının son teknoloji keşfi: kullanıcı yaşam döngüsü yönetimi
Misafir tanıtımı
Qin Cang Technology'de veri bilimcisi olan Dr. Yun Shen, finans alanında makine öğrenimi araştırma ve geliştirme alanında 9 yıllık deneyime sahiptir. Almanya, Berlin Teknik Üniversitesi'nden elektronik bilgi bilimi ve teknolojisi alanında doktora derecesi, Şangay Jiaotong Üniversitesi'nden bilgisayar bilimi ve teknolojisi alanında yüksek lisans derecesi, Berlin Teknik Üniversitesi'nden elektronik bilgi bilimi ve teknolojisi alanında yüksek lisans derecesi ve Şangay Jiaotong Üniversitesi'nden bilgisayar bilimi ve teknolojisi alanında lisans derecesi vardır.
Machine Learning Research, Neural Computation, SIAM Journal on Control and Optimization gibi Machine Learning, Neural Networks ve Applied Mathematics alanlarında en iyi dergilerde ve konferanslarda birçok akademik makale yayınladı.
Almanya'da LOBSTER Verileri için kantitatif bir analist olarak görev yaptı, yüksek frekanslı Nasdaq verilerini analiz edip işledi ve ürün lansmanlarının tamamlanmasına yardımcı oldu. Şu anda Qin Cang Technology'de bir veri bilimcisi ve kullanıcı yaşam döngüsünde makine öğrenimi tabanlı kredi puanlama, kota stratejisi, dolandırıcılık önleme ve otomatik dinamik frekans modülasyon sistemi oluşturma ekibine liderlik ediyor. Kredi puanlamasını 1 saniye içinde tamamlamak için kullanıcı verilerine dayalı bir puanlama mekanizması başarıyla oluşturuldu ve bu, AUC'yi geleneksel modellere kıyasla% 25 artırdı.
(Bu genel sınıfın tam videosu, toplam 51 dakika)
Aşağıda Leifeng.com'un misafirler tarafından paylaşılan içeriğin rekor derlemesi bulunmaktadır.
risk kontrolü
Kredi notuRisk kontrolü, tüketici finansmanı alanında temel bir konudur ve kredi puanlama mekanizması, riskleri kontrol etmek için etkili bir araçtır. Kredi puanlama mekanizması, bir sınıflandırma problemine, yani bir kullanıcının geçmiş davranışına dayanarak "iyi bir insan" mı yoksa "kötü bir insan" mı olduğuna karar vermek için basitleştirilebilir. Bir kullanıcı birkaç ay gecikmişse, onu "kötü insan" olarak kabul ederiz, gecikmiş bir davranış yoksa, o zaman "iyi bir insan" dır.
Kullanıcı kredisini puanlamak için makine denetimli öğrenmede klasik sınıflandırma algoritmasını kullanıyoruz. Puanlama süreci aşağıdaki adımlara bölünebilir:
Veri içe aktarma ve temizleme. Veri toplama işlemi sırasında kirli veriler toplanabileceğinden, ek olarak bazı kullanılamayan, hesaplanmamış verileri ve boş verileri de ortadan kaldırmamız gerekir.
Özellik çıkarma. Veri toplarken, genellikle 10.000'den fazla veri noktası topluyoruz ve ardından özellik çıkarma yoluyla yüzlerce özellik noktası çıkarıyoruz.
Model seçimi. Modelde, lojistik regresyon, rastgele orman, AdaBoost, XgBoost, sinir ağı vb. Gibi bazı makine öğrenimi algoritmalarını kullanacağız. Bir model seçerken, çapraz doğrulama yaklaşımını benimseyeceğiz ve modelin iyi mi yoksa kötü mü olduğuna karar vermek için ROC tabanlı AUC kullanacağız.
karar verme. Karar verildikten sonra, modeli olumlu bir geri bildirim döngüsü oluşturacak şekilde eğitmek için kullanıcı performansını gözlemleyebilir ve verileri yeniden çıkarabiliriz. Diğer bir deyişle, daha fazla ve güncellenmiş veri toplandıkça, modelimiz yinelenmeye ve gelişmeye devam edecektir.
Uygulama sonuçlarından yola çıkarak, AI karar verme, karar verme süresini, geleneksel manuel olarak geliştirilen algoritmik kararlara kıyasla dakikalardan 0,1 saniyeye kısaltabilirken, şüpheli borç oranını% 25 azaltarak, işletmeleri her yıl on milyonlarca maliyete kadar kurtarabilir.
Herkesin bildiği gibi, görüntü tanıma ve bulut tanıma sorunlarını çözmek için derin sinir ağlarını kullanmak, genel olarak konuşursak, ne kadar çok veri toplanırsa, eğitimli model o kadar iyi olur. Ancak finansal alan farklıdır.Finansal verilerin çok güçlü bir zaman etkisi vardır.Güncel verilere ne kadar yakınsa, o kadar öngörücüdür. Ne kadar çok veriniz varsa model o kadar iyi değil. Bu nedenle modelin düzenli olarak güncellenmesi önemlidir.
Model, tarihsel verilere dayalı olarak eğitilir ve gelecekte anormal olayların meydana gelmeyeceği varsayımına dayanarak tahmin etkinliğini sürdürebilir; anormal bir olay meydana geldiğinde, modelin etkinliği azalabilir. Sistem tahmininin istikrarını sağlamak için, aynı anda birbiriyle rekabet edecek birden fazla model geliştireceğiz.
Örneğin, üç modeli eğittik ve onlara farklı trafik atadık: Model 2 en yüksek trafiğe sahipti, Model 1 takip etti; Model 3 en düşüktü. Bir süre sonra, her modelin performansını toplayabilir ve doğruluğuna göre akışı dinamik olarak ayarlayabiliriz. Bir model iyi performans gösteriyorsa, daha fazla trafik ayırın, aksi takdirde trafiği azaltın. Bu modelin etkinliği uzun süre düşmeye devam ederse kademeli olarak ortadan kalkacak ve aynı zamanda yeni modeller de yarışmaya katılacaktır. Sonuç olarak, çok modelli paralellik ve optimal evrim, sistemin kararlılığını korumak için çok önemlidir.
Sosyal ağlar aracılığıyla dolandırıcılıkla mücadele analiziTüketici finansal ürünlerinin risk kontrolünde çok önemli bir diğer kısım da dolandırıcılığın önlenmesidir. Dolandırıcılıkla mücadelede ana yöntemimiz sosyal ağ analizidir. Sosyal ağ analizi için kullanılan veriler genellikle cep telefonu acil durum kişileri, iletişim kayıtları, adres defterleri vb. Gibi cep telefonu numaralarına dayalıdır.
Yukarıdaki, sosyal ağ ilişki yapısının şematik bir diyagramıdır Şekilde, her nokta bir kullanıcıyı temsil eder ve bir hat segmenti ile bağlanan iki nokta, birbirinin cep telefonu kontaklarıdır. Bu kullanıcılardan bazıları ortak bir düğüm üzerinden bağlanabilir, sonra onu bir grup olarak kabul edeceğiz. Grubu bir birim olarak alarak, bazı sosyal ağ özellikleri çıkarılabilir:
Gruptaki diğer kullanıcıların performansı , Gecikme oranı, işlem hacmi vb. Bu karakteristik yargının ana fikri, "Zhu'ya yakın olan kırmızıdır ve mürekkebe yakın olan siyahtır" şeklinde özetlenebilir.
Grubun kendisinin özellikleri , Düğüm sayısı, gruptaki kullanıcılar arasındaki bağlantıların sıkılığı vb.
Gruptaki kullanıcıların özellikleri Gruptaki kadın sayısı, bölgesel dağılım, ortalama kredi miktarı vb. Genel olarak konuşursak, gruptaki kadınların oranı ne kadar yüksekse, gruptaki kullanıcıların "iyi insanlar" olma olasılığı da o kadar artar.
Sosyal ağlardan çıkarılan özellikler iki ana alanda kullanılabilir:
1. Özellik verilerini kredi puanlama modeline ekleyin Doğruluğunu artırmak için. Geçmiş deneyimlere göre, bu verileri ekledikten sonra, AUC değeri% 3-5 oranında artırılabilir.
2. Denetimsiz kümeleme yöntemiyle sahtekarlığı önleyin. Belirli bir alandaki tüm kullanıcıların özelliklerini analiz edip bunları iki boyutlu bir düzleme yansıttıktan sonra, genellikle diğer kullanıcılardan çok uzakta olan iki ila üç anormal nokta bulabiliriz. Şu anda, araştırma mekanizmamız bu kullanıcının gerçekten sahtekarlık yapıp yapmadığını araştırmak için tetiklenecek. Uygulama testleri, bu aykırı değer tespit yönteminin yaklaşık% 60 doğruluğa ulaşabileceğini göstermektedir, bu da sosyal ağ özelliklerinin analizinin sahtekarlığı önlemede gerçekten etkili olduğunu kanıtlamaktadır.
Ürün optimizasyonu
Finansal ürün parametrelerini optimize edinTüketici finans ürünleri ağırlıklı olarak taksitli kredileri ifade eder, kredi kartı olarak düşünebiliriz, ana parametreleri kota, faiz oranı ve dönem sayısıdır. Bu parametreleri tasarlarken esas olarak iki yönü dikkate almamız gerekir:
Ürün kabulü. Kullanıcılara ürün önerdiğimizde kullanıcılar kabul edecek mi? Genel olarak, ürün kotası ne kadar büyük ve faiz oranı ne kadar düşükse, kullanıcıların bunu kabul etme olasılığı o kadar artar.
risk kontrolü. Kullanıcı kabulü arttıkça risk de artar. Kullanıcılara sağladığımız miktar geri ödeme kabiliyetlerini aşarsa, para geri alınamayabilir.
Ürün kabulü ve birbiriyle risk çatışması ve bir uzlaşma bulmamız gerekiyor.
Aşağıda, geliştirdiğimiz Bayes algoritmasına dayalı bir çerçeve sunulmaktadır. Tüketici finansmanı senaryosunda, basit bir ifadeyle, kullanıcılar "iyi insanlar" ve "kötü insanlar" olarak ikiye ayrılabilir. Kullanıcı performansı ve finansal ürün parametreleri göz önüne alındığında, temelde bu ürünün sağlayabileceği faydaları belirlemek mümkündür. Ancak aynı kullanıcının farklı dönemlerdeki performansı farklıdır. Örneğin, kullanıcının bu dönemdeki mali durumu nispeten iyidir ve krediyi zamanında geri ödeyebilir; bir süre sonra mali durumu bozulur ve ödemeyi yapamayacak olması çok muhtemeldir. Kullanıcıların "iyi adam" mı yoksa "kötü adam" mı olduğu olasılıklı bir sorudur.
Yukarıdaki formülde p, belirli bir finansal ürün ve kullanıcı verildiğinde kullanıcının "iyi bir kişi" veya "kötü bir kişi" olma olasılığını temsil eder. Tüm durumların genel olarak değerlendirilmesinden sonra, bu kullanıcının beklenen faydası elde edilebilir.
Ürün parametrelerini ayarlayarak geliri en üst düzeye çıkarmayı umuyoruz ve ayrıca vadesi geçmiş kullanıcıların riskine de dikkat etmemiz gerekiyor. Belirli bir ürün verildiğinde, bir kullanıcının "iyi bir insan" olma olasılığının 0,6 veya 0,8 gibi belirli bir değerden daha yüksek olduğunu umuyoruz. Bu, dolaylı olarak olası kullanıcı kaybını kontrol edebilir.
Yukarıdaki şekil, "kullanıcının" iyi bir kişi "veya" kötü bir insan "olma olasılığı hakkındaki tahminimizi göstermektedir. X ekseni kotayı temsil eder, y ekseni periyot sayısını temsil eder ve z ekseni kullanıcının "iyi bir insan" olma olasılığını temsil eder ve her eğimli yüzey bir kullanıcıya karşılık gelir. Şekilden bazı kullanıcıların kota ve dönem sayısı konusunda çok hassas olmadığı görülmektedir. Kontenjan ve dönem sayısı arttıkça "iyi adam" olma ihtimali azalır ama her zaman belli bir değerin üzerindedir. Bazı kullanıcılar miktar ve süre konusunda çok hassastır. Çok sayıda kullanıcı özelliği çıkararak, modeli sürekli olarak optimize edebilir ve her kullanıcı için uygun bir finansal ürün uyarlayabiliriz.
Peki bu model ne kadar etkili? Yukarıdaki resim gösterilmektedir. Şekildeki x ekseni risk eşiğini temsil ediyor.Sol uç eşiğin çok düşük olduğunu ve büyük riskler alabileceğimizi; sağ uç eşiğin çok yüksek olduğunu ve borç verme stratejisinin ihtiyatlı olma eğiliminde olduğunu gösteriyor. Y ekseni, bir kullanıcı için tahmin ettiğimiz kredi tutarının geçmişteki kredi tutarına oranını temsil eder. Oran 1'den büyükse, bu, öngörülen kredi tutarının geçmişteki kredi tutarından daha yüksek olduğu anlamına gelir ve aynı durum tersi için de geçerlidir. Şekilden görülebilir:
Aynı risk eşiği altında, "iyi adamlar" (siyah) her zaman "kötü adamlardan" (turuncu) daha yüksek kredi alır.
Risk eşiği arttıkça, kullanıcıların aldıkları kredi miktarı kademeli olarak azalmaktadır.
Belirli bir risk eşiği bağlamında, beklenen "iyi adamlar" miktarı her zaman geçmişteki kotadan yüksektir, "kötü adamlar" ise bunun tam tersidir.
Sonuçlar beklentilerle tam olarak uyumludur, bu da Bayes algoritmasına dayalı analiz çerçevemizin gerçekten etkili olduğunu kanıtlamaktadır.
Kullanıcı yaşam döngüsünü uzatınKuruluşlar her zaman kullanıcıların ürünlerini mümkün olduğu kadar uzun süre kullanabileceklerini umarlar. Bu nedenle, yeni kullanıcı krediyi planlandığı gibi ödünç alıp geri ödedikten sonra, şirket ona başka finansal ürünler önerecektir. Öyleyse, müşterileri mümkün olduğunca nasıl elde tutmalı ve yaşam döngülerini nasıl uzatmalı?
Kullanıcının geri ödeme döngüsü boyunca, kullanıcının her geri ödeme düğümündeki performansına bakarak kullanıcının "iyi kişi" veya "kötü kişi" olup olmadığına karar verebilir ve ilgili ayarlamaları yapabiliriz. Kullanıcılar geri ödeme konusunda iyi performans gösterirlerse, miktarı uygun şekilde artırabilir veya ilgiyi azaltabilir ve onları diğer ürünlerimizi kullanmaya teşvik edebilirler. Kullanıcının performansı zayıfsa kotayı azaltabilir ve riskleri önlemek ve kontrol etmek için ilgiyi artırabilirsiniz. Aşırı durumlarda, bir soruşturma veya toplama mekanizması başlatılacaktır.
Şirketler bu yöntemlerle kullanıcı bağlılığını artırabilir ve geliri en üst düzeye çıkarabilir.
Markov karar süreci ile geliştirilmiş öğrenmeBu hedefe ulaşmak için, modelleme için yöneylem araştırmasında derin öğrenmeyi ve çok klasik Markov karar sürecini kullanıyoruz. Şirketler, daha önce bahsedilen ürün parametrelerinin optimizasyonundan farklı olarak, kullanıcıların yaşam döngüsü boyunca getirdiği kümülatif faydalardan endişe duymaktadır. Ürün parametresi optimizasyonu tek adımlı bir karar verme sürecidir, kar maksimizasyonu ise çok adımlı bir karar verme problemidir Kararın her adımında stratejimizi sürekli olarak optimize etmemiz gerekir.
Yukarıdaki şekildeki formülde r, st ve ,t olmak üzere iki değişkene bağlı olan bir ödül fonksiyonudur. 1. ve t sırasıyla kullanıcının cari hesap dönemi ve şirketin kararı (faizin artırılması veya azaltılması vb.) altındaki performansını (vadesi geçmiş veya erken ödeme vb.) temsil eder. Her bir muhasebe döneminde işletmenin tek adımlı stratejisinin biriktirdiği genel stratejiyi temsil eder. Bu formül sayesinde beklenen maksimum faydayı elde edebiliriz.
Dün Alpha Go, ünlü Çinli satranç oyuncusu Ke Jie'yi bir kez daha mağlup etti. Alpha Go tarafından kullanılan bir çekirdek algoritmaya pekiştirmeli öğrenme denir. Pekiştirmeli öğrenmenin özü aslında Markov karar sürecidir. Çok adımlı karar verme problemlerini çözmek için yinelemeli çevrimiçi öğrenme algoritmasını kullanır.
Markov kararı tüketici finansmanı senaryolarına uygulanır Süreç kabaca şu şekildedir: Yeni bir kullanıcı geldikten sonra, sistem kişisel özelliklerini çıkaracak ve aynı zamanda mevcut geri ödeme durumuna ve bu zamandaki kar veya zarara göre değeri optimize edecektir. işlev ve durum gösterimi. Değer fonksiyonu ve durum gösterimi, kullanıcı geçmiş verilerini analiz edip öğrenerek elde edilir.Yeni veriler ekledikten sonra, sistem değer değerini sürekli olarak düzeltecektir. Kararın belirli bir adımı bizim için elverişsiz ise değeri düşer, aksi takdirde değeri artar. Bu ileri geri gitmeye devam ediyor.
sonuç olarak
Daha önce belirtildiği gibi, AI, tüketici finansmanı risk kontrolü ve ürün optimizasyonunda büyük bir rol oynayabilir. Ancak vurgulanması gereken, şu anda yapay zeka kavramının çok popüler olması ve herkesin en son algoritmaları öğrenmeyi ummasıdır; ancak gerçek üretim ve işte yapay zeka algoritmalarını uygulamak için kendimizi işletmenin kendisine dayandırmalı ve veri optimizasyon modellerini araştırmaya devam etmeliyiz. Model seçimi önemli değildir, modelin kalitesi nihayetinde işletmeye büyüme getirip getiremeyeceğine bağlıdır. En ideal durum, işletmenin model aracılığıyla iş sürecini optimize edebilmesi, daha fazla veri elde edebilmesi ve ardından yeni verileri modeli daha da optimize etmek için kullanıp erdemli bir çember oluşturmasıdır.
QA:
1. Risk kontrolüne ek olarak, gelecekte yapay zeka tüketici finansmanının başka hangi yönlerine uygulanabilir ve bu sektöre ne gibi değişiklikler getirecek?
Ürün yapısının optimizasyonundan daha önce bahsedilmişti. Şirketlerin ürün parametrelerini ve yapısını optimize ederek kullanıcı bağlılığını iyileştirmesi ve geliri en üst düzeye çıkarması çok önemlidir. Ayrıca, AI, mevcut sosyal ağlar aracılığıyla diğer kullanıcılara kendileri için uygun finansal ürünleri önermek gibi ürün tanıtımı için de kullanılabilir.
2. Mevcut teknik koşullar altında, geleneksel risk kontrolüne kıyasla AI risk kontrolünün dezavantajları nelerdir? Gelecekte nasıl geliştirilir?
AI teknolojisi, büyük veriye dayanır. Karakterizasyon yeteneklerine sahip yeterli ve yeni yeterince veri elde edebilirsek, AI risk kontrolü kesinlikle geleneksel risk kontrolünü yenebilir. Ancak çoğu durumda, işletmeler tarafından elde edilen veriler genellikle yetersizdir. Şu anda, uzun vadeli deneyime dayalı geleneksel risk kontrolü, çözümleri mutlaka optimal olmasa da, genellikle etkili risk kontrol yöntemleri sağlayabilir. Yapay zeka, gelecekte öğrenme ve muhakeme yeteneklerine sahip olacak şekilde gelişebilirse, geleneksel risk kontrolünün yerini tamamen alabilir, ancak kısa vadede bunu başarması zor olacaktır.
3. Yapay zekanın gelişmesi olgunlaştıkça, tüketici finans sektörü kaçınılmaz olarak bu teknolojiyi gelecekte büyük ölçekte tanıtacaktır.Bu risk değerlendirmesinin homojenleşmesi sorununu beraberinde getirecek mi? İşletmeler farklılaştırılmış ürün geliştirmeyi nasıl gerçekleştirmelidir?
Bu sorun var ve gelecekte aynı sektörde kullanılan AI algoritmalarının çoğu benzer. Ancak her işletmenin topladığı veriler farklıdır. Şirketler yeterince yeni ve güvenilir veri toplayabilirse, risk kontrol yetenekleri önemli ölçüde geliştirilecektir. Bu nedenle, sorunun özü, olabildiğince çok kaliteli verinin nasıl elde edileceğidir.
4. Yapay zeka, kişisel kredi incelemesinin yerini alabilir mi?
Şahsen bunun mümkün olduğunu düşünüyorum. Merkez bankasının kredi bilgi sisteminin ne kadar iyi yapabileceği, bankalar ve BAT gibi büyük kurumların verilere ne ölçüde katkıda bulunmaya istekli olduğuna bağlıdır. Bu kurumlar verileri tam olarak paylaşmaya istekli ise, o zaman merkez bankasının kredi bilgi sistemi çok eksiksiz olabilir, ancak çok fazla direnç var. Şirketler, topladıkları verilere dayalı olarak en iyi risk kontrol modelini yapmaya hala daha istekliler. Merkez bankası yeterli veri toplayamazsa, kredi bilgi sistemi mutlaka kurumsal risk kontrol sisteminden daha iyi olmayabilir.
5. AI nasıl öğrenilir
Şahsen, iki seviyeye ayrılabileceğini düşünüyorum: Birincisi, Leifeng.com'daki açık sınıflarda olanlar gibi bazı dersleri çevrimiçi olarak arayabilir; ayrıca mevcut ve geliştirilmiş AI programlarını uygulayarak uygulamalı becerinizi geliştirebilirsiniz. Kısacası, öğrenme ve uygulama birleştirilir.
