金融银行业机器学习—机遇、风险、案例

在公众号「python风控模型」里回复关键字：学习资料

信息是21世纪的黄金，金融机构深知这一点。凭借机器学习和人工智能技术，他们有机会分析源自银行办公室以外的数据。金融公司收集和存储越来越多的用户数据，以修改其策略、改善用户体验、防止欺诈和降低风险。在本文中，我们将讨论如何使用人工智能和机器学习以及这些解决方案的好处和风险。

; 银行业统计中的人工智能

• 根据研究公司 Autonomous Next 的预测，到2030 年，通过使用人工智能技术，全球银行将能够将成本降低 22%。储蓄可能达到 1 万亿美元。
• 金融公司雇佣了60%拥有创建人工智能系统技能的专业人士。
• 预计人脸识别技术将应用于银行业，以防止信用卡欺诈。人脸识别技术将在2020年将其年收入增长率提高20%以上。

机器学习在银行业的好处

人工智能和机器学习能够提供前所未有的自动化水平，或者通过接管人类专家的任务，或者通过在协助他们完成日常重复性任务的同时提高他们的表现。但是机器学习在银行业的主要好处是什么？这个问题有很多可能的答案，更有趣的是，随着最新的技术解决方案投放市场，答案的数量将继续增加。这里试图强调最重要的那些：

更大程度的自动化和更高的生产力

人工智能和机器学习可以轻松处理平凡的任务，与重复的文书工作相比，管理人员有更多的时间来应对更复杂的挑战。整个组织的自动化最终将带来更大的利润。

个性化客户服务

具有大数据功能的自动化解决方案可以根据需要跟踪和存储有关银行客户的尽可能多的信息，从而提供最精确和个性化的客户体验。优化客户足迹使银行能够利用人工智能和机器学习的分析能力来检测客户行为中最微妙的趋势，这有助于为每个客户创造更加个性化的体验。

更精准的风险评估

拥有每个客户的准确数字足迹还可以帮助银行减少与个人客户合作的经理的不确定性。在贷款承销分析等领域，自动化系统比人类更准确，消除了任何可能的人为偏见。

高级欺诈检测和预防

对于任何金融机构来说，这可能是 AI/ML 的最大好处，因为历史上一直存在并将继续存在犯罪分子正在设计实施金融欺诈的方法。幸运的是，目前市场上有多种经过验证的基于 ML 的欺诈检测方法和技术。我们将在本文中更详细地讨论所有这些，您将了解如何通过这些技术创新使您的银行更加安全！

银行业欺诈预防：2019 年欺诈统计

2019 年，恶意数字攻击到处袭击用户——导致大规模数据泄露和易受攻击的信息泄露。对于高度关注客户忠诚度和安全性的银行业所有者和支付服务提供商来说，这不是一个不容忽视的案例。根据美国联邦贸易委员会的统计，2019 年的欺诈报告包括超过 388,588 起案件，造成了 19 亿美元的损失。更详细的支付方式欺诈损失统计如下表所示：

欺诈类型# 报告损失电汇73,5424.39 亿美元信用卡53,7631.35 亿美元礼品卡/充值卡38,4011.03亿美元银行账户借记35,4368900 万美元互联网/手机25,0558400 万美元现金/现金透支12,4111.2 亿美元查看7,2467200 万美元汇票3,8682300 万美元电话单956200 万美元

人工智能如何用于银行的欺诈监控

银行从客户、投资者、合作伙伴和承包商那里收到的数据是动态的，可以用于不同的目的，具体取决于用于分析它们的参数。基本上，银行业人工智能的范围可以分为五个大组。

改善客户体验

当银行和其他金融机构有机会了解有关用户及其在网络上的行为的所有信息时，他们同时也获得了尽可能改善用户体验的机会。

聊天机器人

例如，如果用户在使用网站或应用程序时遇到困难，聊天机器人将用于引导他走正确的道路，同时减少银行支持人员的工作量。此外，现代聊天机器人可以执行简单的操作，例如锁定和解锁卡片，并在用户超过透支限额时向用户发送通知——如果账户余额高于平时，反之亦然。

个性化优惠

拥有有关用户行为的各种信息使金融公司能够了解客户目前的需求，以及他们愿意和能够支付的费用。因此，例如，如果客户正在查看来自汽车经销商的广告，那么开发个性化贷款报价可能是有意义的——当然，在分析了他的偿付能力和所有可能的风险之后。

客户留存

在银行业处理大数据的现代人工智能系统不仅可以分析，还可以做出假设。例如，在许多情况下，如果客户想要拒绝银行机构的服务，可以预测他的意图。了解此意图表明有必要采取额外的保留措施，创建更有针对性和个性化的服务，从而改善客户体验。

银行欺诈检测

银行欺诈检测首先与检测和预防处理交易失败、退货、争议和洗钱等的破坏性操作有关。对于每个支付服务来说，一个更安全的策略是设置一个可靠的欺诈预防系统，而不是处理糟糕的客户体验和欺诈损失的后果。

机器学习对银行欺诈检测有效吗？

银行如何发现欺诈？

揭露欺诈交易的过程并不像银行客户想象的那么容易。即使受害者意识到她的银行账户已损坏，在银行或服务提供商展开欺诈调查之前，她仍然必须通过一份清单，例如提供欺诈发生的任何细节或证据。然而，在借记卡或信用卡欺诈的情况下，客户的责任是不同的——这就是为什么任何受害者都应该尽快通知银行借记卡欺诈，因为任何延迟都将导致高达 500 美元的责任。

如果银行收到欺诈确实发生的证据，它最多必须在 90 天内调查此案。进一步建议客户要求信用报告机构在他们的文件中放置一个注释，禁止以他们的身份创建新的信用合同，除非他们亲自出现在银行提交这些合同。

银行如何减少欺诈？

银行和支付服务提供商可能配备了一系列基于规则的安全措施来检测用户帐户中的欺诈活动。然而，这些系统——如果不是基于机器学习来预防欺诈——是非常原始和不灵活的。例如，让客户每次提交订单时都输入密码，以确保不会出现欺诈的可能性。
在 AI 驱动的欺诈预防的情况下，我们讨论的是交易可能具有的几个级别的威胁。如果威胁级别高于某个预先设定的阈值，则取决于位置、用户的设备等，该算法将要求进行额外的身份检查，例如通过短信或电话进行。

; AI欺诈监控在银行的优势

欺诈预防解决方案可以建立在旧的基于规则的方法上，这种方法现在不常见，或者特别是基于机器学习和异常检测的规定/预测分析。那么，人工智能是什么让银行欺诈检测和预防比其他方法更有效？

与纯粹基于规则的软件不同，基于人工智能的解决方案可以巧妙地推导出欺诈活动的相关性，以进一步检测新的欺诈模式。简单地编写规则并不能涵盖可能让欺诈者的交易不被注意的所有场景；而且，很难使这些规则足够准确。

可以为模型提供有关如何区分好交易和非法交易的一些迹象如下：客户行为（他通常如何购买、他通常的位置等）；汇总数据分析；和控制用户ID信息。

银行欺诈的类型

正如《2019 年消费者网络哨兵数据手册》所述，银行面临的最严重威胁是信用卡或借记卡欺诈。在每年的欺诈损失（2.24 亿美元）中，一个人的损失中位数约为 320 美元，而统计数据显示，与 30 岁及 30 岁以上的人相比，年轻人更容易遭受欺诈。这份报告最令人担忧的是，只有23%的人报告了他们的损失，这意味着大多数欺诈者的违法行为都被蒙在鼓里，而受害者却一直在赔钱。

银行因欺诈而损失多少？

对银行业构成特别威胁的欺诈类型包括信用卡或借记卡欺诈、就业或税务相关欺诈、抵押贷款欺诈和政府文件欺诈。让我们仔细看看这些类型中的每一种。

欺诈类型2019 年报告 (#)金额损失信用卡或借记卡欺诈53,7632.24 亿美元就业或与税务相关的欺诈45,5641.1亿美元政府文件欺诈12,4741200 万美元按揭止赎救济和债务管理欺诈10,60560 万美元

信用卡或借记卡欺诈

长期以来，信用卡或借记卡欺诈一直位居银行欺诈类型之首。它如此受欢迎是因为有很多方法可以秘密获取您的信用卡信息。一旦可以访问该卡，劫匪就可以开始使用您的钱，而大多数其他银行欺诈类型的执行更为复杂。劫匪获取信息的来源多种多样，例如丢弃的收据、信用卡对帐单、包含您的银行帐号的任何文件、ATM 上的信用卡窃取器等。

通常使用机器学习方法检测信用卡欺诈，例如有监督或无监督的异常检测和分类或回归技术。为了训练一个强大的机器学习模型来检测卡欺诈，最重要的方面是大量且具有代表性的欺诈和良好交易，以及由熟练的数据分析师执行的特征提取阶段。

抵押贷款欺诈

以营利为目的的抵押贷款欺诈首先意味着改变贷款人的信息。银行、信用合作社和其他金融机构等机构都面临抵押贷款欺诈的威胁。

欺诈者通常会提供有关贷款人收入的虚假信息以借入更多资金。用于欺诈检测的机器学习可以根据不良借款人的交易历史对他们进行评分，并在他们的文件中找到可疑信息，以便将案例传递给银行专业人员进行更深入的验证。

您可以通过访问FBI官方网站了解一些最新的抵押贷款欺诈类型。

文件伪造/伪造

文件伪造或伪造是通常被称为身份盗窃的欺诈类型。欺诈者可以伪造、伪造或窃取受害者的文件，以便在网上贷款或获取其他非法好处。文件上的信息可以全部或部分更改，具体取决于犯罪分子的目标。此类更改的示例包括出生日期或地点、家庭住址、假水印/邮票，以及将另一文档的页面添加到当前文档。

非法购买文件的主要场所之一是所谓的黑市。犯罪分子倾向于使用非法获得的身份证件和其他人的照片或个人详细信息来欺骗系统。如果系统没有足够强大的身份验证系统来发现伪造和非法活动，或者根本没有，它就很容易受到可能的欺诈攻击。

机器学习有许多处理图像的算法，可以通过找出特定的特征和相关性来将它们分类为欺诈与否。例如，如果我们需要使用算法在文档上发现假水印，我们应该首先在特定数量的假冒和真实文档上训练一个模型，以便它很容易发现假冒文档。相同的规则适用于可能由 Photoshop 等图像更改程序导致的模糊数字或不均匀线条。

此外，我们可以使用一些反欺骗方法来了解文档是打印副本还是原件。

; 用于安全银行交易的机器学习

在预防欺诈的背景下，机器学习对金融部门的主要优势是系统不断学习。换句话说，同一个欺诈点子不会两次奏效。这对于银行业的信用卡欺诈检测非常有用。

人工智能如何确保银行安全

大多数金融交易是在用户在 Internet 上或在实体企业支付购买费用时进行的。这意味着大多数欺诈交易也是以买东西为借口发生的。银行业中的人工智能提供了防止这种情况发生的机会。例如：

• 在实体销售点购买时，具有面部识别功能的相机可以确定信用卡是否在合法所有者手中。
• 跟踪发生金融交易的可疑 IP 地址可能有助于防止折扣券欺诈以及识别欺诈意图。例如，如果有人购买产品是为了退回假货。

市场研究与预测

结合大数据的机器学习不仅可以收集信息，还可以找到特定的模式。例如，可以预见货币波动、确定最有利可图的投资理念、调整信用风险（并在最低风险和最适合特定用户的贷款之间找到中间地带）、研究竞争对手并确定安全性弱点。

降低成本

机器学习使金融组织能够识别流程中的弱点，并更有效地组织全职员工的工作。最简单的例子是聊天机器人，它可以成功地就简单和标准的问题向客户提供建议。聊天机器人也不需要为他们的工作付费！除了与 ML 合作可以让公司降低成本这一事实之外，由于改进的客户服务，它还有助于增加利润，这是合乎逻辑的。

用于银行交易监控的机器学习

虽然一些开创性技术没有达到他们的高期望，但当我们在监控电子支付交易的背景下谈论机器学习时，它是未来的明显解决方案。多年来，为传统监控系统中的警报设置适当的阈值水平一直是一个常见问题。当阈值太低时，您最终会收到大量警报，所有这些都需要进一步调查。当阈值太高时，您最终可能会完全错过可疑交易。快速消除误报是另一个应该解决的问题。及时消除误报可能是提高整个监控系统有效性的主要来源。人类只能在一定程度上处理上述任务。

交易监控是机器学习在银行业最有益的应用之一。机器学习驱动的预测分析平台已经对许多行业产生了影响，发现交易异常绝对是其中之一。如果您正在寻找一种方法来强化您的决策支持系统，ML 可以通过替换或协助您的专家提高安全性和运营效率来提供全新水平的自动化分析。

您有兴趣了解更多有风控审批模型，自动识别欺诈客户吗？

在我们的完整指南中了解有关使用机器学习进行风控审批模型坏客户检测的更多信息

美国银行的机器学习用例

人工智能不仅仅是银行和金融领域的流行语。AI 和 ML 解决方案已经通过为企业提供更安全、更方便的环境，帮助世界各地的银行将数据转化为利润。

全球银行业中机器学习用例的数量不断增长。这并不奇怪，因为自动化客户支持、实时欺诈检测、更好的客户数据管理、风险建模和营销策略规划是每家银行都可以用来改进其流程的好处。在本文中，我们将关注人工智能和机器学习在美国银行业中最突出的用例。但是，我们鼓励您从世界各地发现许多其他值得注意的案例。专注于我们现在将重点介绍的美国银行，由您决定人工智能和机器学习是否是未来的趋势，

; 摩根大通

这家美国领先的银行开发了一种称为合约智能 (COiN) 的智能合约系统。基于数据和机器学习的算法有助于快速找到必要的文档和其中包含的重要信息。目前，该银行处理的贷款合同超过 12,000 份，手动分析需要数年时间。现在，Chase 正在努力寻找进一步应用这些数据的方法——例如，训练系统搜索模式并基于它们做出假设。

美国银行

这家银行的聊天机器人是一位真正的财务顾问和战略家。该系统会分析用户数据，并在客户表现出略有不同的购买习惯时发出警告，并提醒他需要支付账单。美国银行的聊天机器人也知道如何用银行卡进行简单的操作，比如屏蔽和解锁卡。

富国银行

这家银行开发了一个智能聊天机器人，将与网站的互动变成一个简单方便的过程。富国银行开发了预测银行分析系统，能够将异常情况通知客户；例如，如果客户花费的金额超过其支票的平均金额。如果客户收到的汇款金额大于他通常在其帐户中保留的金额，则系统还可以提供在存款上节省一定金额。

花旗银行

花旗银行开发了一个强大的欺诈预防系统，可以跟踪用户行为的异常情况。特别是，该系统经过精心设计，可以在 Internet 购物时检测欺诈性信用卡交易。

美国银行

这家银行开发了费用向导，该应用程序允许客户管理其帐户以及预订国外的机票和住宿。此应用程序专注于其他国家/地区的安全支付。对于没有公司信用卡出差的人来说，这非常方便，因为该应用程序允许用户在一个地方收集有关旅行的所有财务数据，并为其公司的财务部门创建报告。

PNC

这家银行控股公司和金融服务公司从 2016 年到 2021 年在机器学习方面投资了 12 亿美元，目标是获得更快、更安全、更稳定的服务和运营。该公司押注于内部云环境，充分利用 AI 和 ML。PNC 与一家名为 Anaconda 的 AI 供应商联手为该项目更新了他们的数据科学基础设施，并将其调整为 R 和 Python。此举使 PNC 能够构建内部机器学习模型，除此之外，还将 PNC 的基础架构迁移到 Anaconda Enterprise 5.2。

纽约梅隆银行

银行业中另一个鼓舞人心的机器学习用例来自一家在该行业拥有 200 多年历史的组织。他们押注机器人流程自动化 (RPA) 以节省成本并提高运营效率。你可以说 RPA 不是人工智能或机器学习，你是对的。然而，RPA 与人工智能相结合，有些流程是由软件”机器人”运行的，而不是真正的机械机器人。

四年前，纽约梅隆银行推出了近 200 个机器人来自动处理各种任务，例如向外部审计师请求数据、转移资金以及修复格式和其他数据错误。由于 RPA 的集成，该组织成功地在五个不同系统的账户关闭验证中获得了 100% 的准确性。处理时间缩短了近 90%，而交易周转时间缩短了近 70%。

机器学习在银行业的应用将在 2021 年扩大

为什么？因为银行业、金融服务业和保险业已经预计今年将有大约 120 亿美元的投资，远远超过其他行业。尽管发生了 Covid-19 大流行，银行业的人工智能和机器学习仍将蓬勃发展，正如在不幸事件发生之前所预测的那样。看看这个带有最新预测的信息图：

; 在银行业采用机器学习有什么风险吗？

当然，人工智能技术可以彻底改变银行业。然而，存在某些风险——但它们主要与技术的新颖性以及用户对其实际工作方式缺乏充分了解有关。

裁员

这是与人工智能和机器学习相关的最常见的风险和恐惧之一，即使它们的应用范围如何。然而，现代研究表明，与无人认领的职业数量相比，银行业的人工智能将提供更多的新工作岗位。另外，您还记得我们在本文开头谈到的研究吗？60%的人工智能人才被金融机构聘用。这已经给出了足够的理由说我们不应该期望完全崩溃。

由于较少的人际接触而减少信任

还有一种观点认为，由于与人类顾问合作的机会较少，用户对金融机构的信心会降低。这是真的，但只是部分。我们很可能会观察到这种趋势，但仅限于出生在上一代的人，他们一开始不太倾向于相信技术。但对于愿意为便利性和可靠性支付更多费用的千禧一代来说，他们会很高兴有机会通过几次点击来执行任何操作。

道德风险

道德风险与金融公司收集、存储、系统化、分析和利用其优势（以及客户的利益）的数据量持续增长有关。一些用户不喜欢这种趋势，但目前无法在不留下任何个人数据痕迹的情况下采取任何行动。欺诈者最不喜欢这个事实，因为他们已经开始觉得欺骗人工智能系统变得越来越难。同时，这对于改善用户体验和提高安全级别来说是一个明确的加分项。

假阳性结果风险

机器学习系统和人工智能跟踪用户行为模式，并将其与每个用户相关的公认规范版本进行比较。因此，例如，如果用户在国外完成了一笔交易，但他没有通知银行有关他的旅行（或银行由于某种原因无法获取此信息；例如，用户没有从他的信用卡中购买机票） ，但作为礼物收到），则此操作可以解释为欺诈。但事实上，一切都是合法的——只是一点点信息的缺乏导致了假阳性结果。

如何选择最佳合作伙伴为您的金融服务开发机器学习解决方案

通过将人工智能引入其业务流程，金融组织应该清楚地了解他们的目标——因为简单地分析数据并不是最终目标；人工智能是一种帮助实现特定目标的方法。因此，在为银行或其他金融公司开发 AI 和 ML 解决方案时，您需要确保您委托执行此任务的公司了解您的业务具体情况，并了解该软件应完成哪些任务。

此外，在选择潜在的 AI 供应商时，请确保该公司已经拥有专门为金融部门开发解决方案的经验。为什么？因为安全要求高于任何其他领域，也许只有医疗保健除外。

概括

一个好的欺诈检测软件对于当今数字世界中的银行业有多重要？

与银行欺诈相关的交易失败、退货、纠纷和其他麻烦可能使客户的忠诚度受到威胁。同时，一个好的银行欺诈检测软件将显着降低发生这种情况的机会。

机器学习能有效帮助我摆脱欺诈交易吗？

与旧的基于规则的欺诈检测系统不同，机器学习算法倾向于巧妙地找到一组不良交易之间的相关性，并使用它们以更快、更准确的方式防止未来发生。

在系统中实施强大的基于人工智能的算法以检测和防止欺诈需要多少成本和时间？

每个新的高级系统都需要金钱、时间和精力——用于欺诈检测的强大机器学习系统也不例外。但从长远来看，这些好处将使努力变得值得。

新的欺诈检测系统会节省我打击欺诈的时间和精力吗？

是的，实施新的智能欺诈检测系统带来的主要便利在于，一旦系统建立完善并经过测试，就可以在打击欺诈方面节省时间和精力。

结论

金融领域的人工智能和机器学习可以使这些组织更有利可图并增加客户信任度。但是，要实现这一点，您的机器学习解决方案必须由一支称职的专家团队开发。

您有需求快速开发风控欺诈检测模型解决方案吗？

联系我们的专家，为您的项目获得免费咨询和时间和预算估算。

学习QQ群：1026993837，免费领取python机器学习相关学习资料

Original: https://blog.csdn.net/fulk6667g78o8/article/details/122253798
Author: python机器学习建模
Title: 金融银行业机器学习—机遇、风险、案例