大数据时代的一些金融领域的应用方向是怎样的？大数据技术对信用风险管理有哪些提升？大数据时代应该要解决的问题是什么？如何通过大数据的技术实现反欺诈？这对这些问题，IBM全球业务咨询服务部大中华区大数据与技术负责人段仰圣进行具体分析。
大数据时代的一些金融领域的应用方向
我们可以理解到现在银行其实普遍面对的挑战是四方面，在过去IBM智慧银行一直强调四个方向，第一建立以客户为中心的企业，这是老生常谈，目前来看也是非常重要的一个方向。第二，优化风险管理，银行在风险管理上做的好的话他的货币会有最大的保证。另外还有驱动革新，管控成本，这四个方向来看，IBM今年跟大家做分享的时候是主要的四个方向。
我们看大数据怎么改变银行业，从过去所谓银行，Incomes是强调收入，可忽略了潜在开发的客户。相反来看，我们如何会更好的应用我们这么多数据去发觉我们可以跟客户开拓市场所谓的Outcomes。大数据与分析的领域中有哪些正在发生了改变，第一数据正在成为世界上最具有竞争优势的最新资源。第二决策不再是少数精英的行为，而是授予更多德人。第三是随着数据的价值不断增长，当前系统将不能齐步并进。在行业领导者来看，大数据分析有着非常深远的巨大影响。我们到底银行业要做怎么样更好的应用？看下面这个图，大数据对日常应用来看有什么变化，第一个就是我们在大数据分析时代，我们会更好的来利用所捕获的数据。过去来看有一个数据分析机，都是一个片段或者是片面的分析。大数据时代大家理解到我们数据分析的内容将会更全面，现在可以用更多的数据进行分析。第二部分可以看到我们希望降低利用数据所需的开销，前面几位嘉宾谈到数据仓库，从过去到现在很多银行都花大量投资在数据仓库的建设，最大的挑战是如何降低在这部分的开销，得到最好的效益。我们希望有一些新的方法来改变。第三我们过去来讲更传统的分析方式更多是从文化假设到分析结果发生结论，这是我们过去的分析。大数据时代现在的做法其实就是我们只要发现相关性，因为我们数据分析样本够多，我们发现相关性，就可以来做应用了。第四传统的话我们更多是用我们收集到的数据来做这个结论，目前来看我们希望是更实时的，实时风险防范的时候，希望可以随时防范风险。
往后看看过去，用后视镜方式看世界，未来大数据时代怎么样更好做预测。针对所有人的直观分析，是任何在业务第一条线上都是会用到的。另外IBM谈到的认知计算，过去更多思考还是传统的分析方式，我们希望通过计算机的协助来帮助我们做更好的分析方式。最后一点随时按需分析。
IBM对客户做分享的时候都会用一层架构，左手可以看到更多是传统的数据仓库的技术，有一部分大家发现上面所有实时数据处理与分析，非常关键。右手是我们的分析，大数据时代最重要已经不是收集数据，最重要是分析，分析如何同这些数据里面找出有价值的内容，发生什么，为什么会发生，我该采取什么行动，这是更关注的问题。
IBM在全球看到大数据分析在银行业来讲可以应用的方向，我想可以作为大家思考一下我是否用大数据分析来解决我这些应用问题。可以看到放星号的部分，一个是信用风险管理，第二就是欺诈检测预处理，这是两个部分，在下面内容跟各位做比较深入的分析。
在全球研究人员来看，跨行业客户里面大数据分析还是用在对客户的管理，客户的互动这个层面上。银行基本上他的理念更高，下一个更关注的话题是风险管理化到23%，全球大数据分析应用来看，跟客户互动，另外就是风险管理这个层面。
大数据技术对信用风险管理的提升
如何提高在信用风险管理？我们可以看到在传统信用风险管理理念更多强调的是过去历史数据作为基础，做一些研究，产生报告，然后进行评分，最后做一个决策。我们发现刚刚银监局的领导提到，很多时候帐本是有特别目的，他的帐不是他们实际的运作情况。我们其实也在思考如何利用大数据方式协助我们银行做更好的风险管理，我们建议如何收集在网上数据之后进行分析，给出评价，这是我们认为在大数据时代信用风险可以帮助的。我们可以发现其实现在很多情况下对于这些企业有很多的分析，很多书面报道，我们都有一些对企业的看法。我们认为我们的客户经理没有办法有这么多时间把所有内容做很深入的了解，这是很大的挑战，大数据其实是希望在这个层面上可以帮忙。
这个想法很好，难点在哪里？最大的难点在于如何找到有用的信息，真正了解客户的想法。第二就是得到这些信息之后，如何跟我过去的分析进行结合。这两点当我们做一些工作的时候会面对一些挑战。
IBM过去工作来看，第一部分如何在大量文本数据里面得到有用的信息呢？要用到所谓的自然语言处理的技术，各位关注到前一段时间的世界杯，IBM跟腾讯通过专有技术做了一些我们对于球迷一些分析，他们一些情绪分析甚至对球队结果预测。事实上这个事情表明IBM是有能力协助我们企业对于海量文本信息进行分析的能力。如果我们一个企业在外面的信用评分不好或者是涉足一些危险项目或者有可能有坏账倾向，我们通过这样的方式很迅速的进行收集到这样的内容，IBM在这方面可以协助企业来进行的工作。
如何更有效跟传统的数据仓库结合，这是倾向的看法，还要结合传统分析的内容。各位可以看到，在这个图上跟各位分享这些信息还是要回归到传统的分析环境里去，这是另外的挑战。很多时候我的分析环境是基于一套标准，这个需要无缝衔接，最后的决策才会准确。这部分会牵扯到模型阶段到词汇需求模型甚至到设计模型，到底层数据支持都是连贯的结合。
希望未来的信用风险管理越来越超脱内部数据，结合外部数据，来做分享，我们来分析理论，行业风险影响，客户间的风险影响。得出结论，更快地发现客户潜在风险点。这是大数据如何可以协助企业对银行来做更好的风险管理。
如何通过大数据的技术实现反欺诈
反欺诈在我过去工作十几年里面，都是银行热议的话题，特别是反洗钱来看可能银行更多只要去找到报送一些报表就可以了。发现越来越多的银行关注到这个话题，这个话题对于银行来看最大的挑战就是我的数据量很大，我如何更有效的找到可能的欺诈，做一些防范，这是很困难。我跟各位分享一下IBM的观点。
事实上你现在看到欺诈在金融环境下对各位造成的影响，每秒大概有12个人受害，全球大概有4.7兆因为被欺诈而造成的损失。现在欺诈都是有组织的行为，80%的欺诈都是有组织。谈这些目的是告诉各位欺诈的行为在银行业来看变成普遍行为而且是影响巨大的挑战。
对于欺诈来看，可以把他做一些归类，第一是所谓欺诈，这是典型金融犯罪行为，通过事件表现得到一些回报。第二是滥用，他虽然不是一种犯罪行为，但是对银行和金融企业来讲还是一种损失。这些犯罪团伙一些计划性方式想办法来获得一些不当利益，也有一些投机性，个人或者员工在一些机会里面他想办法去赚钱。犯罪行为其实还是需要做一些深入分析。
我们看到针对这么复杂的环境，需要通过几个环节来更有效的应对。第一部分就是预防，我如何在第一时间避免这个事情发生。有一些业务的流程和业务的设定和方法避免这个事情发生。第二部分是侦测，第三，事情发生之后我怎么找到这个事情，最后是调查。这四个是不可或缺立法的工作，我们希望把这个流程在银行里面建立起来，更有效的防范欺诈。IBM建立反欺诈框架，今年跟一些国内银行谈的时候，我们发现一个普遍情况，这个框架大家都非常的认同，从预防、监测、调查、报告，大家都非常认同，可能有一些基础。我们看到的问题是有一些部分可能银行做的深入一些，有一些部分银行做的薄弱一些。我们建议各位对基于这个框架进行一些思考，在哪些环节做的不是太好，可以做更深入的加强。IBM提出这个框架，希望国内银行在这个领域做一些创新。各位可以看到在预防层面上我们更在乎就是政策跟流程，下一步的举措还有规则，预防，侦测、调查，发现。
在大数据的环境下，这些数据都在我们面前，最大的挑战在于我如何通过有效方式找到这些数据或者这些情况，去做一些应对。第一部分就是我们要很有效的去识别交易实体和关系。第二部分业务规则，这些业务规则是书面上还是系统内，我如何做更好的管理，应用、发布，这是我们说为的规则库。第三如何更有效的预测可疑和异常行为。如何知道哪些行为是有问题。还有管理和自动化和合作案例。银行要做这些研究调查的时候牵扯很多部门合作，需要很好做自动化管理。