金融分野における機械学習の7つの主要な応用例をカウントダウン

[[269614]]

ビッグデータダイジェスト制作

編集者：劉兆娜

機械学習は市場の新しいトレンドであり、新しい油田であり、新しい金です。概念的価値の観点から、機械学習をあらゆるイノベーションと比較することは誇張ではありません。しかし、金融分野ではどのように機能し、その応用はどの段階に達しているのでしょうか?

銀行が顧客の取引記録、顧客とのコミュニケーション情報、内部情報などあらゆる情報を保管していることは周知の事実です。これらの情報が占める保管スペースはテラレベルに達し、中にはペタバイトレベルに達するものもあります。現在、ビッグデータ技術は、大規模なデータの保存や処理などの問題を解決できます。データの量が増えれば増えるほど、顧客のニーズや行動パターンを探ることが可能になります。ビッグデータに基づき、人工知能と機械学習アルゴリズムを通じて、関連ソフトウェアを使用して顧客の行動を学習し、自律的な意思決定を行います。

すごいと思いませんか? 次に、機械学習とビッグデータが金融にどのような力をもたらすのかを見てみましょう。

金融業界における機械学習の応用事例

[[269615]]

1. 銀行に最適な場所を決定する

情報は 21 世紀の黄金であり、機械学習とビッグデータ技術は情報を活用して顧客に重要な情報を提示します。資金調達に関しては、各顧客に関する情報を収集することが必須です。最も一般的な例は、ATM で実行される日常的な操作です。銀行は顧客のあらゆる操作情報を収集・処理することで顧客の行動を予測します。顧客は次回来店時に番号を検索して入力する必要がなくなり、ボタンをクリックするだけで日常的な操作をすぐに実行できます。

ビッグデータを使用して得られた情報は、物理的な銀行を開設するのに最適な場所を決定するエンジンを作成および運用するために使用できます。金融機関は、都市内で顧客の出入りが最も多いエリア、そのエリアへの訪問時間、顧客が所在する店舗、顧客の最大数と最小数に関する情報を収集します。この情報を処理して予測することで、最も収益性の高い場所が選ばれ、そこに実店舗の銀行が開設されます（ちなみに、この方法を使って場所を選択できるのは銀行だけではありません）。サイトの選択は企業や商人の利益にとって非常に重要なので、これは間違いなく非常に良いアプリケーション シナリオであると思われるでしょう。

2. ロボット投資アドバイザーを通じて顧客に最適なソリューションを見つける

ロボアドバイザーは、自己認識を持たない仮想アシスタントのようなものです。ロボアドバイザーは本質的に、顧客の利益目標とリスク許容度を考慮して、顧客の金融投資ポートフォリオを選択および調整する一連のアルゴリズムです。

ロボアドバイザーの仕組みの例を以下に示します。クライアントは、目標（例：60歳で30万ドルを貯蓄して退職する）、年齢、収入、現在の金融資産を入力します。顧客の目標を達成するために、ロボット投資アドバイザーは機械学習アルゴリズムを使用して、さまざまな資産クラスと金融商品に投資を配分します。

現在、このようなサービスを提供している企業としては、Betterment や Schwab Intelligent Portfolios などがあります。

3. アルゴリズム取引をインテリジェント取引に変える

アルゴリズム取引は、事前に設定された取引基準（時間、価格、取引量など）に基づいてソフトウェアを使用して取引注文を出すタイプの取引です。アルゴリズム取引では、人間の介入なしに取引を実行できます。

機械学習技術は、アルゴリズム取引が単なる実行の自動化以上のことを可能にする、新しい多様なツールセットを提供します。機械学習 (ML) の場合、アルゴリズムは他のアルゴリズムの目的 (ルールなど) を学習し、予測誤差の最小化など、データに基づいて目標を達成できます。機械学習アルゴリズムの設計により、過去の市場動向を分析し、最適な市場戦略を決定することで、取引予測の精度を高めることができます。

現在、このようなサービスを提供している企業には、Renaissance Technologies、Walnut Algorithms などがあります。

4. リスク管理と不正防止

リスク管理と詐欺対策は現在、銀行業界で最も注目されている2つのトピックであり、これらのプロジェクトは機械学習やビッグデータなどの革新的なテクノロジーを適用することによって最初に対処されます。銀行は機械学習とビッグデータ技術を使用して、考えられるすべてのリスクと詐欺師を計算し、疑わしいと感じた時点で排除します。

機械学習を活用した不正検出システムの主な利点は、リスク要因のチェックリストに従うだけでなく、新たな潜在的な（または実際の）セキュリティ脅威を積極的に学習し、調整できることです。

機械学習技術を使用することで、システムは特異な動作や異常な動作を検出し、セキュリティ チームにフラグを立てることができます。不正検出システムの課題は、実際のリスクではないリスクが「リスク」としてフラグ付けされる誤検知を回避することです。

現在、このようなサービスを提供している企業には、Kount、APEX Analytics などがあります。

5. 顧客の銀行サービスへの依存の長期化

銀行は、利用者の経済活動に関するデータにアクセスするだけでなく、ソーシャル ネットワーキング サイトのデータや顧客のオンライン行動の分析などの外部データも取得し、その情報を顧客行動システムに追加します。このビッグデータ情報を分析することで、銀行は数多くの新たな機会を活用できるようになります。たとえば、顧客がレビューで新車購入の可能性について話し合った場合、銀行は顧客が希望するローンのオファーを提供し、すぐに顧客に電子メールで送信できます。

6. 顧客とのコミュニケーションの最適な方法を決定する

顧客によって、ソーシャル メディア、電子メール、インスタント メッセージングなど、好むコミュニケーション方法は異なります。銀行は、さまざまな顧客とコミュニケーションをとるための最適な方法を選択し、リマインダーを送信したり、新製品を宣伝したり、顧客が好む方法で顧客と連絡を取ったりする必要があります。このようにして、顧客は銀行のニュースをタイムリーに知ることができるだけでなく、銀行は他の手段で顧客に連絡するコストも削減できます。

7. 顧客離脱の警告

顧客に関する内部データと外部データを分析することで、顧客が解約するリスクがあるかどうかを予測できます。たとえば、顧客が長期間銀行の支店を訪問せず、ウェブサイトにログインせず、ソーシャル ネットワーキング サイトで銀行のその他の更新情報を購読しない場合は、その顧客が解約する可能性が高いと予測できます。この場合、銀行にとっては、顧客が望む商品やオファーを推奨して顧客を維持することが非常に重要です。

[この記事は51CTOコラムBig Data Digest、WeChatパブリックアカウント「Big Data Digest（id: BigDataDigest）」からのオリジナル記事です]

この著者の他の記事を読むにはここをクリックしてください