金融科技正在浪头上。除了潜力无穷正极欲找出杀手级应用的区块链技术,也别忘了大数据分析仍然是让金融服务改头换面的关键技术,重要性并不下于区块链。

以笔者的观察,基本上国内多数的金融机构都有资料仓储以集中式的方式收集及管理资料,这是大数据分析的基础设施。问题是,拥有大数据后要分析什么?这个问题并没有标准答案,所以,十家公司可能有十种截然不同的分析应用,发挥的效用及衍生的价值也有高下之别。

商业智慧(business intelligence)通常是在建置资料资储系统时会同时导入的平台,它做的是描述性资料分析,主要以图表来帮助我们评估商业运作的现况。但因视觉呈现的限制,再复杂的问题,也只能以二维、三维(一次只看两个或三个变量)的方式片段地解读。商业智慧的确是必备的资料分析工具,但金融机构若只引入商业智慧平台且就此打住,大数据分析的潜力可说还没有发挥三成。

资料分析依其用途分为四个层次,从浅入深为描述、解释、预测及最佳化。描述性分析帮助评估现况及了解问题,而后三者—尤其是预测及最佳化,直接提供改善和解决问题的工具,通常才是资料分析的最终目的。

在预测分析的应用上,国内的常见应用是对既有顾客的商品营销,当有新商品推出时,应该介绍给哪些顾客?这可以根据顾客的性别、年纪、收入、居住地、曾购买的商品及各式行为来做推测,以进行精准营销,节省成本,也避免打扰无意愿的顾客。另一种常见的预测分析为资源的配置,例如分行的设点(也常见于零售业)及分行及在线服务人员的配置等等。

很可惜的是,在国内,预测分析经常会跟营销绑在一起,甚至资料分析团队属于顾客经营管理(CRM)部门的一部分,较少将预测分析应用在商品及服务的改良。例如说,网页及手机App界面的改良、信用卡的优惠活动如何搭配、保单的参数组合、营销活动如何进行,甚至到分行的抽号机制及座椅安排,都有发挥的空间。

举个更具体的例子,银行的电话客服中心通常会将来电者区分为VIP(贵宾)及一般用户,VIP有特别专员处理,而一般用户的客服专员就会随机指派。一个更好的做法是,根据来电者的个人资料以及商品购买记录,预测此通电话的来意;同时根据来电者的性别、年纪及性格,以算法自动指派最合适的客服专员给该顾客:若只是修改账单地址,让新手客服来接听即可;若遇到专出疑难杂症的奥客型客户,只好请出经验老道的老手来处理。

你可能会问,客户的性别、年纪不是问题,性格怎么会知道呢?事实上运用机器学习技术分析两人之间的语音对话,包含用字遣词、对话模式及语气,可以某种程度推论出对话者的人格特质(包含情绪稳定度、容易妥协的倾向及负责任的程度等等)。

要做各式流程及服务的最佳化,机器学习就必须要被引入。例如,可以做在线/语音的自动客服机器人,可以做机器人理财顾问(robo advisor) 或是保单规划顾问,让客户服务的范围大幅延伸。传统的作法中,通常客服人力有限,VIP才能得到细致、主动的专员服务;但现今人工智能技术大幅进展,客服专员顾不到的非VIP用户可以交由人工智能来服务,这已经进行中的趋势,端看我们要以什么样的步伐及姿势来跟上。

 

陈升玮

作者为台湾中央研究院信息科学研究所研究员、台湾资料科学协会理事长。研究专长为使用者经验、多媒体系统、社群计算、计算社会学、群众外包、大数据分析、信息安全。