美文网首页
产品思维看金融科技业务知识

产品思维看金融科技业务知识

作者: 今宵说 | 来源:发表于2018-12-28 18:16 被阅读6次

    本文第一部分整体介绍了金融科技业务知识
    第二部分用产品思维看消费金融方面各环节的业务和技术知识

    一、金融科技业务知识

    1、why转行金融科技,why not转行互联网?

    对于行业:
    在2018年的当下,最火的求职选择就是bat,但是最火的就是最好的吗?

    7年前银行最火,毕业生为了进银行击破头,但进去后硕士也就是做一个柜员,整天累的要死。
    今天的互联网行业和7年前的银行很像,都是很火,但互联网的用户增量已经到了瓶颈,12亿人基本人手一个微信、一个支付宝。行业已经过了跑马圈地的野蛮生长期,进入需要精耕细作的存量期。存量期也意味着暴力高工资的结束,互联网行业的工资向平均工资水平回归。

    对于应届毕业和转行的同学,选择行业应该选上升趋势的行业,而不是选在最火的行业。

    未来行业形式预测:
    物联网>金融>互联网,金融行业在18年是谷底,但未来必然重新赚钱。物联网是未来10年看好的行业,但现阶段基础设施还不成熟。

    对于个人来说:本人目前工作金融it有技术背景,学习mba有业务知识,公司也改名金融科技公司。转型金融科技正当时。

    2、金融科技到底是什么?

    有代码介入的业务叫金融科技?显然不是。
    技术知识辅助,关键还是业务需求技术辅助。
    之前贷款几百万,一天几笔申请,可以人工审核。现在一笔贷款几千块,每天上百万个申请,人工根本处理不了。这就需要机器自动审批,但审批还面临审批错误风险和钻空子骗贷款不还的风险,这就带来了风险控制和反欺诈。
    所以,金融科技要结合具体的业务场景,能解决具体问题,才有价值。

    3、金融科技中具体的业务场景

    金融科技已渗透到金融领域的各个环节。但目前应用技术还比较初级,行业正在发展期,所以入行正当时。


    4、金融科技涉及的技术

    在个人层面,个人想学习金融科技行业相关技术,可以学什么技术?目前看主要是两个方向:风控和量化

    • 风控:主要是在互联网金融公司做风险控制,需要分类算法,评分卡模型
    • 量化:投资公司做高频交易和期货量化策略,需要预测算法。
      但在中国特色的资本市场做量化不容易,而且量化的公司侧需求人数比较少。

    二、产品思维看普惠金融领域的业务和技术

    什么是产品思维?
    回归数据分析师的岗位职能。
    数据分析师说的不好听一点就是出报表的,俗称表哥表姐。
    如何能让领导对自己出的数据分析报告热烈讨论,而不是一眼带过?
    如何能对业务部门和数据挖掘部门有话语权,而不是被动出报表?

    作为一个优秀的数据分析师,掌握基本的数据处理技能只是基本要求,更重要的是对业务的理解,能用数据推动产品的优化。提出的优化建议带来效益了,说明数据分析有价值。

    数据分析在消费金融业务各环节有能带来什么价值?

    1、以宜人贷为例,分解智能消费金融业务流程

    普惠金融的业务包括:
    车贷:微贷网,大搜车
    传统线下转线上:宜人贷(宜信)
    信用贷(无抵押贷款):51信用卡,特点:线下审核资料搬到线上,拍照上传
    消费贷款:大额用途:买车、装修、租房;小额用途:电子产品
    场景消费分期:整容分期、教育分期(比如学计算机、编程)
    特定群体的分期:产品针对特定人群,比如蓝领贷,针对三农群体的分期,森农分期
    正规持牌消费金融分期:背后资金雄厚,可以上征信
    小额现金贷(paydaylan):特点收益高,放款金额小,期限短
    信用卡代还:产品特色,代还信用卡
    流量中介:引流客户

    2、具体业务环节中的数据分析

    互联网金融的5大环节:
    营销、信用风险管理、反欺诈、贷后管理、合规检测

    互联网金融的数据分析技术:
    数据准备、知识图谱、决策引擎、机器学习、用户画像、语义分析

    把一项技术研究透,就不愁没有饭吃了。

    3.每个业务流程的职位需求

    数据准备:
    (1)数据仓库——数据挖掘方向的工作
    对于分散在各地的业务数据,建立ETL过程(ETL是构建数据仓库的重要一环,用户从数据源抽取出所需的数据,经过数据清洗,最终按照预先定义好的数据仓库模型,将数据加载到数据仓库中去),从业务库实时将数据同步到数据仓库。

    (2)网络爬虫——网络爬虫工程师
    对于电商经营数据或者运营商数据等,可以在用户授权情况下,实时抓取数据与解析;
    对于企业黄页,法人失信或工商数据等,可以对互联网公开的数据进行抓取与解析;

    (3)ID Mapping
    将不同来源的数据,根据用户的ID进行关联,形成完整的数据视图。


    知识图谱:涉及如何构建、如何运用
    通过用户申请的ID,电话,设备,地址等信息组成一个复杂的网络,不仅用在授信建模上,更重要的是能够从关系的角度用数据挖掘的方法识别出手段隐蔽的欺诈案件。

    (1)知识图谱的构建
    身份id、电话号码等信息进行标准化处理
    地址类的信息利用深度学习的方法进行匹配,识别出同一地址
    大量非结构化的文本数据,使用序列标注等算法进行关系挖掘

    (2)知识图谱的在线应用
    依赖ElasticSearch(一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎,基于RESTful web接口)、HBase(一个分布式的、面向列的开源数据库)及图数据库来构架出高可用、高并发的在线应用。


    决策引擎——每个金融科技公司的核心技术
    决策引擎主要应用于为各个业务提供实时、自动化的风险控制能力(信用风险、操作风险、欺诈风险)。决策引擎系统决策引擎系统是一套最核心的系统,它相当于人的大脑,市面上有很多决策引擎系统,它看似简单,但是底层技术框架狠难,故而研发实力一般的公司很难做出来,需要不断迭代,时间、人力、成本较高。以众安科技的决策引擎为例:主要包括七大块内容。产品管理、对象管理、名单管理、规则库管理、业务监控、人工审核、账户管理,其中人工审核和业务监控(属于反欺诈中的预警系统)是他们附带的功能,
    比如支付宝的第五代风险控制引擎AlphaRisk
    https://www.csdn.net/article/a/2018-03-29/15944331
    用户画像——数据分析师
    (1)用数据挖掘方法对客户行为进行分析,通过客户群体研究,来优化产品策略、市场活动策略和客户策略;
    (2)用标签的形式对客户进行不同维度的刻画,从而更好的满足不同客户的个性化金融需求;

    语义分析——nlp语音识别人工智能工程师
    在跟客户进行交互的环节,了解客户的真实意图,检测业务人员的服务质量。
    (1)客服:常见问题自动匹配FAQ,回答客户问题;
    (2)电销:根据客户沟通情况,提示销售人员推荐相关产品,提升转化率和客户满意度
    (3)催收:语义级别检测催收人员的合规情况

    宜人贷的实际运用情况


    以上只是数据分析在各个业务环节的运用的初步介绍。后面可以结合工作实际和自己的兴趣,对某一环节找个实际项目练手,增加项目经验。

    参考文献

    1,艾瑞咨询,金融科技报告
    2,宜信张军大数据在金融领域有何应用?

    相关文章

      网友评论

          本文标题:产品思维看金融科技业务知识

          本文链接:https://www.haomeiwen.com/subject/mjwdlqtx.html