以知识图谱为武器,海致星图直击金融机构两大痛点【独角兽专栏】

2018 年 9 月 26 日 i黑马

点击上方i黑马选择“置顶公众号”

黑马智库,创业必读


更多创业内容请访问www.iheima.com


海致星图总裁杨娟


2018年是独角兽大年。创业家&i黑马开通了【中国独角兽】专栏,专注于挖掘具有中国特色的中国独角兽故事,总结出它们的成功经验,并将它们推向主流商业世界。


这是【中国独角兽】专栏第15篇稿子。所属产业:金融科技


作者 | 熊本熊


海致星图孵化于知名大数据企业海致控股。据悉,海致控股以海致BDP大数据分析平台起家,覆盖公安、零售、快消等领域。2016年年中,海致控股开始布局金融行业,成立金融事业部。因其业务发展迅速,2017年年末海致控股对金融业务进行拆分,以海致星图为品牌独立运营,专注于大数据和人工智能技术,打造金融领域科技创新产品,并引入外部战略投资,全面进击金融大数据与人工智能业务领域。


1解决营销和风控问题


自国务院连续印发《促进大数据发展行动纲要》及《新一代人工智能发展规划》以来,大数据与人工智能赋予了每个行业新的机会,在金融、政务、互联网、医疗等多个行业领域呈现价值,商业模式开始迭代,业务成效逐渐显现。其中,金融领域以其数据量大、对数据变现渴望强烈而发展最快及最为引入瞩目。在近年来的金融大数据与人工智能的创业潮之中,海致星图以其令人惊讶的发展速度,在不到两年的时间收获近三十家金融机构客户,引起业界的广泛关注。


近日,i黑马记者在海致星图北京办公室对海致星图总裁杨娟女士进行了采访。


据杨娟女士介绍,2018年,银保监会印发了《银行业金融机构数据治理指引》,将数据治理与监管评级挂钩,引发多家金融机构成立独立的大数据一级部门,并设立“首席数据官”,各金融机构全面引入新一代大数据与人工智能技术,推进大数据应用与业务流程融合。金融行业大数据与人工智能需求呈井喷之势。目前大数据在金融领域里主要分为两类应用场景,第一类是贯穿银行整个客户生命周期的数据分析和挖掘应用,构建数据模型,帮助金融机构进行打造客户综合评价体系,如风险度评价、忠诚度评价、贡献度评价等。第二类则是相对更加聚焦、更垂直的场景,就是营销、风控、反欺诈、监管等应用场景。


那么,金融机构在营销和风控上有哪些痛点?


杨娟表示,当前整个金融市场环境日趋严峻,监管越来越严,无论是银行的零售、公司、交易或同业业务,都需要直面营销与风险的效率与准确率的问题。但是,传统方式以人力解决,费时费力且全面性、准确度有限。越来越多的银行需要依靠科技手段拉动业务模式进行创新,对科技的投入持续加大。


“在现有的监管框架之下,金融机构如何获取高质量用户、缩短营销周期、降低营销成本、确保风险可控,这是他们要面临的挑战和诉求。以我们和国内某证券交易所的合作为例,通过引入知识图谱技术,进行公司监管合规审查、资本系挖掘、风险传导等场景进行分析应用。当触发合规风险条件,知识图谱将提供相应对象及业务的报警。此套技术框架在证券公司的投行、固收、自营投资、财富管理业务等方面均将得以运用。”

 

2获取多维度数据,构建智能金融知识图谱


i黑马了解到,知识图谱概念最初是由Google在2012年提出。知识图谱的逻辑是将真实世界所存在的实体、知识以及概念等描述成机器可以理解的数据结构,将数据转化为知识并展现为基于图的数据结构;图的节点是真实世界所存在实体,每个实体可以带有若干不同的属性,用来刻画实体的特性,而图的边则用来描述两个实体的关联关系。知识图谱可以看作一个巨大的网络,是由数据绘制出来的一张知识图。知识图谱的应用价值在于,它能够改变现有的信息检索方式,一方面通过推理实现概念检索;另一方面以图形化方式向用户展示经过分类整理的结构化知识,从而使人们从人工过滤数据寻找答案的模式中解脱出来。与此同时,可在知识图谱之上运行社群、K-Core、最短路径、PageRank等多种图分析和图挖掘的机器学习算法,进行深度的关系发现和复杂信号识别。

 

杨娟表示,“世界是复杂关系的总和。包括人与人的关系,企业与企业的关系,企业与人的关系,事件与事件的关系,事件与人的关系等等。对关系的深度解读,是认知智能的核心环节。”

 

海致星图的Atlas知识图谱分析平台,配备有领先的关系挖掘算法引擎、模型训练参数和输入阈值管理、灰度策略、流量分配设置,以及自然语言处理能力,包括模板识别、实体识别、情感分析等,可根据基于场景的反馈输入等主动或被动评价手段,进行模型自我训练迭代,支持正负反馈场景。目前在某股份制商业银行信用卡中心的实战场景中能够达到10亿级实体、百亿级关系下的秒级计算返回。与此同时,模型和算法层结合建模技术和业务经验进行开发,并持续打磨。海致星图基于Atlas分析平台之上训练了多种开箱即用客户模型,直接对接银行数据和系统,加快上线速度。目前,海致星图已经积累了客户评价模型、营销模型、风险模型共三类超过100个业务模型。可以为商业银行提供精准可靠的营销及风控依据,也可以通过强大的关联检索与动态分析,高效梳理关系网络,预防欺诈事件的

发生。


3针对不同业务场景,推出不同垂直产品


“海致星图不仅是一家平台技术公司,更是一家智能化业务应用公司。”杨娟表示。


在过去的两年中,为了将智能化技术渗透到具体场景中打通业务流程、触达一线、形成数据的闭环,海致星图除了提供Atlas知识图谱平台及基于此之上构建的智能模型之外,更基于Atlas平台,针对不同场景,推出与业务深度融合的智能化业务应用。


以营销场景为例,海致星图已于今年上半年推出一款全新的智能CRM产品。海致星图智能CRM引入海量互联网数据,构建客户全景信息视图,建立客户价值主线,辅以客户行业、规模、结构等量化指标,对客户历史数据进行趋势分析,建立并完善基于基础标签、模型标签、智能标签的客户标签体系,包含如客户股权关系分析、有效客户分析、高价值客户分析、资金结算分析、流失风险分析、风险偏好分析等,实现客户的差异化营销策略,同时通过机器学习算法进行产品的智能化推荐及自动化定价,全方位升级客户经理的作业流程。


目前,海致星图智能CRM产品即将在江阴农商行、九江银行等多家银行上线,并有望在未来成为多家银行全行级客户智能化业务入口。


与此同时,海致星图即将推出一款智能风控产品,利用知识图谱和机器学习技术,通过对多源数据的融合及历史样本的分析和挖掘,进行客户违约概率测评、风险传导概率量化测算等,与现有信贷审批与风险管理流程结合,实现在线自动化审批和贷后自动化监管,有力的帮助商业银行解决基于风险的差异化定价、非现场风险监测管理、不良贷款风险成因的智能分析、信贷考核评价管理等一系列的问题和挑战。


“用技术做武器,直击客户的业务痛点。这是我们的一贯原则。”杨娟说。


4To B 领域创业是一场马拉松


在客户方面,海致星图主要布局在股份制银行、城市商业银行、农村商业银行,已经拥有近三十家金融机构客户,包含中国银行、招商银行、中国工商银行、中国民生银行、深交所、南京银行、青岛银行、兰州银行、中原银行等多家知名金融机构。据悉,海致星图与中国银行业协会联合起草的《基于文本的金融风险知识图谱框架技术规范》金融国家标准已通过中国人民银行科技司的立项评审。同时,海致星图与国内某领先城市商业银行联合构建的知识图谱云服务也即将推出。


“虽然我们起跑的态势还不错,但To B领域创业是一场马拉松,海致星图的目标是用三到五年的时间成为国内金融大数据与人工智能领域的旗舰型企业。我们需要保持节奏,保持耐心,并且在正确的时间点上做正确的事。”即将参加上海国际马拉松比赛的杨娟说。



本文由i黑马原创,作者熊本熊。让创业不再孤独,提升普通创业者的成功率,欢迎关注i黑马。


i黑马,让创业者不再孤独。

商务合作:15801105017(微信)


【马脑】是创业黑马平台十年间商业案例精选合集,融合了数万创业实践群体的智慧。点击小程序可订阅【马脑】:


戳“阅读原文”,报名参与↓↓↓


登录查看更多
8

相关内容

知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
商业数据分析,39页ppt
专知会员服务
157+阅读 · 2020年6月2日
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
233+阅读 · 2020年4月18日
报告 | 2020中国5G经济报告,100页pdf
专知会员服务
97+阅读 · 2019年12月29日
【德勤】中国人工智能产业白皮书,68页pdf
专知会员服务
292+阅读 · 2019年12月23日
医药零售行业报告
医谷
9+阅读 · 2019年7月8日
为什么AI公司都在一边融资,一边投资?
腾讯创业
6+阅读 · 2018年9月25日
领域应用 | NLP 和知识图谱:金融科技领域的“双子星”
开放知识图谱
21+阅读 · 2018年8月12日
中国平安股价持续大涨背后
凤凰财经
5+阅读 · 2017年9月13日
AliCoCo: Alibaba E-commerce Cognitive Concept Net
Arxiv
13+阅读 · 2020年3月30日
Arxiv
99+阅读 · 2020年3月4日
Precise Detection in Densely Packed Scenes
Arxiv
3+阅读 · 2019年4月8日
Arxiv
12+阅读 · 2019年2月26日
Arxiv
4+阅读 · 2018年4月9日
VIP会员
Top
微信扫码咨询专知VIP会员