SAS Real-Time Decision Manager

SAS 解決方案 (1)

教學目標

初步了解有關 SAS 透過統計建立預測模型的相關應用與解決方案,此篇主要為學習筆記。

重點概念

預測模型使用歷史資料預測未來新資料的結果,這些預測會被使用於未來進行策略決策,例如: 預測模型能夠讓企業進行有關客戶市場回應的行為準確決策。基於這些預測,企業會識別有效影響客戶行為的策略,通常在建立和評分預測模型主要有兩個主要的程序,分別為:

  1. 透過存在的資料建立預測模型。
  2. 部署模型在新資料上進行預測評分。

預測模型的會由公式或規則組成,主要是依我們使用分析的類型的不同。基於輸入變數集大部分會被用於預測目標變數,例如: 回歸模型有參數和公式,決策樹則沒有參數但有規則。一般來說我們會將預測模型應用於企業進行目標行銷、信用卡評分和詐欺偵測。

首先目標行銷主要使用客戶資料改善銷售促銷和產品忠誠度的行銷,屬於資料庫行銷的類型之一,這時預測模型會基於客戶歷史資料,模型中主要包括客戶屬性的輸入資料,例如: 收入(連續變數)、職業(名目變數)、…等,通常會用於預測促銷對於客戶的回應,此時輸出資料則為二元變數主要是指客戶對於促銷的回應是否會進行購買,然後企業會應用預測模型針對新客戶的資料進行預測,哪一個客戶區分最有可能進行購買,也就是目標群眾,此時行銷工作就能專注於目標群眾,此外歷史客戶資料庫也會被使用於預測個人加入服務或取消服務,這時忠誠度促銷就能鎖定有極高風險取消服務的客戶。SAS 則有提供行銷自動化 (SAS Marketing Automation) 和即時決策管理 (SAS Real-Time Decision Manager) 的解決方案,同時在 2017 年 Gartner 的研究報告中提到 SAS 在於多通路行銷活動的管理是領先者的地位。

接著信用評分主要被使用於決定客戶信用申請表是否要允許或拒絕,此時會以歷史申請表資料建立預測模型,模型中主要包括申請屬性的輸入資料,例如: 收入(連續變數)、信用評分(連續變數)、…等,通常會用於預測申請人的貸款或負債情況,然後企業會應用預測模型針對新的申請人資料進行預測,主要目標在於降低新申請人的違約和嚴重拖欠的情況發生。SAS 則有提供信用風險評分 (Credit Scoring for SAS Enterprise Miner) 和企業風險管理 (SAS Enterprise Risk Management) 的解決方案,同時在 2017 年 Chartis RiskTech 的研究報告中提到 SAS 在於建模風險治理解決方案是領先者的地位。

再來詐欺偵測主要重點在於企業需要監控詐欺的交易,例如: 信用卡的購買或保險索賠,此時會以歷史交易資料建立預測模型,模型中主要包括交易或保險索賠屬性的輸入資料,通常會用於預測交易的詐欺狀態,然後企業會應用預測模型針對新的交易資料進行預測。主要目標在於預防新的交易和索賠被詐欺或濫用的情況發生,並且進行調查和阻檔。SAS 則有提供詐欺管理 (SAS Fraud Management) 和反洗錢 (SAS Anti-Money Laundering) 的解決方案,同時在 2017 年 Forrester 的研究報告中提到 SAS 在於進階分析和機器學習解決方案是領先者的地位。

總結我們學習統計基本理論概念,搭配進階的機器學習演算法建立預測模式之後,更進一步則能夠針對企業所面臨的問題導入適當的 SAS 解決方案,除了解決企業的問題痛點之外,更能夠為企業帶來持續不間斷的分析價值,以及全面性的風險治理。

相關資源

SAS 基本介紹 (9)

基本介紹

教學目標

初步了解 SAS 相關解決方案在金融科技方面的應用。

重點概念

昨天參加 2016 SAS Taiwan Forum 學習了許多 SAS 解決方案如何針對金融科技進行分析與應用,數位化和大數據是未來五年發展的市場趨勢,主要目標為提升客戶體驗,簡單來說,就是在對的時間和對的通路推薦對的方案,以利滿足客戶的需求,其中對的時間代表當與客戶互動發現有需要時,系統就能夠立即取得商業洞見和建議最佳行動方案。接著對的通路,不僅僅只是網頁和行動裝置而已,對於銀行而言更包括了許多互動式的客戶通路,例如電話客服、分行位置、自動櫃員機、…等,建議最佳的下一步動作,同時針對信用授權、詐騙分析、客訴處理等事項,制定分析之的決策,以利在正確的時間、地點和情境,滿足客戶的需求。此時針對數位化我們可以透過 SAS Event Stream Processing 相關解決方案針對正在發生的事件進行同步的了解,整合串流、評估和儲存的模式,簡單來說就是當接收資料時就會即時進行分析,並且在新事件發生時更新相關狀況的情報,即時掌握趨勢脈動,以及針對大數據我們可以透過 SAS Real-Time Decision Manager 相關解決方案在即時客戶互動的過程中,針對決策流程自動分析與套用,協助做出更適當且明智的決定。

然而目前企業內部則面臨的挑戰,主要有三點,分別為人才、流程和組織,更進一步探討就是缺乏客戶洞察、業務和通路不互相溝通以及企業文化的要素。此時可以藉由 SAS Customer Intelligence 相關解決方案,先從聆聽,接著了解,再來決策,最後行動解決目前企業內部所面臨的挑戰,舉例來說,若我們從業務的角度思考時,則可以整合線上和線下不同的通路資料,從業務需求進行分析,以利解決問題,同時在過程中不斷提升客戶體驗,例如:專業理專針對不同的客戶提供適當的商品投資組合時,是否能夠透過以資料分析的方式針對市場景氣、資產配置和客戶偏好提供最適當的建議呢?此時可以我們可以透過 SAS Text Analytics 相關解決方案進行理財新聞的匯整幫助理專快速理解市場景氣。SAS Visual Analytics 提供互動儀表板根據客戶風險屬性與投資傾向分析結果,進行資產配置的建議,像是挑選合適的基金。SAS Visual Statistics 針對客戶進行分群之後,接著以交叉資料表二維方式呈現關聯相關的投資組合,再來以泡泡圖多維方式呈現找出價值的狀況,最後以熱力圖多維方式產生最有價值的客群名單,此時再針對此客群的投資組合共通性提出不同策略的解決方案經營客群。此外當客戶在特店進行信用卡消費時,發現額度不夠時,是否能夠即可線上即時進行信用審查,自動化提高額度呢?此時我們可以透過 SAS Event Stream Processing 和 SAS Real-Time Decision Manager 相關解決方案解決此問題。

雖然透過 SAS 工具能夠先解決缺乏客戶洞察和業務和通路不互相溝通的挑戰,但還是無法解決企業文化要素的挑戰。破壞式創新應用的金融科技才會有未來,而非僅是利用科技改善金融服務。金融產業在未來會不會成為擁有金融相關牌照的資訊科技公司呢?在 1990 年代初期大力推廣自動櫃員機的前花旗銀行總裁 John Reed,曾說過:”Banking is just bits and bytes.”,簡單來說金融服務就是一連串的資訊處理。然而金融產業的本質主要就是信用,在於解決資訊不對稱的問題,例如:銀行會先從社會大眾取得存款,再借給有資金需求的企業,此時就擔任資金中介者,此時因為資金牽涉社會大眾,所以必需施以高度監管。然而中國大陸則在法規和監理不嚴謹和龐大市場人口的情況下發展出許多金融科技的應用,例如:一站式互聯網理財主要有四種典型的業務模式,分別為自助化、顧問化、社交化和智慧化,其中基於大數據的智慧化理財決策是非常關鍵的因素,此時若再以全球市場來看知名的金融科技新創公司破壞式創新應用。

  1. Wealthfront:主要就是改變傳統的理財投資組合的銷售模式。
  2. Motif Investing:主要是提供投資組合服務的提供商。
  3. Mint:主要是提供個人日常財務管理,推薦金融商品以利省錢收取佣金。
  4. ZestFinance:主要是針對無信用資料或記錄不佳者進行大數據建模進行風險分析。
  5. Kabbage:主要貸款給小企業,針對營運、第三方、線上交易、社群評價進行風險分析。

當然還有許多破壞式創新後應用的金融科技,但是對於金融產業的獲利關鍵,主要還是風險管理能力,一般來說在過往我們只有在交易與交付的當下接觸到客戶,接著才會進行客戶經營和商品銷售,可是現今我們是否能夠進行銷售前移,也就是說透過 SAS Customer Intelligence 360 相關解決方案提供全方位的客戶資訊,透過大數據的分析在交易和交付發生前先了解客戶的興趣和需求,讓我們能夠愈早接觸到客戶,提供最適當的商品時,此時成功率更高。然而客戶真的是優質的客戶嗎?此時我們就可以透過 SAS Real-Time Decision Manager 相關解決方案,進行大數據的管理與實務應用,主要有三大重點,分別為變數多 (Data) 、模型多 (Model) 和更新快 (Deploy) ,也就是每位客戶會有許多變數,從變數中挑選特徵變數,接著建立分析模型,再來校正模型,最後進行風險評分。傳統風險主要是以信貸違約風險為主,現今風險主要是以信用品質為主,但是因為需要採用第三方資料使得完整度較低,導致變數轉多,來源規範性較低,此時除了需要自動化篩選變數之外,更需要能夠整合決策進行模型的置換與比較,像是挑戰者模型挑選與淘汰機制,更重要的是模型部署可以透過自動化決策平台進行,其中包括業務規則、分析模型和商業流程。此外我們還可以透過 SAS Visual Investigator 針對個人為主的消費金融和公司為主的企業金融進行社群關聯分析,接著將風險因素和關聯因素相加得出風險評分,同時針對高風險的事件發出警示訊息等應用。簡單來說就是流程化資料探勘分析,優化降低誤判風險,以利帶來更多的價值。

總結我們可以從整個企業進行全面思考,接著以資料分析為戰略,最後再以業務案例為驅動,在對的時間機搭配最合適的工具以利資訊人員與業務人員協同合作,至於金融科技的關鍵重點則在於解決人才、流程和組織的挑戰。

相關資源