当前课程知识点:大数据技术与应用 > 陈彧:美团点评金融服务的大数据与人工智能 > 数据智能的三个案例 > 数据智能的三个案例
以下我就分三个风险营销认知
这三个能力分别举一些
怎么样用大数据
和人工智能的方式
来解决这三个问题
举一些例子
所以这是第三趴
数据智能的一些应用
讲这个之前先来简单列一下
说大数据和人工智能它的整体
我们在提到说认知
营销和风险三件事情的时候
它底下有些什么样的技术
最底下是要依靠
整个大数据的基础技术
如果没有这些东西
那你只能通过小数据来完成
小数据有什么问题我下边讲
然后在这之上
因为有很多人工智能的东西
所以必须
要有机器学习的一套方法论
在这之上是一些应用于
这种领域的一些人工智能课题
比如说对象的识别文字识别
动作追踪 固体检测
然后比如说在营销方面
有事件的预测
知识图谱语义理解
然后在风险方面
比如说有异常发现
这些东西比较通用的
一些人工智能的一些课题
再往上是我们刚才说的三大应用
一个是认知上
那第一是人脸识别
第二是活体识别
第三是证照识别
所谓活体识别解释一下
就是知道你是个活人
你不能拿着一张简单的照片来
就来所谓叫攻击这个系统
然后营销这边
两件比较重要的事情
一件是获客
一件是产品的推荐
风险的话两件事情
一个是信用
信贷的信用
另外一个是欺诈
整个来说它的整个技术体系
大致是这样子的
它的整个基础底下是
我刚才列了是所谓大数据
它跟传统银行金融机构
所用的数据技术有什么不同
实际上很多机器学习的技术
很早就在银行里面应用起来了
包括风险建模
实际上也不是什么新鲜事
现在的一个主要底层差别
是在于数据量的大小
所谓大数据它的一个特点是全量
它不去做采样
比如说传统要做一些人群的特征
发现的话
我们可能会采样一些人出来
那么现在我们不需要
我们通过大数据的技术
全都算一遍就好了
有多少就用多少
它这个量级很大
然后在这个数据的
属性上面是强弱数据都有
所谓强数据指的是一些金融属性
就比如说你借款有没有还
就比如说你在央行征信的
记录里面的那些很清楚的
就是跟钱有相关的东西
那所谓弱数据
就是一些互联网属性东西
弱到什么程度
弱到你今天打开了这个应用程序
有了一个打开的记录
这就是一条弱数据
这条弱数据你别看它弱
当我们把这些数据
汇起来的时候你会发现
通过数据挖掘的手段
它是很有意义的
然后就是数据的非结构化
数据质量会很高低不齐
存储方面银行是惯用的是大型机
互联网方面惯用的是
分布式存储和数据仓库
数据仓库这件事情
可能在学校里见的不多
但实际上在互联网金融里面
是一个很重的工作
就是我们要很重视数据资产
怎么样去组织
怎么样从原始的明细
一直到往上去提炼去抽取
形成一个很大的
数据仓库数据集市
这个工作
这个就是大体上的
一些所谓大数据的不同
我们分三个营销 风险和认知
三个应用领域
我们来讲一讲我们的一些
目前的一些应用
和这背后的一些逻辑
那营销方面刚才讲到了
有很多具体的课题
比如说获客
获客就说我有一个新的金融产品
我怎么样能够找到合适的人来用
它里面用到的技术包括说
我怎么样挖掘出来我的受众人群
我怎么样去估算
建个模型去算它的
对我这个产品的所谓响应率
响应率就是我给他他要不要用
它概率是多高
然后包括我的推广渠道选择
通常来说
我们会对新手有一个新手补贴
就是任何行业
都已经很老了的一个办法
但是补贴有讲究
就是怎么样能够记得
去算他的投入产出比
然后第二类是产品推荐
金融产品有五花八门很多样
那要根据每个用户的
个性化去选择
他具体的一些这个产品的
更合适的一个产品
第三个方面是体验的调优
这是一些很细微的一些工作
跟互联网会更像一些
我们下面会举一个例子
我举两个例子
一个例子是在新手补贴这个
一个例子在新功能引导
让大家体验一下
精细化的做营销这件事
第一个是新手的补贴
这个举的例子是
我们自有的支付美团支付
它需要用户去在
我们的APP上绑定一张银行卡
那绑银行卡这项操作也比较繁琐
你需要录入你的各种信息
你还要用手机号来验证
但是对于用户和对于美团来说
也都蛮有好处
因为有这张卡在的时候
我们可以提供更多的金融服务
那怎样来促进美团支付的新客呢
那我们就会给新手发新手红包
也就会给一个补贴
这个补贴会
比如说各种各样的形式
可能是在买外卖的时候
直接给你一笔钱
说你要不要来试一下
我们这个新的
这个美团支付这个功能
如果你用的话我马上给你
这单来减一点钱
这是一个例子
所以这件事情上
营销的动作在于说
我是不是会给这个下单
你在支付的时候
是不是会给你一份立减的补贴
然后补贴量是多大
它的目标是我去帮支付
这个产品去拉新客
并且拉客的量
跟我拉客所花费的成本
这是这件事情的一体两面
一个是收益一个是成本
它必须平衡这两个目标
因此怎么解决这个问题呢
我们在数学上进行建模
也就是说
我们会对你的响应率进行建模
你的X就是你现在用什么东西
你的身份是什么
你的用户信息
你过往的行为等等等等等等
那我的Y就是你会不会
对我的这个新产品进行响应
比如说绑卡这件事情
其他的新产品也是类似的
但是我们对补贴分为两个模型
一个叫高补贴一个叫低补贴
为什么要这么做
是因为对于如果说
有很多用户实际上他本来
就想来用你的这个新的产品
因为你新产品毕竟也是很好
他会来用
那么对于这样的一个用户
你其实没有必要
再去发放所谓的新手的礼
那么对另外一部分人
他本来是不来的
但是你为了让他来
是要发一个更大的礼包
所以这里面会有差异
通过高低补贴所以就是说
从这个新手礼包的不同的组合
比如说我给你是一张优惠券呢
还是给你一个立减呢
还是给你一个
什么样其他的权益呢
我有权益的组合
组合出来之后会
不同的权益组合
会产生不同的响应
那根据你的不同组合的响应
我们可以进行排序
如果是说差异大的跟差异小的
那么后面后续
他的动作就会不一样
比如说如果不给你这个礼包
你就不来了
那肯定就要给你这个礼包
如果不给你这个礼包你还是会来
那肯定你给的礼包就会小
这是在这个新手补贴上面的
一些精细化运营
通过这两个模型来完成
那么最后的效果也是蛮好
它会让你的
这个获客的效率提高到很高
能够让这个业务得以开展
第二个例子
是一个体验方面的优化
这里边的一个产品叫做免密
这个是一个支付的界面
当你在支付一个产品的时候
你可以选择说如果把这开放打开
那么以后就不需要输密码
这个地方需要输密码
但实际上为什么要重视这个东西
是因为很多用户他会遗忘密码
对 所以这就是为什么
像所谓创新支付它是有意义的
就在于其实我如果我知道A是A B是B
如果知道你的身份
那么就没有必要
很�嗦的再去核验一道
用密码来核验
因为很多人很多人
是会遗忘密码的
大概有5%-10%的人
他可能会遗忘密码
这个数字还是蛮大的
那在风控安全的前提下
其实我们没有必要
让用户再输一道密码
因此我们会说推荐用户
来用开启这个叫免密支付
它是小于一定的数额的
所以它叫小额的免密支付
但是这个事情也是一体两面
如果说我们把小额免密
这个功能直接推给用户
直接默认打开
那么确实支付成功率会提高
但是会有客诉
因为很多人
他不能让你就是替他做决定
另外一方面如果我们
不去引导用户开启这功能
实际上虽然没有客诉
但是它的使用率是很低的
用户其实对你这个东西不理解
而且我们在支付的时候
是着急去完成这个定单
对你这个东西其实是不太理解的
那这个时候怎么办呢
同样是建模
那我们根据不同的用户
比如说有的用户是密码型的
有的用户是指纹型的
指纹支付现在也很常见
对于不同种类的用户
分别去建立他的引导模型
所谓引导模型就是一个科学预测
我通过一个用户
他的历史的消费偏好
支付数据行为画像绑卡情况等等
其实是可以预测出来说
他能不能够接受
免密支付这个东西
并且把这功能打开
如果是高的话
那么自然就可以开启主动引导
如果是低的话
当然我们就不动这个开关
结果这个东西上线效果
也是非常好
那么有大量的用户接受了
这个免密支付这个功能
所以默认就打开了
大概在美团来说
因为大部分人
平时高频的动作是点外卖
点外卖其实金额比较低
可能就几十块钱
其实免密支付是相当安全
我们现在大概有一半以上的交易
会通过免密支付来完成
然后客诉也是比较低的
这也是得益于
说这里面的建模的效果
这是在营销和体验方面的优化
第二方面我讲一讲这个风险
风险大体上分为两类
我们这里要讲的风险分为两类
但风险不只这两
我们讲的是分为两类
一类叫信用风险一类叫欺诈风险
所谓信用风险是
核心是预测信用的违约
所谓信用违约就是你借了一笔钱
但是你还不上
这叫信用的违约
还要做的一件事情是建模
Y=f(X)
X是你的各种信息
和你的一些历史行为
Y无就是你是否会违约
你的违约概率是多高
然后f就是我们建的模型
那么不同的情况
我们会做不同的模型的处理
那么对于强数据的情况
就是有很多人他其实
他有很强的金融属性的数据在
比如他征信很好
那么其实这样的情况下
以这个有监督学习
就是我拉一批过去
比如说
三五个月的接待的历史数据
那么Y就是这个人有没有还
那么X就是他之前的一些表现
借款这些表现
很简单我们就出现特征建个模
这件事情就结束了
但是也有很多的人
他没有这么多的数据
那就只能通过弱数据
那怎么办
我们下面会举这个例子
来提到说另外一方面的欺诈风险
不去详细的展开
但大体上说的是说
它不是判断信用的违约
它是判断用户的身份
就是A不是A B不是B
那这件事情
在他身份一旦是错的情况下
他就不用看说违不违约
因为他人是错的
那么他后面所有东西都是
都是不成立的都是错的
所以这块是一个
我今天不再详细展开
但是我们在这方面
有很多研究正在做
主要是一些非监督学习
通过挖掘的办法
以后有机会可以
比较成熟的情况下可以再分享
今天主要讲一讲所谓弱数据建模
这是在传统金融领域里面
是没有见到的
所谓大数据风控
大数据大数据
数据一个X一个Y刚才讲过了
X是你的表现
人的一个表征
Y是你的预期的可以说预期概率
那我们有两类数据
刚才说一类是强数据
它有很明确的征信的数据
有历史的信贷行为
有明确的财务情况
这是传统金融机构
所典型的一些数据
对Y来说就是
我有充足的这个借贷违约
就是这群人
我经营的这群客户
他已经跑了很久了
他里面有很多人
他是有违约和不违约
实际的一个历史表现
对于弱数据来说
首先X它没有这么好的数据
他有哪些弱数据呢
就比如说基础信息
比如说你的设备是什么
比如说你在哪里工作
你在哪里点外卖
比如说
然后包括这个消费
消费是说
你购买了一些什么产品
然后消费前的活动
可能有的人挑挑拣拣
有的人看看转转仅此而已
然后消费的这个附加信息
比如说你在订完一个东西之后
后面有没有退
后面的履约环节
你有没有投诉等等
就是觉得伴随这个交易产生
我们也拿有一些附加信息
这些东西都非常的弱
它跟最后的信贷违约
看起来表面上是没有什么关联的
然后其实Y也有弱的部分
Y的弱的部分就是
我并不知道这个人会不会违约
但是我只能是说
知道一部分人的身份
这个是来自于
做了这么年的金融之后
有一些比较通用的认识
比如说公务员
就是一个很好的身份
这个群体他的违约的概率会很小
那比如说学生
学生是一个
比较不稳定的一个身份
那么这个身份
他的违约的概率就会变大
所以当你没有强的Y的时候
你只能用一些弱的Y来做这个风险
然后他的这个风险评估的用途呢
除了比较典型的就是信贷审批
他还可以用在
很多其他的增值服务
比如很多业务
他可以提供免押金这个服务
但必须要你信用评分比较高
大家看到很典型的
就是很多企业都在用芝麻信用分
来做某些业务的准入的一个评分
那芝麻信用分
其实它不是一个很典型的
就是这边一个
它是一个产品化的东西
它带有一些营销的成分
就不在细说
但是这里面原理是一样的
就是金融风险的评分
我们算出来这个模型
实际上除了借贷的准入以外
还可以用在很多别的场合
也许有哪一天你到某一个地方去
那个地方说我提供一个新的服务
就好比说我可以租自行车给你
但是你需要交押金
但是有可能你去那你一刷脸
人家说你不用交押金
因为你的信用评分很高
也许有一天我们可以做到这样
OK那回到这个里面
那弱数据我们为什么要用
刚才说到了就是
当我们变得更普惠的时候
人群是没有强数据只有弱数据
还有两个很重要的原因
这两个很重要的原因
是他有他背后数学和经济学的意义
一个是所谓冷启动
就是当你一个业务新做的时候
比如说我们美团
在去年才开始做信贷业务
那个美团上面有一款
信贷产品叫做美团生活费
这个是额度低 利率中
然后周期很短的
一个现金的借贷产品
但是当你一开始
做这样的业务的时候
你其实没有足够历史的Y
强数据的Y 你只有弱的
所以一定要用弱的东西来引入
比如说我们明确知道某一群人
这一群人应该是好于另外一群人
最简单白领一定好于学生对吧
所以这个身份是明确的
通过这样的办法
你用这些弱数据来做启动
在跑业务的时候
你没有办法累计
那个足够强的X和Y来跑你的模型
那第二个问题是经济周期
这是一个经济学问题
就说所有的模型目前为止
目前为止人类科技力量
所有的信用评分的模型
用到的数据周期都很短
典型的就是月这个尺度
有可能就是两个月三个月
这样的典型的数据尺度
那实际上人类的
经济周期是很长的
上一次的全球经济危机
是在2007年2008年
2008年全球经济危机
上一次的这个A股的
大的泡沫也是在2007年
但是如果你的模型
没有那个时候的数据
你是没有办法预测说
目前跑的这个信贷表现分高分低
他到底是不是
分高是不是好
再举个例子
我之前跟一些金融从业者也聊过
就是来自于区电
他发现一个很痛苦的一个问题
什么问题呢
他发现说
他做他的信用评分模型
也是用过去一段时间的这个
信贷表现
因为区电的借贷周期也很短
然后我们就来训练这个模型
然后来评分
然后用于新的用户
我们发现某种情况下
信用分高并不意味着
这个人好
当然他能还钱
但可他觉得这个人并不好
为什么不好呢
是因为他的多头借贷
因为他能够拿到
很多头借贷的数据
市场上会有这样的数据交易
他发现其实多头借贷的人
这个指标越高
实际上他的还款能力越好
这样的一个情况就非常崩溃
他的问题就在于经济周期
因为在这么短的经济周期里面
即便是多头借贷
拆东墙补西墙
只要这个行业在转
只要这个泡沫还没破
他一定是可以再转下去的
因此去年有一位
也有很多人在热议这个问题
有人就公然说
这个风险风控没有用
因为你能看到越多头借贷
他还款能力越好
那你为什么还要做风控呢
这个问题就是经济周期
在经济周期还没到
他泡沫破的时候
因此这个模型一定是看不见
一定是认为他这个人
就是非常好的人
但实际上这样的业务
是非常有风险的
哪一天泡沫破裂的时候
你的风险没有办法释放
那就会全盘皆输
这也是为什么
2007年的时候次贷危机
很多很多倒闭的公司
或者很多很多金融产品
实际上他的信用评分是很高的
他的FICO评分
各种评分都是3个A
各种各种高分
可是他们最后就倒闭了
为什么呢
就因为经济周期它的漫长性
所有的数据只能处于短周期的问题
怎么样解决这个问题
就一定会不要用这么强的Y
这么强的Y在这个时候反而不好
一定要引入更弱的Y
我们明确的知道
有一些人就是要比另一些人不好
那么这样的模型才能够抵抗
经济周期的影响
那我们来举一个
弱数据方面的案例
有很多很多各种各样的弱数据了
那么限于这个时间的关系
我们举一个例子
就是在我们实际在
线上用的一个例子
在我们的那个消费金融产品里面
我们会有信用评分
典型的信用评分
我们这里有一个叫稳定分
一个叫信用分的
它的数据都是弱数据
怎么个弱法呢
他有一些业务交易的数据
他还有定位的数据
浏览的数据以及实名
所谓实名就是看你
有没有绑银行卡等等
那这些数据都是比较弱的
我们这里并没有用
人民银行的征信数据等等
通过这些数据
我们可以算出来一个信用分
一个稳定分
这个提起稳定分
什么叫稳定分呢
他是只用你的定位数据算得的
我定位就是当你做
任何在APP上操作的时候
你会留下一个地理信息点
地理信息的打点
那么这个地理信息的打点
日积月累
每个人都会很丰富
所以他是大数据和弱数据
那金融里面有一个假设
假设是说人越稳定
那么他的风险越低
因此这里面做了很多
数据挖掘工作
一个例子是说
我们可以去做聚类
把人的行为轨迹打点做一个聚类
我们会发现说过去一年当中
你有很多打点信息
那么你可能可以聚起来若干簇
比如说有的人能够聚起来两簇
像我这样的人就是家跟公司
那可能像你们这样的人
就是学校就一簇
可能有的人是很多很多簇
实际上最好的表现是两簇
也就是说就是像我这样的上班族
家跟公司
一簇是相当差的
因为他可能比如说在学校的话
或者说他四处奔走
他是一个像没有固定的工作地点
这样的一些人
所以两簇最好
其他是更弱
OK 所以我们做这样的事情
其实并没有用很强的Y
当然我们会用
实际上业务数据来做校验
怎么校验呢
把这些分算出来以后
通过人的一些规则
放一些准入的名单
这批人放进来以后
就跑他线上的这道流程
然后通过经过一定时间
比如说一两个月
我们就能够收集到
他线上贷款的表现
通过贷款的表现
我们就可以知道他预期率的高低
我们把预期率的高低
跟当初的稳定分拿来做校验
我们会发现说稳定分高低
跟他的预期率高低
两个是正相关的
因此所以这个弱数据评分
它是成立的
那它很弱
而且他只有一部分的评价功能
可是它就相当有用
而且它能够为原来没有强数据
原来没有征信
银行不敢服务的人我们能服务
他靠的就是这种弱数据的挖掘
像这样的挖掘
我们会持续的在做
做很多这样的工作
这是一个弱数据的例子
然后接下来谈谈这个认知
认知我觉得就是最近的宣传
也是铺天盖地
大家都能看到很多刷脸支付
这个非常的火
大体上我们分分类
一类是说OCR
就是像证照 材料
等等这种票据的识别
这种也非常简单
第二类是人脸
人脸主要是
人脸检测它主要是两个课题
一个是1比1一个是1比N
1比1就说你有一张脸你有一个证
这两个是否是同样一个人
你要做一个判断
1比N就说你有一张脸
你的背后数据库里面有N个档案
你要知道这张脸
是档案当中的哪一个
这两个问题
目前解决比较好的是第一个
第二个是比较难的一个问题
第三类课题是活体检测
这是一个新兴的领域非常火
他是必须要完成说我在
我说使用机器的办法
能够知道一个活人是一个活人
那目前我们最简单的
如果你去用一些银行
他的转账功能的话
他会让你做比如说
让你摇摇头 让你眨眨眼
这就是为了做活体检测
这样的手段其实还是非常初级
这个领域可见是说
他是一个博弈的过程
道高一尺魔高一丈的过程
那有什么样的新技术
有可能会用呢
比如说三维重建
如果说我有一个视频
那么我可能会了解到
我面前这个人是一个立体的人
他不是一张照片
因为你在动的过程当中
我们可以推算出一些三维信息
比如说你的鼻子是在前面
而不是在跟你的
你动一张照片
跟你动一个人头
它其实我们可以反推说
这个三维信息是不一样的
你的鼻子跟你的耳朵
不是在同一个平面
这部分就要三维重建
更直接的三维重建是
建立多维多模态的视觉
比如说iPhoneX
它在这块就走的很前
所以多路很简单就是
如果你有两个摄像头
其实你就解决三维的问题
但是一般的手机上
没有两个摄像头吧
这个事情在未来会逐渐逐渐改变
像iPhone上面它有一圈的传感器
它甚至能够主动的发光
打到你的脸上
能够获取三维信息
我们可以看见说
在未来线下的这个商店里面
那个不需要你的手机来做什么事
我们可以研究一些专门的设备
那些设备可能会比如有多路视觉
比如说他可能不用可见光
他可能用红外光
因为红外会带有你的热力的信息
这也是很难伪造的
另外除了视觉
可能还有别的其他路的信息
比如说声音的信息声纹的信息
我们跟清华
其实有一些声纹上的合作
这一大类是活体检测
这个技术我认为目前
还是处于研究当中
比较的不成熟
然后我们目前正在做的是
这个1比N这个比对
那么能够做到一个程度是
我们觉得这个问题
已经能够到商用的程度
所以大概会六月底吧
就是在我们自营的
那个小象生鲜里面
可能会就铺设一条
那个刷脸支付的收银通道
来尝试商用
因为很多业界
也是在这个尝试商用阶段
这里讲的是说
这个1比1的人脸识别的比对
它已经能够达到一个商用水平
那当然过程讲讲其实也蛮简单
就是首先把人脸拍下来
通过人脸检测的模型
得到一张人脸图像
就是他能够把人脸识别出来
并且框出来
从这过程当中能够把CNN网络的
倒数第二层的信息提取出来
变成一个特征
把这个特征存入到数据库里面去
然后在支付的环节
当你刷脸
同样跑人脸识别的模型
把你的脸抠出来
同样提取出这个网络的
最后一层特征
跟原来库里面的人脸进行比对
扫一遍
然后找出与你最相似的这个人
这个过程就算完成
这里面要求很高
如果是说来一张脸
我并不知道他是谁
我要在库里面找的话
这是一个1比N的问题
因为脸是1但是你的库是N
然后这样的问题是
我们还是不能纯靠技术端去解决的
因为什么呢
因为我们必须要
基于1比1的比对去做
所谓1比1就是
我必须依赖于你每一张脸
如果我的库里面有一万张脸
那么我需要把
我现在收到一张照片
去跟库里面的一万张脸
一一进行比对
如果说我一一比对的时候
我有一个出错率
这个叫False Acceptance Rate
就是误检率
就是不是你我把他当成了你
那么这笔钱就会扣错
这个叫误检率
这是一个核心的
不能出错的一个东西
这个率现在能够做多少呢
业界的水平是在十万分之一
到百万分之一之间
听起来已经很低了
就是你给我一张脸
我在一百万个人里面
去找的时候出错一次
但是这个东西要全靠它来商用
为什么难呢
是因为如果我只看人脸识别
这时候我的库里面有一百万张脸
你给我一张脸
然后我扫一遍
那么必然有一张出错了
那就是一百万张脸
平均有一张出错
那么当我的库里
有一百万张脸的时候
每次的比对我都会出错一次
那这个就相当的不能接受
所以我们并没有可能说
在商业的领域里面
实现百万这个量级的
纯靠刷脸来进行支付的这个环节
所以商用领域
一般会加上其他路的校验
简单的例子是手机号的校验
我们看到支付宝在这个
DEMO里面是用手机号
就说你要支付这之前
你要把你的手机号先输一遍
这下他如果把手机号都输完了
就从1比N的问题
变到一个1比1的问题
那1比1的问题不用百万分一的
准确率和误检率
万分之一都够用
然而输手机号体验会比较糟糕
因为你要输一串东西
这东西很烦
并且有可能互相知道你的手机号
那也可以来
还存在攻击的可能
我们目前的方案是说
其实也是输手机号
其实我只是用我手机号的后四位
其实我是一个1比10000的比对
在1比10000的比对情况下
我觉得目前的商用技术
还是比较成熟
那整个这件事情要往下做
他一定是说两个道路
一个是说这个人脸识别模型
他必须要去持续突破这个极限
目前是十分之一
到百万分之一的误实率
听起来很低可是它不够低
我们往往能够从业界里面看到
各种各样的有趣的新闻
比如用人脸识别抓逃犯
又会闯红灯
又或者是干这个干那个
他们会说这个事情成功了
但是问题是说
他没有误检率这个数字的提供
所谓误检率就是
即便你是十万分之一的误检率
我全靠这个东西
我要在十万人里面找你
那也是必然出错的
这是这个刷脸支付
所以跟大家说的就说
其实目前现在都在商用
就是叫怎么样
就是说试商用的这个阶段
并且它一定是跟其他的
验证方式同时进行的
可能比如说通过手机号也好
通过声纹的方式
语音识别的方式也好
还得度过一段时间
又到一个比较好的
一个商用的环节
但离我们的想象就全靠脸
你出门全靠脸这个阶段还差很远
就商业上走的比较前
是美国的 Amazon Go
而且 Amazon Go在你进场的时候
必须要刷一道手机二维码
那道二维码刷完了
他在支付那个环节仍然是1比N
但是那个N已经很小了
因为今天进场的人
只有那么一些人
可能在千这个量级
他只需要把1比千
这个量级人脸识别做好
那他的这个支付就能够顺利
所以这是 Amazon Go的一个解决方案
这个是刷脸这件事情
在金融里的一些情况
-完整讲座
--完整讲座
-李国杰:面向大数据的数据科学--课后习题
-数据思维方式的改变
-数据的假设与采集
--数据的假设与采集
-数据的准备
--数据的准备
-数据的分析
--数据的分析
-数据的解释与验证
--数据的解释与验证
-吴甘沙:大数据分析师的卓越之道——课后习题
-个人介绍
--个人介绍
-硅谷热门公司
--硅谷热门公司
-大数据简介
--大数据简介
-大数据平台系统
--大数据平台系统
-工业实践
--工业实践
-结尾
--结尾
-董飞:硅谷公司的大数据实战分析--课后习题
-数据系统架构历史
--数据系统架构历史
-从sql到nosql
-数据库系统实现变革
-负载融合
--负载融合
-数据系统架构成本
--数据系统架构成本
-杨光信:数据系统架构——课后习题
-什么是可视化
--什么是可视化
-网络可视化
--网络可视化
-大数据带来的新挑战
-大数据网络可视化的若干案例
-时磊:大数据网络可视化—— 课后习题
-网络安全概述
--网络安全概述
-大数据安全分析平台
-大数据安全应用
--大数据安全应用
-大数据平台安全
--大数据平台安全
-彭元:网络安全与大数据——课后习题
-人工智能系统的本质功能模型
-隐性智慧,显性智慧
-人工智能:能与不能
-人工智能的技术现状
-机制主义人工智能模型
-信息转换和智能创生定律
-人工智能与大数据
--人工智能与大数据
-钟义信:“人工智能与大数据”的创新研究——课后习题
-什么是机器智能
--什么是机器智能
-大数据的重要性及特点
-大数据中的因果关系与关键技术
-大数据与机器智能
--大数据与机器智能
-大数据思维
--大数据思维
-讲座问答环节
--讲座问答环节
-吴军:数据为王和机器智能的时代——课后习题
-大数据概述
--大数据概述
-大数据相关新趋势
--大数据相关新趋势
-大数据技术创新1
--大数据技术创新1
-大数据技术创新2
--大数据技术创新2
-大数据技术创新3
--大数据技术创新3
-大数据商业价值和前景
-大数据机遇和挑战
--大数据机遇和挑战
-苏中:从大数据到认知计算——课后习题
-金融大数据概述
--金融大数据概述
-用户个人信息分类
--用户个人信息分类
-金融大数据法律框架
-实际案例和业界实践
-核心风险点
--核心风险点
-王新锐:金融大数据的法律实践——课后习题
-互联网与商业化
--互联网与商业化
-大数据与计算广告
--大数据与计算广告
-计算广告介绍
--计算广告介绍
-数据交易
--数据交易
-刘鹏:互联网变现与计算广告——课后习题
-从记账技术到区块链
-区块链确保数据真实性
-区块链确保数据安全性
-区块链衡量数据价值
-区块链的应用和总结
-杨保华:区块链与数据科学——课后习题
-个性化推荐系统
--个性化推荐系统
-推荐系统的召回与排序
-智能制作之个性化海报
-线上推荐系统其它要素
-杨紫陌:个性化内容推荐——课后习题
-个人介绍及用户理解背景
-用户理解与用户画像
-案例1:用户属性识别
-案例2:自然人识别
-案例3:WOI与社交关系识别
-陆祁:用户行为大数据——课后习题
-内容智能生态——数据、算法、应用
-大数据在内容分析的应用
-IP价值评估系统
--IP价值评估系统
-爱奇艺的剧本评估
--爱奇艺的剧本评估
-爱奇艺的智能评分
--爱奇艺的智能评分
-阳任科:大数据与AI的内容分析——课后习题
-外卖行业及场景简介
-餐饮及外卖行业大数据应用框架
-案例分析:智能营销场景的用户画像
-案例分析:智能助手场景的菜品画像
-王栋:美团外卖的大数据应用——课后习题
-旅行业务的特点
--旅行业务的特点
-美团旅行业务的用户画像构建
-用户画像的应用案例
-住宿需求预测问题
--住宿需求预测问题
-营销补贴策略建模
--营销补贴策略建模
-赵楠:商业思维与大数据技术在美团旅行业务中的结合——课后习题
-互联网金融背景介绍
-互联网金融科技
--互联网金融科技
-数据智能的三个案例
-技术展望
--技术展望
-陈彧:美团点评金融服务的大数据与人工智能——课后习题
-数据的进化历程
--数据的进化历程
-阿里DMP平台介绍
-核心技术及案例
--核心技术及案例
-数据应用
--数据应用
-毛波:阿里全息大数据构建与应用——课后习题
-在线营销
--在线营销
-竞价机制
--竞价机制
-数据价值
--数据价值
-韩定一:在线营销中的竞价机制与数据价值——课后习题
-竞价排名搜索
--竞价排名搜索
-主要技术问题
--主要技术问题
-点击率预测概述
--点击率预测概述
-点击率预测实践
--点击率预测实践
-龚笔宏:大数据在工业界中的经典案例分享——课后习题
-即时配送业务的背景及挑战
-案例1:订单分配策略
-案例2:供需平衡策略
-未来展望
--未来展望
-郝井华:即时配送中的人工智能——课后习题
-什么是数据驱动营销
-LTV留存分析
--LTV留存分析
-RFM会员体系
--RFM会员体系
-消费者微群画像
--消费者微群画像
-渠道倾向性分析及行业竞争分析
-机器学习潜客挖掘模型
-- 机器学习潜客挖掘模型
-陈辉:数据驱动营销——课后习题
-金融大数据时代
--金融大数据时代
-大数据客观信用
--大数据客观信用
-我国的金融环境
--我国的金融环境
-客观信用的实践
--客观信用的实践
-应用案例与成果
--应用案例与成果
-艾小缤:大数据评价体系在金融、征信领域的创新——课后习题
-外部链接
--外部链接