至顶网CIO与应用频道 12月26日 北京消息(文/王聪彬):银行业耳熟能详的海外某银行是一家主要经营信用卡、房屋按揭贷款、汽车贷款以及存款的银行机构。1988年成立之初,其还只是美国弗吉尼亚州Signet银行的信用卡部门,但现在已成为全美前十大银行之一。
该创始人给出的答案是:“我们不是一个传统的银行,我们不认为自己是一个银行。我们是以信息为基础战略的公司,第一个成功的产品恰好是在银行业。”
以信息为基础战略就是把数据资产和信息技术放在首位,该银行基于自身数据和外部数据进行二次挖掘,形成差异化优势实现了精准营销。
“但大多数银行在做数据分析时,80%的时间都用在数据准备阶段,而且40%的分析只做了一个分析模型就结束了,并没有和实际业务很好的结合。”Teradata天睿公司大中华区大中华区副总裁、咨询及服务部门总经理唐青说道。
Teradata天睿公司大中华区大中华区副总裁、咨询及服务部门总经理唐青
数据的价值还远远没有充分利用,金融行业要做到在运营型分析和分析型应用中都完成闭环,同时将智能化的设计嵌入到实时的工作流程中,使任何数据在任何时间都能快速响应。
金融行业近几年都在谈Bank 4.0,这也描绘了银行业发展的四个阶段。1.0时代,银行主要以实体网点,单一产品方式发展;2.0时代,银行发展了各种自助渠道,产品更加多元化;3.0时代,银行经营布局更加场景化,嵌入到生活的方方面面;4.0时代,经营生态智能化,实现实时获取服务。
目前我们正进入3.0-4.0的过渡阶段,银行需要用数据驱动业务发展。Teradata天睿公司大中华区金融及航空业咨询服务部总监宋爱华表示,银行要在客户和产品层面建立客户标签体系,Teradata通过图分析、大数据分析方法,可以将客户与客户、客户与产品的关系形成网络,更直观地通过网络进行营销和运营。
Teradata的一大优势也体现在拥有丰富的行业模型,并且一直在坚持研究数据分析模型,让一线分析用户更好地接受和使用,打通最后一公里的缺失。
“Teradata正帮助客户构建前、中、后台统一协调的智能营销体系,帮助客户理解数据,了解数据如何与业务流程匹配,适用于哪些场景,包装成怎样的营销产品、设计成怎样的营销活动等等。”Teradata天睿公司大中华区专业服务金融事业部资深行业顾问刘弦说道,在前台根据模型配置规则推荐给客户相应的服务和产品,在中台把精准营销思路匹配智能化的策略推向一线,在后台进行模型研究,为客户产生价值。
Teradata也在最近推出Teradata Vantage,它是实现无处不在数据智能的唯一平台,提供任意数据分析、任意环境部署及提供重要分析成果所需的速度、规模及灵活性。同时Teradata Vantage融入了专业咨询服务,形成一个整体的解决方案。
目前银行在大数据的使用上都处在早期,所以也造成了各家提供的产品、服务、功能都越来越趋同。在未来银行要通过数据实现真正的精准营销,通过有效的手段应用到有效的场景中,针对有效的对象,才能产生更大的差异化。
如果一个客户在银行如果持有三个产品,那么他的离开率就相对较低。在精准营销上,银行需要搭建场景,更加了解用户的喜好,培养用户习惯,通过持续的关怀让客户留在银行。
未来不同的人,在不同的时间打开银行App都会有不同内容,通过模型、分析可以做到智能的精准推荐,实现千人千面。Teradata天睿公司大中华区商业智能高级经理余俊越指出,已经有一些银行在尝试小范围的个性化定制,当然还有很多像开发、服务等层面上的因素制约,Teradata也在背后用经验、技术帮助银行快速推进这一过程。
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
Patronus AI发布突破性研究,构建了首个系统性AI代理错误评估体系TRAIL,涵盖148个真实案例和21种错误类型。研究发现即使最先进的AI模型在复杂任务错误识别上准确率仅11%,揭示了当前AI代理系统在长文本处理、推理能力和自我监控方面的重大局限,为构建更可靠的AI系统指明方向。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
这项研究首次从理论和实践证明AI模型可通过模仿生物睡眠-学习周期显著提升性能。研究发现AI训练中存在自发的"记忆-压缩循环",并据此开发了GAPT算法,在大语言模型预训练中实现4.8%性能提升和70%表示效率改善,在算术泛化任务中提升35%,为AI发展指出了注重信息整理而非单纯数据扩展的新方向。