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
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。