chouchihsun的部落格

金融科技正在浪頭上。除了潛力無窮正極欲找出殺手級應用的區塊鏈技術，也別忘了大數據分析仍然是讓金融服務改頭換面的關鍵技術，重要性並不下於區塊鏈。

以筆者的觀察，基本上國內多數的金融機構都有資料倉儲以集中式的方式收集及管理資料，這是大數據分析的基礎設施。問題是，擁有大數據後要分析什麼？這個問題並沒有標準答案，所以，十家公司可能有十種截然不同的分析應用，發揮的效用及衍生的價值也有高下之別。

商業智慧（business intelligence）通常是在建置資料資儲系統時會同時導入的平台，它做的是描述性資料分析，主要以圖表來幫助我們評估商業運作的現況。但因視覺呈現的限制，再複雜的問題，也只能以二維、三維（一次只看兩個或三個變數）的方式片段地解讀。商業智慧的確是必備的資料分析工具，但金融機構若只引入商業智慧平台且就此打住，大數據分析的潛力可說還沒有發揮三成。

資料分析依其用途分為四個層次，從淺入深為描述、解釋、預測及最佳化。描述性分析幫助評估現況及瞭解問題，而後三者—尤其是預測及最佳化，直接提供改善和解決問題的工具，通常才是資料分析的最終目的。

在預測分析的應用上，國內的常見應用是對既有顧客的商品行銷，當有新商品推出時，應該介紹給哪些顧客？這可以根據顧客的性別、年紀、收入、居住地、曾購買的商品及各式行為來做推測，以進行精準行銷，節省成本，也避免打擾無意願的顧客。另一種常見的預測分析為資源的配置，例如分行的設點（也常見於零售業）及分行及線上服務人員的配置等等。

很可惜的是，在國內，預測分析經常會跟行銷綁在一起，甚至資料分析團隊屬於顧客經營管理（CRM）部門的一部分，較少將預測分析應用在商品及服務的改良。例如說，網頁及手機App介面的改良、信用卡的優惠活動如何搭配、保單的參數組合、行銷活動如何進行，甚至到分行的抽號機制及座椅安排，都有發揮的空間。

舉個更具體的例子，銀行的電話客服中心通常會將來電者區分為VIP（貴賓）及一般用戶，VIP有特別專員處理，而一般用戶的客服專員就會隨機指派。一個更好的做法是，根據來電者的個人資料以及商品購買記錄，預測此通電話的來意；同時根據來電者的性別、年紀及性格，以演算法自動指派最合適的客服專員給該顧客：若只是修改帳單地址，讓新手客服來接聽即可；若遇到專出疑難雜症的奧客型客戶，只好請出經驗老道的老手來處理。

你可能會問，客戶的性別、年紀不是問題，性格怎麼會知道呢？事實上運用機器學習技術分析兩人之間的語音對話，包含用字遣詞、對話模式及語氣，可以某種程度推論出對話者的人格特質（包含情緒穩定度、容易妥協的傾向及負責任的程度等等）。

要做各式流程及服務的最佳化，機器學習就必須要被引入。例如，可以做線上／語音的自動客服機器人，可以做機器人理財顧問（robo advisor） 或是保單規劃顧問，讓客戶服務的範圍大幅延伸。傳統的作法中，通常客服人力有限，VIP才能得到細緻、主動的專員服務；但現今人工智慧技術大幅進展，客服專員顧不到的非VIP用戶可以交由人工智慧來服務，這已經進行中的趨勢，端看我們要以什麼樣的步伐及姿勢來跟上。

（作者是中央研究院資訊科學研究所研究員、台灣資料科學協會理事長）