FinTech崛起:算法将如何改变支付行业?分析数据集只是第一步

简介:

不久之前,CEO们和大型银行还坚信,银行的地理位置是为客户提供所必须考虑的因素。但是,就在近10年,数字银行(Digital Banks)崛起。数字银行可能永远都不会有实体存在,但它仍然在继续扩大用户群并增加包括保险、抵押和贷款服务。下面我们就来看看数字化和算法化会给传统的支付模式带来的变化:在数据集之上进行分析只是第一步,要完成算法化流程,还需要使用机器学习与人工智能创建新的数据。

算法将如何改变支付行业?

在支付行业,我们曾见证Chase和Fisrt Data等公司占据行业统治地位长达四十多年。然而,就像银行业的数字化迫使业内人士改变战略一样,我们注意到,数字化支付已经帮助了一些公司获得更多市场份额,比如说WorldPay、Vantiv,甚至是最近的Stripe、PayPal/Braintree和Adyen。

它们的成功并不立足于传统商业,而是大力发展科技创业项目,有些发展得好的项目抢了传统业务的风头、甚至把他们挤下历史舞台。这里可以联想一下诸如娱乐传媒大亨对Netfix、出租车对Uber或者传统商店对Amazon的竞争交锋。

1e8891e22a690e1411d374c85ac9678575176c59

2018与2006年亚马逊与传统零售公司市场价值对比

可是,随着越来越多的企业都认识到数字化是大势所趋,我经常会问:支付行业的下一次革命是什么呢?

就如同在70、80年代大胆采用计算机与数据库的公司,又或者是那些在90年代就已洞悉互联网将掀起巨变的公司,经历了新千年网络泡沫破裂的验证,我认为现如今深入理解算法化(Algorithmization)将带来的改变并积极投资于此的公司最有可能平稳度过竞争激烈的2010和2020年代。

数字化流程

要理解算法化是什么,我们首先需要回头看看传统商业的流程。数百年来,传统商业流程是由人们用劳动力创造产品或提供服务和与之相关的一系列周边业务活动组成。

例如,提供医疗服务的医生有坐诊时间,病人可以直接就医或提前预约。传统而言,登记患者信息、更新病历及开具处方等一系列流程都是通过纸笔完成的。随着这些流程的数字化,计算机进入了医生的办公室,从此病人档案可数字化存储,预约看病可使用数字日历,处方则可直接邮件给药剂师。

即使到今天,企业仍不断改进数字化流程:开发移动应用程序或者提供云服务来让用户更好访问和存储实际商业流程所产生的数据。

算法化

当我们讨论算法化时,我们讨论的是使用存储在数据库中的数字化标记数据和自动化程序分析用户并根据结果进一步反馈给用户有价值信息的过程。

大多数公司已经完成了上述的过程,但这只是进入算法化的第一步。当可以使用数据集(N)来分析用户信息并反馈时,下一步则是使用机器学习与人工智能来创建一个自身能提供新数据集并完成算法化循环的新流程(N=N+1)。

9b1fd880d9a7fe783a39b21d66c5dd1fd6bf34ed

一个支付服务提供商的例子

为了更好地说明,现假设有一个每天处理数百万笔的交易的支付服务提供商。商户上传的每一笔交易都包含PAN(个人账号)、CVC(信用卡验证码)、有效期和顾客姓名以及电子邮件地址等与交易相关的信息。通过浏览器,PSP(支付服务提供商)还能收集额外数据如:时间和日期、设备ID、浏览器类型与版本、IP地址和其他数据点(N)。

当处理交易的过程中,交易数据会存储在数据库中。大多数PSP(支付服务提供商)会用这些数据为商户提供指定日期的标准交易报告。有些甚至能汇总数据来提供数据摘要。如果他们想更加吸引用户,他们会开发可视化图表来显示交易是如何随着时间的推移变化的。

随着计算能力、云计算和分布式存储技术的进步,包括PSP(支付服务提供商)在内的许多公司都在尝试各种改进现有流程的方法。例如,此前我们假设的这一PSP(支付服务提供商)决定研究海量历史数据是否能帮助公司防止未来传入交易数据中的欺诈性行为。通过使用机器学习和人工智能,数据科学家得以发明一种算法,它能使用一部分交易中多种变量来预测最新上传交易为欺诈性交易的可能性

基于卡的支付系统好处是,持卡人能够质疑特定时间段内的交易。每当一起欺诈性交易被举报时,发卡商都会发送一条消息来追回交易。只要接收到这些信息,PSP(支付服务提供商)就可以将其存储在数据库中。这使得PSP有能力验证初步欺诈预测的准确性。借助人工智能算法,他们可以通过增加或减少此前算法中各变量的权重来调整原有算法并提高其评分。这实际上是创建了算法化中的一个新流程(N=N+1)。

aa1d664dab0605dba5d46652e472ca7b4fcb78a1

算法化如何影响支付?

前文的例子只是一个关于如何使用算法化改进现有流程的案例。有趣的是案例中的方案确实是多年来处理欺诈交易问题的主要方案,可是欺诈者也越来越聪明,欺诈行为仍然时有发生。

但是支付所包含的内容不仅仅是防止欺诈。成本、货币兑换、连接性能、计费和支出是一些新的PSP能够使用算法化有所作为的领域。随着越来越多的公司逐渐习惯PSP的商品化,保持PSP成功的方法并不是减少欺诈或降低交易成本,而是展示PSP的价值,即为使用者带来更多的生意。

销售部门比财务部门更受欢迎的原因是创造更多的收入等于是增长,而降低成本可能会提高利润,但不会增加收入。

智能获取路径

在性能、功能或定价的基础之上,同样的交易数据可以用于优化获取线路。实现一个多路径算法是很好的方法,这是一个更“智能”的或者说复杂版的A/B测试,它使用机器学习来动态分配流量给性能好的变量,同时分配更少的流量给表现不佳的变量。通过连接多个数据收集方,PSP可以给特定客户分配效果最好的预测变量,从而提供最好的预测结果、定价和功能。

动态 3DSecure

因为发卡方设置的两步交易验证如Visa的Verified或是万事达(Mastercard)的3DSecure,许多PSP依然有较高的支付被拒率。采用决策树的机器学习方法,PSP们可以预测交易是否需要转到3DSecure页面进行额外的两步验证,或进行常规流程是否能完成交易。

不要被别人的想象限制

当然,还有许多其他使用交易数据的方式可以提高商业表现。如果说有人能够利用几十年来所积累的用户数据来创造一个能够改进现有流程的PSP,或者是能够满足甚至目前还不存在的商业模式对支付需求的PSP,我觉得完全有可能。

金融科技初创公司:谁是北欧的下一个Klarna?

9e43e34fc6acc06ade633ce6b0030cac1bad9b1a

我们不可避免地要承认,这个世界正处于金融科技革命的掌控之中。 科技环境正在以指数的速度发生改变,使得金融部门的变化比以往更加复杂和多样化。

这一切是如何发生的?金融科技初创公司与传统金融行业相比有何优势?

这个问题使我们思考技术落地的问题和金融科技成功的秘密,金融科技快速发展是由于大数据分析,区块链,机器学习或人工智能?

金融科技正在试图对全部门进行数字化。通过使用大数据,机器学习和人工智能为新一代投资者提供最佳投资机会,机器人顾问很有可能会取代(人力)财务顾问。

人工智能帮助你更准确快速地处理这些信息。机器学习可以识别特定的模式,并且能够随着它完成的的每一项任务而改进。因此,随着时间的推移,其处理信息的能力会变得更快。

区块链可以改变沃尔玛等公司的供应链,并帮助像摩根大通这样的银行每年节省数十亿交易费用。区块链实际上使得整个系统不再需要中介来进行资产转移。付款交易通常通过一个中介,经过多个步骤对申请人进行身份验证和授权。

完成这些流程可能需要两到三天时间。而通过区块链能将所有步骤压缩成在几秒或几分钟内完成的一个步骤。因此,许多金融服务行业可以通过使用该技术提高交易速度和透明度来提高绩效。

在流程中运用AI,ML和区块链的另一个理由是提高安全性。虽然人工智能尚未先进到可以完全替代人类,但它可以验证和复查重复费用和其他常见错误。基于人工智能的工具可以十分准确地检测欺诈行为。

北欧地区最有前景的FinTech创业公司

dad8df1f9dd342b6e9476f066c47c1c872dce30e

北欧地区是欧洲第二大金融科技区。FinTech仍然是瑞典最大的独立产业。

他们正在寻找新的方式来提供金融服务,从而开发出新的发展客户和与客户进行交流的方式。过去几年里,他们已经引入了许多有前途的创业公司,这些公司正在“围剿”传统金融服务业。

我们都知道的公司比如iZettle,Klarna,Auka(mCash),Trustly,Meninga等,它们都在一步步进阶行业顶尖的位置。谁会成为下一个脱颖而出的公司?谁会在不久的将来取代上述公司的地位?您可以在下面找到一些北欧地区的金融科技初创公司的名单,这些公司很有意思,有的值得长期关注,甚至值得你去亲自尝试他们的服务。要不然,投资者怎么会投资巨款来孵化它们呢?

1.Lendify

总部位于:瑞典斯德哥尔摩

成立时间:2014

已融资4200万欧元

Lendify在瑞典建立了第一个真正的市场借贷平台。该公司经营一个在线信贷平台,人们可以相互借贷而无需银行参与。

2.LunarWay

总部位于:丹麦奥尔胡斯

成立时间:2015

已融资900万欧元

LunarWay是一家手机银行应用程序开发商,其目标用户是千禧一代。通过APP开设银行账户,可获得MasterCard®(万事达)支持的借记卡,查看实时交易消费的信息以及通过商品目录或零售商查看您的交易。用户还可以通过应用程序设置储蓄目标,以及支付账单。

3.Pleo

总部位于:丹麦哥本哈根

成立时间:2015

已融资630万欧元

Pleo——与应用程序联系的“智能”公司卡片。Pleo是管理公司开支的全新方式。提供即时和按需预付MasterCard®(万事达)虚拟卡用于在线购物和塑料卡片用于店内购买。Pleo允许员工购买他们工作所需的东西,同时使公司完全控制所有开支。借助突破性技术,Pleo降低了管理的复杂性,取消了费用报告并简化了簿记。

4.Anyfin

总部位于:瑞典斯德哥尔摩

成立时间:2016

已融资500万欧元

Anyfin——其目标是建立未来金融服务,杜绝不正当商业行为,并关注那批没有被传统金融服务关注到的人群。它降低借款人每月的高利率和隐性费用。利用技术跳过昂贵的中间商,并且不会收取过高的管理费用。

5.Capdesk

总部位于:丹麦哥本哈根

成立时间:2015

已融资100万欧元

Capdesk——是世界上第一个社会化股东管理工具。它旨在通过创建透明,协作和可访问的投资环境,让未上市的股票同样具有投资价值,从而提高私有公司股份持有人的体验。该平台使公司的所有权数字化并将所有投资者的一些相关动态更新集中收集呈现。

6.Hiveonline

总部位于:丹麦哥本哈根

成立时间:2016

已融资81.9万欧元

Hiveonline——小企业和可持续投资产品的金融信托平台,其在金融生态系统中建立信任机制。它有两个主要业务:帮助小型企业管理声誉,交易和协议,以及一系列可持续投资产品,让投资者相信他们的资金正用于正确的事务,同时根据他们的业绩对发行人进行评分。

7.BizBot

总部位于:挪威福内布

成立时间:2017

已融资21.3万欧元

Bizbot是投资者和企业所有者的股权工具。通过分析用户数据,BizBot可以自动完成那些费时的流程,从而提供宝贵的资源以提高生产力并减少工作量。

谁是他们的用户?他们如何影响和改变世界?

通过这些技术,可以在B2B行业,B2C行业,独立客户和不同行业的客户之间简化所有有关金融和银行业务的手续。金融科技创新通过移动设备或较大型的权威机构,改变传统贸易、银行交易,金融产品和服务。

金融科技初创公司正在以多种方式影响金融市场:提供更快的贷款处理,可以在几小时内而不是几天或几周内申请和批准贷款。而且还可以通过数据分析提供定制保险服务。小企业和其他用户允许通过应用程序进行所有支付从而节省时间。提供全天候客户服务,向客户提供建议,同时保证最少账户和最低费用。客户只需要以前费用的一部分就可得到定制的、个性化服务。

北欧金融科技凭借出色的金融技术,卓越的支付平台和前卫的技术消费者在全球扩张方面拥有独特的地位。世界其他地方还有多久才能如此数字化?时间会证明。


原文发布时间为:2018-04-3

本文作者:文摘菌

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“大数据文摘”微信公众号

相关文章
|
2月前
|
机器学习/深度学习 算法 搜索推荐
从理论到实践,Python算法复杂度分析一站式教程,助你轻松驾驭大数据挑战!
【10月更文挑战第4天】在大数据时代,算法效率至关重要。本文从理论入手,介绍时间复杂度和空间复杂度两个核心概念,并通过冒泡排序和快速排序的Python实现详细分析其复杂度。冒泡排序的时间复杂度为O(n^2),空间复杂度为O(1);快速排序平均时间复杂度为O(n log n),空间复杂度为O(log n)。文章还介绍了算法选择、分而治之及空间换时间等优化策略,帮助你在大数据挑战中游刃有余。
92 4
|
1月前
|
机器学习/深度学习 算法 数据挖掘
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
104 4
|
5天前
|
缓存 算法 搜索推荐
Java中的算法优化与复杂度分析
在Java开发中,理解和优化算法的时间复杂度和空间复杂度是提升程序性能的关键。通过合理选择数据结构、避免重复计算、应用分治法等策略,可以显著提高算法效率。在实际开发中,应该根据具体需求和场景,选择合适的优化方法,从而编写出高效、可靠的代码。
19 6
|
29天前
|
并行计算 算法 测试技术
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面,旨在通过综合策略提升程序性能,满足实际需求。
62 1
|
2月前
|
并行计算 算法 IDE
【灵码助力Cuda算法分析】分析共享内存的矩阵乘法优化
本文介绍了如何利用通义灵码在Visual Studio 2022中对基于CUDA的共享内存矩阵乘法优化代码进行深入分析。文章从整体程序结构入手,逐步深入到线程调度、矩阵分块、循环展开等关键细节,最后通过带入具体值的方式进一步解析复杂循环逻辑,展示了通义灵码在辅助理解和优化CUDA编程中的强大功能。
|
2月前
|
算法
PID算法原理分析
【10月更文挑战第12天】PID控制方法从提出至今已有百余年历史,其由于结构简单、易于实现、鲁棒性好、可靠性高等特点,在机电、冶金、机械、化工等行业中应用广泛。
|
3月前
|
算法 搜索推荐 开发者
别再让复杂度拖你后腿!Python 算法设计与分析实战,教你如何精准评估与优化!
在 Python 编程中,算法的性能至关重要。本文将带您深入了解算法复杂度的概念,包括时间复杂度和空间复杂度。通过具体的例子,如冒泡排序算法 (`O(n^2)` 时间复杂度,`O(1)` 空间复杂度),我们将展示如何评估算法的性能。同时,我们还会介绍如何优化算法,例如使用 Python 的内置函数 `max` 来提高查找最大值的效率,或利用哈希表将查找时间从 `O(n)` 降至 `O(1)`。此外,还将介绍使用 `timeit` 模块等工具来评估算法性能的方法。通过不断实践,您将能更高效地优化 Python 程序。
70 4
|
3月前
|
算法 程序员 Python
程序员必看!Python复杂度分析全攻略,让你的算法设计既快又省内存!
在编程领域,Python以简洁的语法和强大的库支持成为众多程序员的首选语言。然而,性能优化仍是挑战。本文将带你深入了解Python算法的复杂度分析,从时间与空间复杂度入手,分享四大最佳实践:选择合适算法、优化实现、利用Python特性减少空间消耗及定期评估调整,助你写出高效且节省内存的代码,轻松应对各种编程挑战。
71 1
|
2月前
|
算法
PID算法原理分析及优化
【10月更文挑战第6天】PID控制方法从提出至今已有百余年历史,其由于结构简单、易于实现、鲁棒性好、可靠性高等特点,在机电、冶金、机械、化工等行业中应用广泛。
|
3月前
|
机器学习/深度学习 存储 人工智能
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计
使用Python作为开发语言,基于文本数据集(一个积极的xls文本格式和一个消极的xls文本格式文件),使用Word2vec对文本进行处理。通过支持向量机SVM算法训练情绪分类模型。实现对文本消极情感和文本积极情感的识别。并基于Django框架开发网页平台实现对用户的可视化操作和数据存储。
60 0
文本情感识别分析系统Python+SVM分类算法+机器学习人工智能+计算机毕业设计

热门文章

最新文章