<mark id="oztn4"></mark>
3
雷鋒網AI金融評論報道，5月26日，阿里云創始人王堅博士與科技圈11位志愿發起人共同組織了年度科技創新活動2050大會。在下午由氪信科技CEO朱明杰出品的“人工智能重構智能金融”專題論壇上，微軟全球執行副總裁、美國工程院院士、前微軟亞洲研究院院長沈向洋，前IDG榮譽合伙人、火山石資本創始人章蘇陽，招商局集團創投總經理呂克儉等皆受邀出席。
上海交通大學安泰經管學院助理教授李春曉
期間，上海交通大學安泰經管學院助理教授李春曉進行了“時空序列如何影響營銷和反欺詐”演講。她主要介紹了AI在商業中的應用。比如AI是如何影響商家營銷的，并給出了如何更好地管理公司的建議。據雷鋒網了解，她的研究領域在于數據科學和行為經濟學的交叉領域，聚焦于研究數字技術下的平臺戰略、用戶行為、財務激勵和數據安全等。
以下是雷鋒網編輯的演講原文，經過李春曉確認：
用三個典型的哲學問題先開始話題：你是誰？從哪兒來？到哪兒去？
這三個問題很難回答。我們在生活中會接觸到形形色色的人——用戶、客戶、雇員、合作伙伴，這三個問題時時刻刻地縈繞在我們心頭，這也是 People Analytics，即人員分析一直孜孜不倦探討的問題。
再問幾個接地氣的問題：你知道234天以后的下午2點30分你會在哪里做什么嗎？你知道下一次職業變換在什么時候，是跳槽還是升職？雖然我們可能都不知道，但是AI知道。
之所以會談到這幾個問題，是因為我最近做了研究：不管你自以為的行動有多少自發性，我們都能夠找出線索并預測你的路徑。絕大多數人都是非常可預測的，因為我們是習慣的生物。我們的行為，模式和習慣受到很大因素的影響，挑戰在于它跨越了多個學科，比如心理學、腦科學、人類學，社會學，基因學，教育學等。
所以 People Analytics 做的就是把所有這些學科的研究成果放在一起，結合大數據和分析，利用這些行為和習慣創造線索，為公司決策、營銷和品牌做出真正有趣的見解。
我們生活在數據的社會里，我們遞交的簡歷、合作過的伙伴、就讀的高校、是誰的孩子、誰是我們的孩子，這一條條都集中地記錄在數字設備上，同時構建成了一條條關于你、我、他的數字線索，再由people analytics將這些整合還原出獨一無二的畫像，但看過的人卻比你的朋友更懂你，都會跟你說：對過眼神，就是你。
我們做的很多用戶分析是根據人們的基礎數據、社交數據和歷史消費，讓公司確定用戶的已知需求和已知模式。過去十幾年來我們一直在這個戰場上，已經碩果累累。
我認為下一個戰場在于探求用戶的未知需求，探求用戶的隱藏模式和偏好。這是因為我們想在更合適的時機、地點、方式去接觸、營銷用戶，創造更大的價值。
“天時、地利、人和”不只是藝術，更是一門科學，這就是People analytics要做的——在大量的人員數據的基礎上添加時間序列，空間軌跡，結合人工智能的技術，去觸碰用戶隱藏的認知和思維，你會意識到這是一個巨大的機會。
接下來我將用四個案例給大家簡化一下流程，深入地分析一下如何利用AI來增強零售界、金融界、服務界的營銷能力。
“從哪里來，到哪里去”這兩個問題已經強調了地點的重要性，GPS相關技術重新定義了地點，而精確的位置數據開啟了即時營銷的大門。大家下飛機下高鐵到杭州時，很多APP會推送“杭州歡迎您”，或者推薦吃喝玩樂的地方。但很多人都沒有去。因為信息太有限，僅僅靠位置信息的推送是不夠完整不夠精確。所以關聯內容是很重要的。
當我們把時間維度加到位置上的時候，視野里會呈現出更清晰的上下文環境。比如說你在星期一的下午2點走在大街上，這個時候你的左手邊一個音樂酒吧，你的右手邊是星巴克咖啡，這個時候手機上推送了兩條優惠券，你打開一看發現是酒吧啤酒半價和一杯星巴克星冰樂的半價。這個時候如果你不想把周一下午浪費的話你會選擇什么？星巴克。那換一個時間呢？如果是晚上8點半你同樣收到兩條推送，你們就很有可能兌換酒吧的優惠券，和同事們喝上幾杯。
所以在這種情況下時間非常關鍵，它不僅僅是位置。我們的商家已經做了很多基于位置的廣告，但這不夠，用戶有不同的人格，即使同一個地點不同時段的需求也是不同的，你需要把時間和地點結合起來，然后看人的行為！
天普大學的Luo xueming教授就營銷的不同時間產生的不同效果做了詳細的隨機實地實驗。再比如，我們和國內某公司也有過研究，若先增加時間因素，營銷效果會提升，再加地點地理要素，效果也會有所提升。如果同時添加時間和地點，效果提升的幅度更明顯，這就是時間維度的營銷。
更深一層考慮，僅有位置的營銷除了缺少時間概念，還只是靜態的、“守株待兔”式的營銷模式，而我們需要更加靈活。
基于空序的營銷，以購物中心為例
舉個例子，在一個大型的購物中心，你站在蘋果店門口，如果沒有地理信息位置其他，只能基于通過位置進行營銷，可能就會認為你要去逛蘋果店會給你推送一條蘋果店相關的信息或者優惠券。其實這里有一個很大的問題——因為你站在蘋果店門口不代表你就想進去，不代表你就是他的顧客，有可能是你和朋友約好在蘋果門口見。所以我們需要有不同于地理的數據和更多的信息。
另外也如Anindya Ghose教授的暢銷新書《點擊》（已譯成多國文字）里闡述的那樣，如果我們知道一個人剛去了一家華為店，又去了小米店，之后路過三星，繞了一圈最后到達蘋果店。我們會更了解這個人的思維模式，更了解他究竟為什么站在蘋果店門口，以及對什么樣的品牌可能產生興趣。
空序營銷碾壓基于地點和隨機的營銷
為了研究這種基于軌跡的營銷策略的有效性，來自NYU的Anindya Ghose教授、CMU的Beibei Li教授一起做了隨機實地實驗，來觀測空序的營銷是否會有非常好的效果。
研究發現空序營銷直接碾壓了基于地點和基于隨機的營銷，更加碾壓了不營銷的效果。我們可以看到有更高的優惠券回復率，更快的優惠券兌換率，同時增加了每一個專賣店的流量。就是說，顧客在專賣店消費更高，在店里待的時間更短，對商場來說整體實現了營銷的巨大飛躍。
值得關注的是，空間軌跡數據不止是營銷利器，與投資、房地產、實體店規劃、城市經濟行為也息息相關。
我和Missouri Tech的Yanjie Fu教授最新的研究是用集體學習的方法，對大規模異構人口流動性數據進行了建模，來捕捉住宅社區，城市功能，時間效應和用戶流動模式之間的關系。我們的研究發現，人群的空間軌跡可以用來理解城市形態對社會經濟行為的影響，如房地產和餐廳的受歡迎程度等等，這個研究可以幫助政府規劃適當的城市功能組合，以促進城市發展和促進本地業務發展。
剛才的空間軌跡是把地點延長成了一條線，我們送出優惠券以后在現在這個小時和下一小時用戶的需求是非常類似的，并沒有很大的改變——他可以這個小時去逛，也可以下一個小時。但是現在設想另外一個可能性，用戶在不同的時段里需要的推薦是不同的，會產生什么樣的效果？
基于時序的營銷，以旅游度假為例
舉個例子，這是一個旅游度假的上下文，假設時間單元是天，在例子里就是5天。我們根據歷史記錄可以看到用戶去了機場，博物館，劇院，購物中心，游樂場和海灘，我們稱這些地點為POI也就是興趣點。如果我們要對第四個人進行第四天和第五天的推薦，我們應該推薦什么？
傳統的推薦系統會先在第四天和第五天推薦海灘，因為海灘和博物館一起出現的頻率更高，相關性更大。還有一些推薦系統會在第四天和第五天的時候都推薦游樂場，因為游樂場最可能排在劇院后面。但基于用戶的需求，我們最應該在第四天推薦游樂場，第五天推薦沙灘。但我們原始的推薦系統算法就是這么傻。
用戶選擇的時間序列，體現了用戶的偏好，在研究里有兩個難點：
首先，要根據POI之間的時間間隔和時間序列來進行建模。
其次，歷史上連續check-in數據是非常松散的。 松散的數據極大地降低機器學習的效率和算力。
基于時序的推薦系統流程結構圖
那解決方案是怎樣呢？Rutgers的Hui Xiong教授研究了基于時序的推薦系統的流程結構圖：
通過從用戶歷史check-in序列中，提取序列模式，來構建POI過渡立方體（立方體是用于測量時序偏好）。接著根據用戶check in的頻率構建用戶的興趣偏好。然后同時模擬和學習用戶的興趣以及序列的偏好。Low-rank graph construction model可以很好地解決，稀疏觀測來估計分布的挑戰。同時建立bi-weighted graph來評定用戶興趣，最后對潛在興趣點進行排名和評估建立了POI實際系統。用實際數據來檢測的成果顯示，與現有的POI推薦系統不同，推薦系統可以通過捕獲用戶演變的順序偏好，在未來的特定時間段內提供有效的POI推薦。
事實上，時空序列還有更多的用途，比如幫助公司控制風險。
公司財產損失很大程度上來源于金融欺詐，主要由外部和內部兩方面威脅組成。外部的威脅包括投資欺詐、信用卡欺詐、身份盜竊等；內部威脅諸如金融偷竊，會計造假，洗錢，抵押欺詐，內部交易和市場操縱等。目前外部風控業內已經做得非常領先，所以我們把注意力轉向了內部欺詐。
值得注意的是，內部欺詐還是主流的金融威脅，75%的欺詐都來源于內部。當你的公司運轉很好但是營收不佳的時候，你就要警惕公司是否存在異常了，典型的異常包括密報、高員工流動率、低士氣、不尋常不合理不一致的行為等。
基于時序的報表挖掘
這里介紹兩種欺詐檢測的方法，一是基于時序的報表挖掘，二是挖掘行為軌跡。
第一個是根據持續報表和記錄挖掘，總共分為15步：
1）將支付記錄與授權供應商列表對應；2）將供應商與雇員對應；3）將機構銀行賬戶序號與雇員銀行賬戶序號對應；4）將遞送地址與雇員地址對應；5）確定與往年記錄比較有較大變化的情況；6）檢測查找重復的發票；7）檢測查找重復的支付記錄；8）檢測可能缺失的支票；9）檢驗在break points或較低的金額數量；10）檢測被拆分的發票；11）檢測查找較大的折扣；12）檢查大額的支付記錄；13）分析支付日期+確定支付數額有較大方差的供應商；14）抽取異常的交易；15）提取授權和付款記錄。
前4步將數據關聯起來，把支付記錄、供應商、雇員、機構銀行賬戶、地址對應之間做關聯，以方便進行Multi-source Joint Learning聯合學習。第5步是籠統地用文本挖掘，篩查大的變動。第6到第10項處理發票相關的報表記錄，挖掘，重復、缺失、拆分等等。在這里我們會建立一個時序的模型，控制時間上的因素比如季節性趨勢，同時用地點作為fix effect，固定變量。第11到14步，是針對大額和異常的分析，第15步是個體抽樣。
第二個是對于行為軌跡的挖掘，比如說雇員出現在不該出現的位置，出現在了不該出現的時間。假設小張一直是非常守時的人，早上8點鐘上班，下午5點鐘下班。突然有一天我發現他連續3天加班加到9點，這就是一種異常情況了。我們應該用數據分析看一下他在做什么，他是不是調用了不該調用的數據庫，或者數據庫是否被篡改，這些都是可以用行為軌跡分析挖掘到的。
另外，內部風控里的會計造假、或者人員的策略行為，是可以通過在公司內建立機制來做預防和早期干預的。
我和Arizona State University的顧彬教授最近的研究發現，社會成本會被人員考慮再造假成本里。當員工曝露于社會網絡中，當人員越是處于社交網絡相對中心位置、越是被關注、或者積極與他人進行社交互動的狀況下，策略行為會有所降低。企業相應可以采取的辦法是增加企業內的社交網絡分析，加強員工間的溝通，報表和記錄盡量多人合作完成并相互檢查確認，同時對于欺詐報表也進行網絡分析和追溯。
今天的Take away只是說我們在孜孜不倦地探索用戶已知和未知的需求，關鍵要素是時間序列和空間軌跡，把握住這兩個要點將會很大程度地提升營銷效果，同時也能很好地控制內部風險。
