智慧金融

客户名称:中国建设银行股份有限公司

业务痛点

建行的经营决策、精准营销和风控管理等业务需求依赖于大量企业外部数据,如新闻舆情、企业信用、热点概念等,这些数据的应用场景需要与建行的内部数据打通,形成数据融合计算。而企业外部数据通常为大量非结构化数据,需要通过人工智能技术进行结构化治理后,才能与建行内部数据进行关联融合。面向人工智能的大数据治理,是建行从金融IT(information technology)向金融DT(data technology)转型所必须面对的难题。

解决方案

通过思贤的大数据采集系统,全方位实时采集海量外部数据,同时对不同来源、结构不一的数据进行数据治理、数据关联、形成知识图谱,再通过建立平台自动分析和关联企业经营相关数据,达到建行各业务系统便捷使用企业信息目的。

项目价值

系统上线前,建行数据获取难、数据处理难、数据应用难。系统上线后,可直接根据平台的数据自动采集功能和治理功能,得到完整、标准、可用的海量内外部融合数据,构建一个完整的面向人工智能的可用数据湖。在此基础上不断建设相应的业务应用模型,有效支撑建行的智能金融从感知智能向认知智能的变革。

客户名称:中国(上海)自由贸易试验区管理委员会

业务痛点

监管部门在人力资源十分有限、所监控企业的信息不全面的情况下,需要对所辖区内的4万多家企业进行监控,既要识别其是否为互联网金融企业,同时要综合企业经营信息来评估其经营跑路风险,以加强监管职能、防范金融风险,监管难度大。

解决方案

通过建立保税区域P2P企业风险监测系统,持续采集和更新自贸区内的企业与P2P相关的信息,如企业工商信息、P2P平台网站、社会舆情等。然后进行数据治理和数据关联、形成知识图谱,再通过建立P2P企业识别模型来分析上述企业信息,自动识别该企业是否为P2P企业,并建立模型对该企业的经营风险进行量化。

项目价值

系统上线前,可用信息少、监控对象多、监控维度复杂。系统上线后,业务人员可直接在系统上检索到区内4万多家企业的基本信息,同时系统设置的模型可根据企业信息来实时评估企业的经营跑路风险,业务人员仅需对被打有“风险”标签的企业进行进一步查证即可。该系统通过信息的完善和模型的搭建,提高了监控质量,同时减少了人力成本,把对P2P企业风险防范从过去的 “事后处理” 过度到如今的 “事前预防”、“事中控制”。