案例分析:大数据分析推动萨顿银行向前发展

By Amber Lee Dennis 来源：DATAVERSITY

萨顿银行(Sutton Bank)是FDIC监管的俄亥俄州立特许银行。他们从事支付业务已经有20年了，特别是在预付领域。萨顿银行(Sutton Bank)负责支付和预付卡服务的高级副总裁 Jeff Lewis 表示，对于金融机构来说，支付和卡服务正变得越来越受欢迎，只要它们能够满足庞大的数据存储和分析需求。

从历史上看，由于硬件、软件和员工的高成本，较小的地区性银行无法在这些信用卡市场上竞争。Lewis 说，随着开源软件的日益普及和集成大数据分析平台的出现，这些障碍正在降低。他称这种“技术转变”为市场的巨大增长。

技术变革创造机遇

当萨顿银行首次进入市场时，它使用了一个复杂的过程，依靠第三方供应商进行数据仓库、格式化和分析，以增加新客户、发现欺诈交易并满足银行的监管要求。这个过程使他们的信用卡业务无法扩大以满足需求。作为一个提供联邦储备系统和其他国家网络的机构，萨顿银行也需要从传统的电子表格、报告和其他纸质项目转向更有效的监督方式。

Lewis 说:“我们推出的一些项目每月新增信用卡账户的增长速度快得令人难以置信。”这种巨大的增长意味着他们需要一个能够提供短时间实施和快速增值的解决方案。他表示，在使用手工流程报告数据和依赖外部供应商之间，与服务现有客户和争取新客户相比，瑞银在“处理数据”上花费了更多时间。

需求评估

萨顿最初确定了他们希望看到改进的三个方面:

增加向系统添加新客户端数据的速度
改进了欺诈报告和法规遵从性
为数据终端用户提供更大的灵活性和更多的选择

Lewis 此前曾与DataSeers的创始人兼首席执行官Adwait Joshi共事，因此他邀请 Joshi 参加了该行的一个战略会议。 Lewis 说:“我们从增长的角度讨论了我们正在做的事情，以及从监管的角度来看，我们希望这种增长既能盈利，又能持续下去。”

银行的监管环境有一套健壮的监管规则，在处理来自多个处理平台的不同类型的数据时，遵从性非常复杂。Joshi说，在支付领域，所有的数据都是结构化的，所以从数据的角度来看，这应该是一个非常简单的问题来解决，但当这些数据没有以正确的方式使用时，它就会成为最复杂的问题之一。

“因为只有那些对人类心灵有意义的东西才是人们关注的，”有用的数据往往被忽视或未被利用，他说。“我们认为数据是一个组织的命脉，银行和信用合作社掌握着大量数据。他说，萨顿银行与众不同之处在于，它致力于利用最新技术产生具有竞争力的见解。

而使用过时技术的成本可能是巨大的。到目前为止，已经有超过10亿美元的罚款被支付，因为公司无法通过人工检测程序发现数据中的欺诈模式。然而，Joshi说，所有需要的东西都以某种形式存在于公司的数据中——只是用户不容易访问。

找到一个解决方案

他说，在他们寻找解决方案时，实施速度是一个重要的考虑因素，他们发现，市场上现有的系统实施起来既复杂又耗时——如果不是几年，也要几个月。“然后你会花大把的钱试图让规则正确，让你的员工得到培训。所以，这不是一个‘安装系统—运行它—学习—更改’的情况。”

随着萨顿银行的发展，严重依赖增加的人力资源的手工系统是不可能的。在理想的情况下，他们希望找到一种方法，利用技术来帮助进行欺诈检测、法规遵从，并在不需要长时间实现的情况下产生有用的见解。

机器学习

Joshi 说，在如何处理交易方面存在差异，这取决于是否适用具体的监管规则。例如，如果每笔交易的现金存款超过一定数额，就需要向金融犯罪执法网络(FinCEN)报告。“这是基于规则的。不需要什么情报。”

但他表示，有许多问题超出了规则的范畴。当一些用户从自动柜员机中取款被阻止超过500美元时，他们会尝试寻找其他方法来超过这个限额，比如去商店取钱。“所以，有些人展示的模式，你不能完全依赖传统规则。你必须使用算法来发现不寻常的活动模式。”

在典型的洗钱活动中，总体上有太多的钱流入，也有太多的钱流出，没有设定门槛。他说，如果一天发生几笔10美元的信用卡和借记卡交易，这不是问题，但如果每天每秒钟都发生数千笔10美元的信用卡和借记卡交易，那么交易量就表明可能发生了什么事情。机器学习提供了特定的算法和基于行为的指标来识别潜在的问题。

尽管“机器学习”和“人工智能”这两个词经常互换使用，但乔希强调，他在这两者之间划清了一条清晰的界线:

“当你谈论人工智能时，你是在谈论深度学习和自动无监督学习，它们如今存在于图像处理和面部识别中。他们在支付的数学领域并不存在。”

他说，交易监控算法需要训练，而训练属于监督机器学习的范畴。随着时间的推移，该算法从被告知的信息中学习，其准确性得到提高。他说，因为人类的行为和模式会随着时间的推移而改变，机器学习确实是跟上时代的唯一途径。

Joshi和Lewis没有在任何优先事项上妥协，而是得出结论:满足他们需求的唯一方法是Joshi使用机器学习技术构建自定义解决方案。那个定制的解决方案变成了金融。

程序开发/步骤

根据该公司的网站，FinanSeer是一个快速、冗余、安全的大数据设备，有一个内置的可视化引擎。乔希说，数据采集者创建了一个数据湖，在这里，世行可以汇集以前分散在竖井中的所有数据存储库，而且速度、种类和数量都很容易处理。“我们的方法是，我们可以利用这些数据，并使其有意义，所以我们创建了一个用户可以信任的解决方案，因为准确性是一个大问题。”

Lewis 说，该平台集成了来自HPCC系统的开源软件，提供数据集成和分析功能。它还得到了全球开发者社区的支持，DataSeers与该团队密切合作，对平台性能进行微调，并开发新的应用程序来更好地利用数据，所有这些都不需要昂贵的每个座位的许可证和专有大数据解决方案所需的支持合同。他说:“对萨顿银行来说，这使我们能够支持更大的客户群，使我们能够与主要的全国性银行竞争。”“我们的整体理念是将数据从费用变成资产。”Joshi说。

结果

他们对快速估值的需求得到了满足:世行聘用了数据收集者，在4个月内，他们就能够发现自己的数据出了什么问题，并展示了自己的监督过程。Lewis 说，他们显示了哪些合作伙伴的账户不符合标准，但每月仍有指数数量的新卡账户在增加。“我们的成功是惊人的，因为银行可以向监管机构展示和监督。他们对我们掌握的数据和银行可以马上为他们提供的信息感到吃惊。”

此前，该行估计一名员工可以管理50万个最终用户账户。与财务，每个员工能够处理500万帐户。他们解决由FinanSeer平台标记的问题的反应时间已经有了很大的改善，现在他们比他们的客户更早的发现和解决即将到来的交易中的问题。“在我们开始使用金融设备之前，这是不可能的，对我们来说，这是一个关键的竞争差异。”

在与合作伙伴合作时，世行将通常12至18个月的实施周期缩短至10天左右。“这对我们银行来说非常关键——我们不想成为瓶颈。这是我们战略的另一个重要部分。“合作伙伴的合规审计，过去在他们的人工系统下需要几周或几个月的时间，现在是自动化的，萨顿银行可以在一夜之间分析和存储客户的所有数据，让他们在合规问题和欺诈性交易变得过于昂贵之前，几乎实时地发现它们。”

在过去，他们通常需要两个月的时间来获得一个新的客户数据流。现在，他说，银行可以在7天内完成，这使他们在吸引新客户方面处于更有利的地位。Lewis 说，自实施以来的三年里，这些指标大幅增长:去年增长了大约150%，今年有望实现150%的增长。尽管业务增长迅速，但世行在不需要增加IT人员的情况下，仍能跟上迅速扩大的数据集。“这确实是我们能够实现的变革速度，”他说。

下一个步骤

Joshi认为未来的财务状况将对监管过程产生影响，节省时间和人力资源。“如果一切顺利，那么监管机构就不必每年来检查你一次。他设想，定期发布一份报告，向监管机构汇报他们需要了解的有关银行健康状况和合规情况的所有信息。“我们的终极梦想是让银行在支付方面不断发展、创新，我们继续处理数据方面的一切，以保持它们的合规。”

在萨顿银行，Lewis 预计将看到持续的增长和扩张，随着教育和让员工越来越适应机器学习，以及把更多他们的遗留系统带入数据湖环境。

结论

Lewis 说:“我们作为一家银行，已经赢得了对创新持开放态度的声誉。”因此，企业可以专注于扩大产品线，而不必担心技术问题。“他们说，‘哇，这好多了;这是更快。’”世行现在有了快速响应合作伙伴需求的手段，同时，确保对数据表进行适当的控制，以保护自身。“有了支付，这种速度就是这个世界现在的样子。”