Терминът FinTech идва от словосъчетанието Financial Technologies и е приложим за компании, които предлагат добавена стойност върху вече съществуващи или изцяло нови финансови услуги, осъществявани чрез съвременни технологии. Финансовият бизнес по дефиниция генерира огромно количество данни, известни още като големи данни или big data. Ето тук е пресечната точка между аналитичното прогнозиране и FinTech. Трябва да отчитаме и това, че FinTech покрива много бизнес вертикали във финансовия сектор като управлението на активи, застраховането, кредитирането, електронните разплащания и т.н.
Замислете се за борсовата търговия в миналото. Първо трябваше да се обадите в инсвестиционния посредник, който пък да се обади на брокера си в борсата. Днес имате достъп до платформи за търговия директно на персоналния компютър, таблета или смартфона. Освен това, подобни платформи разполагат и с вградени аналитични инструменти, възможност за автоматизирана търговия и т.н.
Съветници роботи
Стартъп компании като Wealthfront, Betterment и Qplum предлагат т.нар. robo adviser функционалност, която е машинно генерирана препоръка за инвестиция на база риск, обеми, стратегия и други потребителски предпочитания. Това е възможно на база аналитични алгоритми, които за разлика от човек страдат от нула предубеждения и/или предразсъдъци. Освен това те доставят препоръките си бързо, лесно и евтино и по тази причина не трябва да се учудваме, че една от трите гореспоменати компании управлява активи на стойност над $2,5 млрд.
Кредитен скоринг
Банките и други кредитиращи бизнеси разчитат много на т.нар. кредитен скоринг, чрез който оценяват вероятността даден кредитоискател да бъде коректен платец. Благодарение на аналитични алгоритми, кредитната история на съответния потребител и други лични данни, мататематическото моделиране дава кредитен скор/оценка, която подпомага взимането на решение дали дадено искане за кредит да бъде удоволетворено или не. Преди време, кредитния скоринг разчиташе единствено на количествени данни, но днес е възможно включването и на качествени такива. Data analytics прави възможно кредитирането на небанкируеми потребители на развиващите се пазари. Компании като Kreditech например, разчитат на социалните мрежи, данни за местоположението, мобилната мрежа и данни за устройството, за да създадат кредитен скоринг. Научете повече за възможностите на кредитния скоринг в нашия уебсайт.
Дизайн на потребителско изживяване
Аналитичното прогнозиране може да е полезно в създаването на гладка и удобна потребителска пътека. Това е ключово важно за FinTech продуктите, които често пъти се конкурират с финансови институции от старата школа като банковите и застрахователните гиганти, както и фонд мениджърите. Отстраняването на всяко съпротивление в потребителското изживяване е важно, доколкото клиентите и потребителите изграждат предпочитанията си и взимат решенията си в онлайн среда. Доброто потребителско изживяване увеличава конверсиите, намалява отпадащите потребители и води до по-добри бизнес резултати. Доколкото дигиталните канали са в центъра на този процес и всичко, което се случва там е измеримо, събраните данни са ценни за създаването на първокласно потребителско изживяване.
Високочестотна търговия
Възможността да прогнозираш промяна в цената на дадена акция, облигация и прочее ценни книжа в рамките на следващата минута, може да бъде печеливша при високочестотната търговия, дори и точността на прогнозата да не е изключително висока. Високочестотната търговия се базира на алгоритми, разчитащи на предварително зададени предпочитания и аналитични прогнози. Това се постига чрез machine learning като линейната регресия за момента е най-ефективния метод в такъв тип среда. Извличането на печалби на стойност части от процента може да не звучи впечатляващо, но крайните цифри при солидни обеми категорично могат да бъдат.
Установяване на измами
Установяването на опити за измама е една от основните задачи пред банките, финансовите институции, одиторите и т.н. Аналитичното прогнозиране е особено ефективен инструмент в борбата с измамите, доколкото повечето от тях се правят по сходни схеми. Огромното количество данни, генерирани от финансовите институции дават достатъчно информация, благодарение на която да се идентифицират и най-вече предотвратят в зародиш опити за измами. Тук прилагането на напреднали технологии като невронните мрежи е особено успешно. Най-важното обаче е, че бързото установяване на опит за измама е основата за минимизирането на загубите от тях. Колкото по-бързо една измама бъде установена, толкова по-бързо може акаунтът на потребителя да бъде ограничен, което пък води до намаляване на риска за съответната банкова институция.
