加入的五個好理由...

關于數據科學家在金融服務領域的工作，最好的事情之一是用例的豐富程度和數據科學家可以對現實世界產生的影響。當然，所有面向客戶的業務都有常見的應用程序，如個性化體驗、有針對性的交叉銷售優惠或防止客戶流失的積極策略。但銀行、保險公司和他們的金融技術挑戰者以許多其他有趣和有影響力的方式使用數據和分析。

例子包括：

• 使用從衛星圖像、電信提供商、IoT網絡或社交媒體等來源提取的替代數據來改進保險風險定價
• 網絡分析，以創建客戶生態系統--客戶、供應商、員工和所有者--的詳細圖片，幫助發現和調查資助恐怖主義、洗錢或人口販運的情況
• 用于發現投資銀行潛在內幕交易的自然語言處理算法
• 圖像識別自動處理大多數自動保險索賠的算法
• 計算擬議的金融投資的環境足跡，如新的工業設施或甚至個人抵押貸款

對許多數據科學家來說，第二個吸引力是數據集的廣度和深度，可以用來產生有意義的見解。銀行和保險公司通?？梢垣@得大量的數據，如人口統計、交易和關系，無論是在宏觀層面還是在個人客戶層面。盡管對它們的使用有一些限制，但像這樣的高質量數據集的可用性通?？梢宰匪莸綆啄昵?，這可能是數據科學家在構建預測模型時的夢想。

金融服務公司在數據和技術上的支出的規模以及其數據生態系統的相對成熟度也可以使它們對數據科學家具有吸引力。例如，大多數銀行將其年收入的10%以上用于技術。數據和分析支出是其中越來越重要的組成部分，對許多大型企業來說，每年很容易達到或超過數億美元--這一數字是科技行業中除最大企業外的所有企業都無法比擬的。由于多年在數據上的花費，很多也擁有了相對成熟的數據團隊。因此，數據科學家可能會發現已經建立良好的支持系統，并且不希望自己管理從數據管道到數據治理的所有事情。

最后，在大多數地區，銀行、保險公司和金融機構通常是數據科學家的最佳收入來源。雖然它本身很有吸引力，但它也是一個有用的指標，表明數據科學在這些公司中的價值，以及它對長期職業生涯的影響。在至少一家主要的全球銀行，首席數據和分析官現在直接向集團首席執行官報告。

...還有一些挑戰

當然，有一個陷阱。在銀行和保險公司（尤其是較大的銀行和保險公司）從事數據科學家工作的所有有趣之處，有時也會使其變得笨拙和令人沮喪。一些數據科學家將這些純粹視為挑戰；其他人也可能認為它們是發展自己并產生更大影響的機會。

鑒于數據和分析在行業中的高風險使用，有一個很高的信任標準來證明數據和模型在實際生活中的使用足夠好。例如，如果一個數據科學家正在建立一個預測模型，可以用來拒絕某人的貸款或保險，或者將某人標記為潛在的洗錢者，那么他們可能應該期待大量的審查。

類似地，考慮到客戶通常信任銀行和保險公司提供他們生活中最親密的方面--例如，他們的收入或他們的病史，數據科學家可以圍繞數據可用性和可用性找到詳細的控制。每個行業都存在關于數據隱私、主權、道德和安全的問題，但很少有其他行業在管理這些問題上花費如此多的時間和精力。

在數據和相關技術上的大量支出，以及由數據工程師、分析師和風險專家組成的資源豐富的團隊，可以為數據科學家提供茁壯成長的肥沃土壤。但是，同樣的因素也會導致喪失敏捷性。在許多情況下，這些可能會轉化為數據科學家的限制性技術選擇，或者在他們的工作真正出現在生產中之前，通過精心控制和移交的多步驟過程。讓新加入銀行業的人感到驚訝的一個特殊領域是，需要讓一個獨立的團隊對所有重要模型進行正式驗證--這一步驟可以為正常的模型生命周期增加幾周甚至幾個月的時間。

支撐上述所有挑戰的是，金融服務業是全球監管最嚴格的行業之一。作為回應，大多數銀行和保險公司建立了一個DNA，尤其是在2008年金融危機之后。在許多地區，銀行和保險公司的高級經理對其雇主的行為負有個人責任，因此任何可能違反客戶信任或監管要求的事情都要特別謹慎對待。數據和算法的使用勾選了所有的框。毫不奇怪，金融監管機構是第一批就負責任地使用數據和人工智能提出指導方針的國家之一--例如，在新加坡、香港、歐盟、英國和美國。

那是給你的嗎？

顯然，不是每個數據科學家都會喜歡銀行、保險公司，甚至是受監管的金融技術公司。但是，如果：

1. 你很高興有機會在如此廣泛的現實世界應用中使用你的技能，并通過更大的金融包容性或更好地針對金融資源來支持全球氣候議程等舉措做出有意義的改變。
2. 你相信，你的工作既是為了建立偉大的模型，也是為了讓別人了解數據科學的“魔力”，贏得非數據科學家的信任。你可能是專家，但在你的公司里有許多其他人不是，他們仍然必須把他們的名字放在你的工作后面。
3. 你承認，“工作方式”中一定程度的標準化和紀律是你的工作產生大規模影響的必要代價。
4. 您將數據使用方面的限制，如與隱私、道德和主權相關的限制，視為挑戰或刺激，而是做正確的事情和個人發展的機會。例如，銀行和保險公司是最早采用隱私增強技術的國家。大多數公司也處于算法透明度和公平性倡議的前沿。作為一名數據科學家，在其中一家公司工作可以為您提供建立高性能和值得信賴的模型的實際機會。

BIOS:Shameek Kunduis是從技術和商業戰略角度來看人工智能的領先專家，他的大部分職業生涯都在推動金融服務業負責任地采用數據分析/AI。他是Truera的首席戰略官和金融服務主管。他是英格蘭銀行人工智能公私論壇和經合組織人工智能全球伙伴關系的成員，也是新加坡金融管理局人工智能公平、道德、問責制和透明度指導委員會的成員。最近，Shameek是渣打銀行的集團首席數據官，在那里他幫助銀行在多個領域探索和采用人工智能（例如，信貸、金融犯罪合規、客戶分析、監控）。

Divya Gopinath是TruEra的研究工程師，TruEra是一家專注于讓人工智能可信和透明的公司。在加入之前，Divyacomplement在麻省理工學院獲得了本科和碩士學位，她的研究重點是為醫療保健領域構建機器學習算法。Divya是值得信賴的人工智能《走向數據科學》的主要貢獻者，專注于公平和解決機器學習模型中的偏見的主題。

Arridhana Ciptadiis是Truera工程團隊的成員。他以前是藍六邊形創始團隊的一員，在那里他是公司所有機器學習工作的技術負責人。在此之前，他是亞馬遜Lab126的機器學習科學家，在那里他為亞馬遜的各種產品開發機器學習和計算機視覺技術。Ciptadi擁有博士學位佐治亞理工學院計算機科學專業。

相關:

• 數據科學家：華爾街最熱門的工作
• 金融深度學習：這是金融業的未來嗎？
• 學習Python for Finance的9個突出原因