在不久之前，許多大型銀行還堅信，銀行的地理位置是為客戶提供所必須考慮的因素。但是，就在近10年，數字銀行（Digital Banks）崛起。數字銀行可能永遠都不會有實體存在，但它仍然在繼續擴大用戶群并增加包括保險、抵押和貸款服務。

　　今天我們就來看看數字化和算法化會給傳統的支付模式帶來的變化：在數據集之上進行分析只是第一步，要完成算法化流程，還需要使用機器學習與人工智能創建新的數據。

　　算法將如何改變支付行業？

　　在支付行業，我們曾見證Chase和Fisrt Data等公司占據行業統治地位長達四十多年。然而，就像銀行業的數字化迫使業內人士改變戰略一樣，我們注意到，數字化支付已經幫助了一些公司獲得更多市場份額，比如說WorldPay、Vantiv，甚至是最近的Stripe、PayPal/Braintree和Adyen。

　　它們的成功并不立足于傳統商業，而是大力發展科技創業項目，有些發展得好的項目搶了傳統業務的風頭、甚至把他們擠下歷史舞臺。這里可以聯想一下諸如娛樂傳媒大亨對Netfix、出租車對Uber或者傳統商店對Amazon的競爭交鋒。

2018與2006年亞馬遜與傳統零售公司市場價值對比

　　可是，隨著越來越多的企業都認識到數字化是大勢所趨，我經常會問：支付行業的下一次革命是什么呢？

　　就如同在70、80年代大膽采用計算機與數據庫的公司，又或者是那些在90年代就已洞悉互聯網將掀起巨變的公司，經歷了新千年網絡泡沫破裂的驗證，我認為現如今深入理解算法化（Algorithmization）將帶來的改變并積極投資于此的公司最有可能平穩度過競爭激烈的2010和2020年代。

　　數字化流程

　　要理解算法化是什么，我們首先需要回頭看看傳統商業的流程。數百年來，傳統商業流程是由人們用勞動力創造產品或提供服務和與之相關的一系列周邊業務活動組成。

　　例如，提供醫療服務的醫生有坐診時間，病人可以直接就醫或提前預約。傳統而言，登記患者信息、更新病歷及開具處方等一系列流程都是通過紙筆完成的。隨著這些流程的數字化，計算機進入了醫生的辦公室，從此病人檔案可數字化存儲，預約看病可使用數字日歷，處方則可直接郵件給藥劑師。

　　即使到今天，企業仍不斷改進數字化流程：開發移動應用程序或者提供云服務來讓用戶更好訪問和存儲實際商業流程所產生的數據。

　　算法化

　　當我們討論算法化時，我們討論的是使用存儲在數據庫中的數字化標記數據和自動化程序分析用戶并根據結果進一步反饋給用戶有價值信息的過程。

　　大多數公司已經完成了上述的過程，但這只是進入算法化的第一步。當可以使用數據集（N）來分析用戶信息并反饋時，下一步則是使用機器學習與人工智能來創建一個自身能提供新數據集并完成算法化循環的新流程（N=N+1）。

　　一個支付服務提供商的例子

　　為了更好地說明，現假設有一個每天處理數百萬筆的交易的支付服務提供商。商戶上傳的每一筆交易都包含PAN（個人賬號）、CVC（信用卡驗證碼）、有效期和顧客姓名以及電子郵件地址等與交易相關的信息。通過瀏覽器，PSP（支付服務提供商）還能收集額外數據如：時間和日期、設備ID、瀏覽器類型與版本、IP地址和其他數據點（N）。

　　當處理交易的過程中，交易數據會存儲在數據庫中。大多數PSP（支付服務提供商）會用這些數據為商戶提供指定日期的標準交易報告。有些甚至能匯總數據來提供數據摘要。如果他們想更加吸引用戶，他們會開發可視化圖表來顯示交易是如何隨著時間的推移變化的。

　　隨著計算能力、云計算和分布式存儲技術的進步，包括PSP（支付服務提供商）在內的許多公司都在嘗試各種改進現有流程的方法。例如，此前我們假設的這一PSP（支付服務提供商）決定研究海量歷史數據是否能幫助公司防止未來傳入交易數據中的欺詐性行為。通過使用機器學習和人工智能，數據科學家得以發明一種算法，它能使用一部分交易中多種變量來預測最新上傳交易為欺詐性交易的可能性。

　　基于卡的支付系統好處是，持卡人能夠質疑特定時間段內的交易。每當一起欺詐性交易被舉報時，發卡商都會發送一條消息來追回交易。只要接收到這些信息，PSP（支付服務提供商）就可以將其存儲在數據庫中。這使得PSP有能力驗證初步欺詐預測的準確性。借助人工智能算法，他們可以通過增加或減少此前算法中各變量的權重來調整原有算法并提高其評分。這實際上是創建了算法化中的一個新流程（N=N+1）。

　　算法化如何影響支付？

　　前文的例子只是一個關于如何使用算法化改進現有流程的案例。有趣的是案例中的方案確實是多年來處理欺詐交易問題的主要方案，可是欺詐者也越來越聰明，欺詐行為仍然時有發生。

　　但是支付所包含的內容不僅僅是防止欺詐。成本、貨幣兌換、連接性能、計費和支出是一些新的PSP能夠使用算法化有所作為的領域。隨著越來越多的公司逐漸習慣PSP的商品化，保持PSP成功的方法并不是減少欺詐或降低交易成本，而是展示PSP的價值，即為使用者帶來更多的生意。

　　銷售部門比財務部門更受歡迎的原因是創造更多的收入等于是增長，而降低成本可能會提高利潤，但不會增加收入。

　　智能獲取路徑

　　在性能、功能或定價的基礎之上，同樣的交易數據可以用于優化獲取線路。實現一個多路徑算法是很好的方法，這是一個更“智能”的或者說復雜版的A/B測試，它使用機器學習來動態分配流量給性能好的變量，同時分配更少的流量給表現不佳的變量。通過連接多個數據收集方，PSP可以給特定客戶分配效果最好的預測變量，從而提供最好的預測結果、定價和功能。

　　動態3DSecure

　　因為發卡方設置的兩步交易驗證如Visa的Verified或是萬事達（Mastercard）的3DSecure，許多PSP依然有較高的支付被拒率。采用決策樹的機器學習方法，PSP們可以預測交易是否需要轉到3DSecure頁面進行額外的兩步驗證，或進行常規流程是否能完成交易。

　　不要被別人的想象限制

　　當然，還有許多其他使用交易數據的方式可以提高商業表現。如果說有人能夠利用幾十年來所積累的用戶數據來創造一個能夠改進現有流程的PSP，或者是能夠滿足甚至目前還不存在的商業模式對支付需求的PSP，我覺得完全有可能。

責任編輯：王超