算法将如何改变支付行业？

　　在不久之前，许多大型银行还坚信，银行的地理位置是为客户提供所必须考虑的因素。但是，就在近10年，数字银行(Digital Banks)崛起。数字银行可能永远都不会有实体存在，但它仍然在继续扩大用户群并增加包括保险、抵押和贷款服务。

　　今天我们就来看看数字化和算法化会给传统的支付模式带来的变化：在数据集之上进行分析只是第一步，要完成算法化流程，还需要使用机器学习与人工智能创建新的数据。

　　算法将如何改变支付行业?

　　在支付行业，我们曾见证Chase和Fisrt Data等公司占据行业统治地位长达四十多年。然而，就像银行业的数字化迫使业内人士改变战略一样，我们注意到，数字化支付已经帮助了一些公司获得更多市场份额，比如说WorldPay、Vantiv，甚至是最近的Stripe、PayPal/Braintree和Adyen。

　　它们的成功并不立足于传统商业，而是大力发展科技创业项目，有些发展得好的项目抢了传统业务的风头、甚至把他们挤下历史舞台。这里可以联想一下诸如娱乐传媒大亨对Netfix、出租车对Uber或者传统商店对Amazon的竞争交锋。

　　2018与2006年亚马逊与传统零售公司市场价值对比

　　可是，随着越来越多的企业都认识到数字化是大势所趋，我经常会问：支付行业的下一次革命是什么呢?

　　就如同在70、80年代大胆采用计算机与数据库的公司，又或者是那些在90年代就已洞悉互联网将掀起巨变的公司，经历了新千年网络泡沫破裂的验证，我认为现如今深入理解算法化(Algorithmization)将带来的改变并积极投资于此的公司最有可能平稳度过竞争激烈的2010和2020年代。

　　数字化流程

　　要理解算法化是什么，我们首先需要回头看看传统商业的流程。数百年来，传统商业流程是由人们用劳动力创造产品或提供服务和与之相关的一系列周边业务活动组成。

　　例如，提供医疗服务的医生有坐诊时间，病人可以直接就医或提前预约。传统而言，登记患者信息、更新病历及开具处方等一系列流程都是通过纸笔完成的。随着这些流程的数字化，计算机进入了医生的办公室，从此病人档案可数字化存储，预约看病可使用数字日历，处方则可直接邮件给药剂师。

　　即使到今天，企业仍不断改进数字化流程：开发移动应用程序或者提供云服务来让用户更好访问和存储实际商业流程所产生的数据。

　　算法化

　　当我们讨论算法化时，我们讨论的是使用存储在数据库中的数字化标记数据和自动化程序分析用户并根据结果进一步反馈给用户有价值信息的过程。

　　大多数公司已经完成了上述的过程，但这只是进入算法化的第一步。当可以使用数据集(N)来分析用户信息并反馈时，下一步则是使用机器学习与人工智能来创建一个自身能提供新数据集并完成算法化循环的新流程(N=N+1)。

　　一个支付服务提供商的例子

　　为了更好地说明，现假设有一个每天处理数百万笔的交易的支付服务提供商。商户上传的每一笔交易都包含PAN(个人账号)、CVC(信用卡验证码)、有效期和顾客姓名以及电子邮件地址等与交易相关的信息。通过浏览器，PSP(支付服务提供商)还能收集额外数据如：时间和日期、设备ID、浏览器类型与版本、IP地址和其他数据点(N)。

　　当处理交易的过程中，交易数据会存储在数据库中。大多数PSP(支付服务提供商)会用这些数据为商户提供指定日期的标准交易报告。有些甚至能汇总数据来提供数据摘要。如果他们想更加吸引用户，他们会开发可视化图表来显示交易是如何随着时间的推移变化的。

　　随着计算能力、云计算和分布式存储技术的进步，包括PSP(支付服务提供商)在内的许多公司都在尝试各种改进现有流程的方法。例如，此前我们假设的这一PSP(支付服务提供商)决定研究海量历史数据是否能帮助公司防止未来传入交易数据中的欺诈性行为。通过使用机器学习和人工智能，数据科学家得以发明一种算法，它能使用一部分交易中多种变量来预测最新上传交易为欺诈性交易的可能性。

　　基于卡的支付系统好处是，持卡人能够质疑特定时间段内的交易。每当一起欺诈性交易被举报时，发卡商都会发送一条消息来追回交易。只要接收到这些信息，PSP(支付服务提供商)就可以将其存储在数据库中。这使得PSP有能力验证初步欺诈预测的准确性。借助人工智能算法，他们可以通过增加或减少此前算法中各变量的权重来调整原有算法并提高其评分。这实际上是创建了算法化中的一个新流程(N=N+1)。

　　算法化如何影响支付?

　　前文的例子只是一个关于如何使用算法化改进现有流程的案例。有趣的是案例中的方案确实是多年来处理欺诈交易问题的主要方案，可是欺诈者也越来越聪明，欺诈行为仍然时有发生。

　　但是支付所包含的内容不仅仅是防止欺诈。成本、货币兑换、连接性能、计费和支出是一些新的PSP能够使用算法化有所作为的领域。随着越来越多的公司逐渐习惯PSP的商品化，保持PSP成功的方法并不是减少欺诈或降低交易成本，而是展示PSP的价值，即为使用者带来更多的生意。

　　销售部门比财务部门更受欢迎的原因是创造更多的收入等于是增长，而降低成本可能会提高利润，但不会增加收入。

　　智能获取路径

　　在性能、功能或定价的基础之上，同样的交易数据可以用于优化获取线路。实现一个多路径算法是很好的方法，这是一个更“智能”的或者说复杂版的A/B测试，它使用机器学习来动态分配流量给性能好的变量，同时分配更少的流量给表现不佳的变量。通过连接多个数据收集方，PSP可以给特定客户分配效果最好的预测变量，从而提供最好的预测结果、定价和功能。

　　动态3DSecure

　　因为发卡方设置的两步交易验证如Visa的Verified或是万事达(Mastercard)的3DSecure，许多PSP依然有较高的支付被拒率。采用决策树的机器学习方法，PSP们可以预测交易是否需要转到3DSecure页面进行额外的两步验证，或进行常规流程是否能完成交易。

　　不要被别人的想象限制

　　当然，还有许多其他使用交易数据的方式可以提高商业表现。如果说有人能够利用几十年来所积累的用户数据来创造一个能够改进现有流程的PSP，或者是能够满足甚至目前还不存在的商业模式对支付需求的PSP，我觉得完全有可能。