FXとは

商品先物取引業界のデータサイエンティスト

商品先物取引業界のデータサイエンティスト

第2部 電子化が百年の伝統覆す
シカゴ二大取引所の明暗

2006年10月、ウォール街の注目を一身に集めたのが、米最大の先物取引所であるシカゴ・マーカンタイル取引所(CME)だ。米第2位のシカゴ商品取引所(CBOT)を80億ドルで買収し、時価総額250億ドルとニューヨーク証券取引所(NYSE)の2倍以上のメガ取引所を構築すると発表した。急成長を遂げ大型合併を実現させたCMEの成功や、欧米の先物取引所の勢力図の変遷の裏に、テクノロジーの果たした役割を探る。

電子取引時代の到来を予見したのは「先物の父」と呼ばれるレオ・メラメドCME 名誉会長だ。70 年代、穀物などの商品が中心だった先物取引の世界に、ドル-金交換停止をきっかけに通貨先物を導入し、金融先物の発展に貢献した伝説的な人物だ。このメラメド氏が、金融先物に次ぐ事業として手掛けたのが電子取引の導入だ。

株式公開資金で一気に電子化

実現は簡単ではなかった。当時、会員制の非営利団体だったCME では、伝統的な取引手法である「オープン・アウト・クライ(身ぶり手ぶりで売買をするセリ方式の取引手法)」を支持する会員トレーダーが政治力を持っていた。電子取引が会員の既得権を奪うと拒否反応は強く、本格導入に踏み切るのは90 年代後半になった。

電子化のための資金の調達も大きな課題だった。CME が米主要取引所として初めて、00年の株式会社化を経て02 年にIPO(株式公開)に踏み切った理由は、年々膨らむシステム投資のための資金調達だ。CMEは年間設備投資予算の約1 億ドルの8割から9割をシステム投資に回す。IPO によって、過去6、7 年間で合計10 億ドルを超えるといわれる大型投資が可能になった。

CME のドナヒューCEO(最高経営責任者)はIPOの後、事業拡大戦略の中核に電子取引の拡大を置いた。04年のインタビューで「取引一枚当たりの収入でみると電子取引の場合は77ドルだが、セリ方式は52ドル。取引総量の62 %を占める電子取引が100 商品先物取引業界のデータサイエンティスト %に移行すれば、年間9500万ドルの増収が見込める」と計算している。

同CEO の戦略は現実のものとなりつつある。今では1 日当たり平均約500万枚の取引量のうち8割は電子取引だ。しかも電子取引は、コンピューターを駆使したアルゴリズム取引を利用するヘッジファンドという新たな市場参加者を呼び、業績は二ケタ拡大、利益率は3 割を超え、株価はうなぎ登りで500ドルと公開価格の約12 倍をつけた。今では時価総額は178 億ドル(06年12月時点)。ウォール街の「ホット」銘柄だ。

電子取引で市場を奪う

有名なケースは、完全電子取引所のユーレックス(ドイツ・スイス連合の先物取引所)が、伝統的なセリ方式の取引手法を取っていたロンドン国際金融先物取引所(LIFFE)に挑み、ドイツ国債先物の取引シェアを奪取した例だ。98 年、LIFFE の主力商品だったドイツ国債先物は、ユーレックスが電子上場すると、半年足らずでスポイトが水を吸い取るようにユーレックスに移った。消滅の危機を迎えたLIFFEは完全電子化に切り替え、後にハイテク取引所として再生に成功する。

2006年は商品先物市場の電子化元年

LIFFE と同様の現象が、06 年の米国でも起きた。まず、新興電子取引所の米インターコンチネンタル取引所(ICE)が、米国の原油先物の伝統的な寡占市場だったニューヨーク・マーカンタイル取引所(NYMEX)に挑んだ。

ICEは子会社である英ICEフューチャーズ(前ロンドン国際石油取引所・IPE)にNYMEX のWTI(ウエスト・テキサス・インターミディエート)原油先物を上場、数カ月のうちにNYMEXから取引シェアの半分を奪ってしまった。独自の電子取引システムではICEに太刀打ちできないとみたNYMEXは急遽同年6月にCME のGLOBEX システムの導入を決め、取引流出に歯止めをかけている。

商品先物取引業界のデータサイエンティスト

加盟店からの手数料やキャッシングが主な収入源

加盟店からの手数料やキャッシングが主な収入源

クレジット・信販・リース業界は、消費者が商品やサービスを購入するときの代金を消費者に代わってさまざまな方法で立て替え払いする分野。手持ちのお金がないときにも、クレジットカードがあればモノを購入することができる。
その際、クレジット会社は、一時的に立て替えた金額の数%を加盟店から手数料として徴収する。一方で、カード利用者からは年会費、リボルビング払い手数料キャッシング旅行代理店業などの付帯サービスの売上から利益を得ている。

カード利用は拡大基調だが総量規制の影響も

日本クレジット協会によれば、2021年3月末時点のクレジットカード発行枚数は、2億9,531万枚で、前年同時期比0.8%の増加となった。成人1人当たり3枚近く所有していることになる。 商品先物取引業界のデータサイエンティスト デパートやホテルはもちろん、スーパーマーケットやコンビニなどでの少額の買い物でも気軽に利用できるほか、ネット通販では購入手続きと同時に支払手続きが完了する利便性からクレジットカード決済が多い。

近年では、各社が独自のサービスを提供したり、還元したポイントを共通化して他社でも使えたりとさまざまな工夫をしている。また、クレジットカードだけでなく、デビットカード電子マネーへの対応に加えて、QRコード決済モバイル決済など、キャッシュレス化を推進する店舗が増えた。また、マイナポイントによるキャッシュレス化の支援策も期待できる。

一方で改正貸金業法の施行で総量規制が導入された。多重債務者救済のために、個人が借り入れできる総額を制限するもので、借り入れ(キャッシング)は年収の3分の1と定められている。日本貸金業協会の統計資料によれば消費者向け無担保貸付のうち約半分がクレジット業態(キャッシング付きクレジットカードやローンカード)となっており、クレジットカード業界でも対応を迫られた。

コロナ禍のおける、ホテルやレストランなど外出先での消費の減少は、クレジットカード利用にもマイナスの影響があった。だが、キャッシュレス化の加速や巣ごもり需要によるECサイトの利用拡大は、カード業界にはプラス要因だ。

カード会社は大手だけでも20社以上が乱立しており、それぞれの会社が自前のシステムを構築するなど高コスト体質が指摘されている。さらに、キャッシュレス決済の加速で、手数料など決済手段の多様化に関するコストは加盟店が負担しており、クレジットカード会社間の手数料が公開されておらず不透明との指摘もある。政府も手数料開示を進める動きを見せており、業界再編を含めシステムの共有化などの効率化が進む可能性を唱える声もある。

企業のあらゆる動産を取り扱うリース業界

企業が設備を調達する際などに、購入を代行して、長期間にわたって貸し出すのがリース業界。コピー機をはじめとするOA機器、備品、店舗設備など、償却資産である動産ならどんなものでもリースしており、航空機や鉄道もリース対象物件だ。
企業にとっては「多額の資金を準備せずに設備投資ができる」、「メンテナンスなど一切をリース会社に代行してもらえる」などのメリットがあり、設備投資額に占めるリースの割合は年々、上昇している。

しかし、コロナ禍で事業を牽引していた航空機リースが減少、不動産などの多角化したレンタル収益の下振れ懸念もある。リース業界はこれまでも再編を繰り返しており、今後も事業領域の拡大と生き残りをかけて、資本提携や合併といった動きが加速する可能性がある。大手では、三菱UFJリースと日立キャピタルが2021年4月に合併。新会社の三菱HCキャピタルの総資産は、オリックスに次ぐ業界2位に踊り出た。一方、非上場ながら業界大手の三井住友ファイナンス&リースは、2021年1月に不動産ファンド大手のケネディクスを子会社化、リース事業に加えて不動産事業の強化を狙っている。また東京センチュリーはNTTと資本業務提携を行い、2020年2月にNTT・TCリースを設立。NTTの中核グループ企業であるNTTファイナンスが行っていたリース事業や割賦事業は新会社に譲渡されたほか、インドでのデータセンター事業運営を発表するなど協業を推進している。

引き続き縮小が見込まれる消費者金融

引き続き縮小が見込まれる消費者金融

「その他金融」には、一般個人に無担保で融資を行う消費者金融や、特定の商品を将来の一定の日時に一定の価格で売買することを現時点で約束する商品先物取引などがある。
消費者金融業界では、1993年に業界初の株式上場企業が誕生して以来、業界の知名度は著しく向上、利用者も増加した。しかし2006年12月に改正貸金業法が成立(完全施行は2010年)すると、多くの業者が新規貸し付けの審査を厳格化。徐々に市場規模は縮小してきた。しかし、2016年3月末を底に貸付残高は持ち直しつつある。銀行やカード会社の残高は減少傾向にあるものの、消費者金融会社の残高は増加傾向にある。

金融庁「貸金業関係資料集(商品先物取引業界のデータサイエンティスト 2021年版)」によると、1986年のピーク時には4万7,504社あった貸金業者は、2021年3月末には1,商品先物取引業界のデータサイエンティスト 638社にまで減少。また、1999年3月末に54兆5,309億円あった貸付残高(消費者向けは約16兆円、事業者向けは約38兆円)は、2021月3月末には32兆9,625億円に減少している。

資本主義経済に不可欠な商品先物取引業界

商品先物取引とは、穀物、繊維、原材料、エネルギー資源など国民生活や企業経営において欠かすことのできない物質を、将来の一定期日に買ったり売ったりすることを約束して行う取引のこと。価格は取引を行う時点で決め、この価格が実際の取引における価格指標として活用される。
価格変動から生じるリスクを回避する手段として、資本主義経済に不可欠な存在とされている。取扱商品品目の拡大などを背景に、近年、市場は拡大を続けている。
コロナ禍で、商品先物相場も混乱したが、値動きが激しくなるほど、リスクを回避しようとするいわゆるヘッジ需要が膨らむため、取引自体は活性化した。また、2022年からのアメリカの利上げが確実視されており、一つのニュースが、相場をこれまで以上に大きく上下に動かす可能性は常にある。注視が必要だ。

業界関連⽤語

リースとレンタルの違い

リースもレンタルも、いずれも貸主が物品を購入し借主に貸し出す賃貸借契約だが、契約期間や契約内容においてさまざまな違いがある。大きな違いは、リースの場合は借主のニーズに応じて物品を購入するため新品が提供されるが、レンタルの場合はレンタル会社が所有している物品を貸し出すため、中古品の場合がほとんどということ。また、一般的に、中長期に利用する場合はリース契約を、1日や1週間といった短期利用の場合はレンタル契約を行う場合が多く、同じ物品なら、利用料はリース契約の方が割安に設定されている。

ただし、一日から長期まで、社員の増減に応じて臨機応変の対応ができることや、資産管理の手間が省けるなどの理由もあって(リースの場合は資産管理台帳を作成し全てのリース物件を個別に管理しなければならない)、これまではリース契約が多かったパソコンを中長期のレンタルで貸し出すケースも増えている。また、カーシェアリングや自転車シェアリングもレンタルに含まれる。

フィンテック

金融(Finance)と技術(Technology)を組み合わせた造語で、スマートフォンなどを使った決済や資産運用、ビッグデータ人工知能(AI)などの最新技術を駆使した金融サービスのこと。

フィンテック企業の老舗としては、PayPalがよく知られていたが、いまでは、Apple PayやGoogle Pay、中国アリババグループの決済手段であるAlipay、中国テンセントのWeChat Payなどが台頭。スマートフォンユーザーを中心に利用者は急拡大している。国内でもLINE PayやPay Payなど、各社が進出、百花繚乱状態だ。各社がフィンテックに注力するのは、利便性向上もさることながら、ビッグデータとしてユーザーの消費動向が把握できることがある。さらに、取引を補足することで脱税を防ぐといった意味もある。

外国証拠金取引

担保となる資金(証拠金保証金)を取扱会社に差し入れることで、24時間リアルタイムで通貨の売買を行う取引。「FX(Foreign eXchange)」といわれることも多い。取扱会社によって異なるが、5~10万円程度の保証金で売買が可能となる。

実際の売買では、保証金の数倍から数十倍の取引ができるので、少額の資金で大きな利益を得ることもできるが、大きな損失を出すこともあり、リスクの高い取引である。かつては、証拠金に対して100倍を超える取引ができる会社もあったが、現在は一律で25倍に規制されている。金融庁では、相場変動に対する健全性を評価し、今後は事業者ごとに25倍の上限を引き下げていく方針だ。

BNPLとは、「Buy Now Pay Later」の略で、文字通り今買って後で支払う、後払いのこと。近年クレジットカードに代わるサービスとして、ECサイト利用者から注目を浴びている。クレジットカードと同様、決済手数料は加盟店が負担するが、分割手数料が無料になることがクレジットカードと大きく異なる※。コロナ禍でECサイトの利用者が増えていることや、クレジットカードがなくてもECサイトで買物ができること、分割手数料が無料なことなどもあり、利用者は拡大傾向にある。スウェーデンのKlarna、米国のAffirm、オーストラリアのAfterpayといったフィンテック企業が市場拡大を牽引している。矢野経済研究所の調査によれば、BNPL市場は堅調に拡大しており、2019年度の取扱高は6,870億円と推計。2024年度には1兆8,800億円に拡大すると予測している。
※サービスを提供する企業によって、また分割回数や使うサービスによって異なる。また支払いが遅延した場合などに手数料が発生することもある。

データサイエンティストの求人一覧

データサイエンティストとは、ビジネスにおける様々な意思決定の際に、合理的な決定を下せるようにデーターを分析しアドバイスや意思決定の補佐を行う職種です。 高度なデータ分析をする必要があるため、統計解析能力やITスキル、課題解決能力が求められます。 また、プロジェクトの一員として課題を解決に導くため、コミュニケーション能力なども必要になります。 主な業務内容としては、データの収集や分析、統計情報の整理や課題解決のための提案作業など多岐に渡ります。

  • AWS
  • Heroku
  • Microsoft Azure
  • Google App Engine
  • Salesforce CRM
  • Google Cloud Platform

・金融デジタル領域におけるマーケティング全般の推進
・顧客データ分析・データアナリスト業務
・データ分析による顧客向けソリューション・アイデアの企画・立案
・データ分析による社内ビジネス抽出
・データ収集、加工、分析、視覚化についてマネジメント
・チームのマネジメント

・将来予測(財務領域)…年間着地予測モデル構築 等
・ピープルアナリティクス(人事領域)…リテンション分析 等
・問題化兆候検知(リスク回避)…問題プロジェクト早期発見、不正会計防止 等

●担当業務と役割
グループ共通のデータ活用のあり方・活用基盤・システムの構想・開発・運用や、最先端のデータ活用企画・研究(R&D/シンクタンク機能)、高度なデータ活用の支援(コンサルティング機能)、データ可視化・活用の支援、データ活用リテラシーの全体底上げ支援を担います。
またHR Work Techを活用した人事業務の高度化・効率化といった人事部門DXの推進を担います。

●具体的な仕事内容
・ピープルアナリティクスに関わる業務全般(人事関連データを用いたデータ解析、統計モデリング、ツール企画・開発)
・HR関連のデータ可視化・分析・レポーティング(HRダッシュボードの開発・運用含む)
・データ活用における関係者の巻き込み・コミュニティ活動
・HR領域におけるデータ分析エキスパートの育成および人事社員のデータ活用リテラシーの全体底上げのための教育施策の企画・実行
・HR Work Techの企画・構築・導入を通じた人事部門のDX推進

●キャリアパス
HR領域におけるデータアナリストおよびHR Work Techの企画・推進の専門家として活躍いただきます。
(社内公募異動制度もあるため、ご自身でキャリを能動的に作ることも可能です)

●データに基づいた企画/改善による事業貢献
・グロースの企画、実施
・ユーザーセグメンテーションの設計・改善
【分析環境】 BigQuery / Google Data Studio / Looker / Python(3系)

●クライアントの業務システムなどの膨大な量のデータを蓄積・加工・分析し、経営層の意思決定に活用する BI(Business Intelligence)と呼ばれるシステムの導入から実行支援までを行っています。
●クライアントの要望に沿ったBIツールの企画、設計、実装まで、プロジェクトに一気通貫で関わって頂きます。
●主に要件定義からテストまでお任せします。開発だけでなく、DB、インフラ、プロジェクト管理、エンドユーザーとのコミュニケーション能力など、幅広い経験に基づくスキルアップ・キャリアアップが可能な環境です。
●エンドユーザー様と直接やり取りをする立場であり、要件定義など上流工程に携われます。

●クライアントの業務システムなどの膨大な量のデータを蓄積・加工・分析し、経営層の意思決定に活用する BI(Business Intelligence)と呼ばれるシステムの導入から実行支援までを行っています。

●クライアントの業務システムなどの膨大な量のデータを蓄積・加工・分析し、経営層の意思決定に活用する BI(Business Intelligence)を含むデータプラットフォームの導入から実行支援までを行っています。
●クライアントの要望に沿ったデータプラットフォームの企画、設計、実装まで、プロジェクトに一気通貫で関わって頂きます。
●PL/PMとしてのクライアントとの提案・折衝やチームマネジメントを担っていただく想定です。

●クライアントの業務システムなどの膨大な量のデータを蓄積・加工・分析し、経営層の意思決定に活用する BI(Business Intelligence)と呼ばれるシステムの導入から実行支援までを行っています。

●クライアントの業務システムなどの膨大な量のデータを蓄積・加工・分析し、経営層の意思決定に活用する BI(Business Intelligence)と呼ばれるシステムの導入から実行支援までを行っています。

(1)データドリブン環境の整備(ハードウェア・ソフトウェア)
・データを活用するためのプラットフォーム構築、データ活用関連技術の導入検討を推進する。
・社内システム群におけるデータに関わる利用方針・ルール策定、データ配置、コード整備等を行いデータガバナンスを推進する。
(2)データドリブンビジネスの拡大
・顕在化案件(スマートシティ、医療、エネルギー)について、取り組みを拡大していく。
(3)データドリブンな事業運営の実現
・デジタルマーケティングの裾野拡大や働き方改革に向けた共通データ活用など事業運営に資する案件を発掘し取り組んでいく。
(4)データドリブン人財育成
・データドリブン人財の育成体系の整備
・オフショア等の外部連携体制の整備

●担当業務と役割
・主な担当業務は、「MLOpsによるAI開発プロセス効率化」 「AI人材育成プログラム開発」 「データ分析技術による技術相談・事業支援」
・ハードウェアプロダクトも考慮したMLOpsによるAI開発プロセス効率化は、どの企業も未経験の新たなチャレンジです。
・また当課は、様々な技術蓄積に基づき、データ分析におけるAI人材育成プログラムも主体的に開発し、全社へ提供しています。
・このようなデータ分析における技術蓄積を活かし、全社から舞い込むAI技術相談への対応と、事業支援も実施します。

【職務詳細】
・顧客対応、課題分析、仮説構築、PoV(Proof of Value=価値実証)などの上流フェーズ対応
・設計構築フェーズでの分析視点での要件定義支援・分析プロトタイプの作成や、運用・保守フェーズでの分析視点でのシステム活用支援や分析モデルのチューニング 等
※参画するプロジェクト(規模・関わり方)は様々で当社の各フロントBUと連携して対応します。
フロントBUは、より顧客・業界に相対している部隊であり、SEや営業と連携し、多様な業界の顧客や社会課題の課題解決に取り組みます。

【職務詳細】
・顧客対応、課題分析、仮説構築、PoV(Proof of Value=価値実証)などの上流フェーズ対応
・設計構築フェーズでの分析視点での要件定義支援・分析プロトタイプの作成や、運用・保守フェーズでの分析視点でのシステム活用支援や分析モデルのチューニング等
※参画するプロジェクト(規模・関わり方)は様々で当社製作所の各フロントBUと連携して対応します。
フロントBUは、より顧客・業界に相対している部隊であり、SEや営業と連携し、多様な業界の顧客や社会課題の課題解決に取り組みます。

【ポジションの魅力・やりがい・キャリアパス】
●データサイエンティストとしての更なるスキルアップや高度かつ多様なノウハウと触れ合う事が可能です。
LDSLには、AI・データアナリティクスの先進技術を有する研究者や、データ利活用のノウハウだけでなく、当社が社会インフラを支える中で培ってきたOTの知見を併せ持つ当社独自の高度な技術者を結集。
入社後には多くを学び、吸収できる機会・環境が整っています。

◆職務概要:
・ミッション
創造的な研究開発により、将来の中核となる新規事業を生み出す 業務:マテリアルインフォマティクス、プロセスインフォマティクス、マシンラーニング等を用いた研究開発の 推進

1.アサンプション管理
・経験率分析
・アサンプション(計算前提)の設定 (最良推定(ベスト・エスティメイト)のアサンプション、IFRSリザーブのアサンプション(PADを含む))
・IFRS、EV (エンベディッド・バリュー)、VNB (Value of New Business, 新契約価値)、資本に与えるインパクトの計算・分析
・アサンプションのアップデートに関して、チームメンバー、当社チーフアクチュアリー、グループ・オフィスのアクチュアリーへの説明・議論を行う。

3.レポーティング業務
・保険数理ソフトウェア(数理モデル)やエクセルを用いて、IFRS第4号に基づくIFRSリザーブ・DACの計算や、IFRS P/Lの利源分析を行う。
・IFRS第4号とIFRS第17号の差異分析等の議論に関わる。
・保険数理ソフトウェア(数理モデル)やエクセルを用いて、EV (エンベディッド・バリュー)、VNB (Value of New Business, 新契約価値)の計算・分析を行う。
・保険リスクの分析・報告
・保険数理ソフトウェア(数理モデル)を用いて、保険計理人の意見書のための将来収支分析の作成・分析を行う。
・様々な保険数理関連の計算を行うための数理モデルの開発・管理
・マネジメント・レポートを用意し、保険数理関連事項についてマネジメントに説明する。

証券業界における機械学習の活用

既存の顧客ターゲティングでは顧客リストが作成されてから、各担当者の勘と経験によってターゲットを決めて DM や訪問営業を実施するといったフローが一般的です。そのため、既存のフローではターゲット選定に時間がかかり過ぎる点や各担当者のスキルに依存しすぎる点が課題となります。一方で DataRobot を活用した顧客ターゲティングでは過去の成約した or しなかったデータを用いて優良顧客を分類するモデルを活用します。そのため、営業担当者はその分類モデルによって顧客ごとに算出された予測確率とその予測確率に至った説明が付帯する顧客リストを作成し、それに基づいて DM や訪問営業を実施することができます。その結果、ターゲットの選定に時間がかかることも各担当者のスキルに依存しない顧客ターゲティングが実現可能になります。

2.2 顧客ターゲティング – ターゲット対象とモデリングの多様化の実現

2.3 顧客ターゲティング – 必要なデータと実運用までのイメージ

法人・個人部門では顧客属性や取引状況、サービスの利用状況等のデータが蓄積されている場合が多いです。それらのデータと予測したいターゲットフラグ(例:過去半年以内に成約した場合は1、それ以外は0)を結合して DataRobot に投入すると、予測確率として結果を得ることができます。これらの確率を用いることで予測確率が一定以上の顧客に対して効率的に営業訪問や DM 送付を実施することができます。

市場部門では株式関連商品を中心とした資本調達に関する業務が中心となるため「市況の先読み」や「価格/金利の最適化」が重要なミッションとなります。そのため、各経済指標のベースラインの予測や為替/金利の先物レートの予測といったユースケースがあります。今回はその中でも RFQ 注文時の価格/金利のダイナミックプライシングのユースケースについて詳しくご紹介します。

3.1 RFQとダイナミックプライシングとは

RFQ とは Request for Quotation の略で主に機関投資家が売買を希望する銘柄・数量等を多数のマーケットメイカーに打診し、個別に提示された価格で売買をすることができる取引制度のことです。マーケットメイカーは機関投資家からの希望と過去の勝率や収益から適切な価格を設定し、提示する必要があります。

3.2 従来と機械学習を使ったビジネスフローの比較

既存の RFQ の業務では顧客から注文を受け人力で過去取引の調査を行い、勝率や収益から価格を算出し、顧客へ注文内容を返答するといったフローが一般的です。しかし、過去取引の調査に時間がかかる点や担当者の力量に依存する点が課題です。一方で、DataRobot を活用した場合には過去取引の状況から勝率を予測し、勝率と収益が最適となる価格を選定します。そのため、これまで過去取引の調査や価格選定にかかっていた工数の削減や顧客満足度の向上が実現可能になります。

3.3 必要なデータと実運用までのイメージ

管理・システム編

管理・システム部門では IT インフラの管理やコンプライアンス統括に関する業務が中心となるため「不正や異常のいち早い検知」が重要なミッションとなります。そのため、システムの異常検知や証拠金/信用取引の査定といったユースケースがあります。今回はその中でも不正取引検知について詳しくご紹介します。

4.1 不正取引検知 – 従来と機械学習を使ったビジネスフローの比較

4.2 不正取引検知 – 必要なデータと実運用までのイメージ

管理・システム部門では取引属性や顧客情報、顧客が売買時のデバイス状況等のデータが蓄積されている場合が多いです。それらのデータとターゲットとして過去の不正フラグを DataRobot に投入すると、不正スコアを確率として得ることができます。それらの不正スコアが低い検出ログについては判定が不要になり、判定すべき検出ログの総数が減ります。その結果、誤って不正と判断する数の割合を減らすことが可能になります。またこれらを監視モニターやアラートメールのシステムと連携することで検知のスピードもあげることができます。

ここまで法人・個人部門、市場部門、管理・システム部門において、機械学習の活用とユースケースの詳細について説明してきました。DataRobot 活用することで証券会社のあらゆる部署の業務に AI を活用し、既存のビジネスを変革することや新たな FinTech サービスをさらに高度化することができます。

証券分野における AI 活用にご興味がある方は是非ご相談下さい。

「DataRobot AI Cloud」に関する基調講演や、業界をリードするDX推進企業の取り組み、AIサクセスを実現するビジネスリーダーによるパネルセッションをオンデマンドビデオで確認

香西 哲弥(Tetsuya Kozai)

DataRobot データサイエンティストとして、主に金融業界のお客さまの AI 活用/推進をご支援。メガバンクと外資系コンサルティングファームでの勤務を経て現職。これまで、AI 導入に向けた組織改革から数理モデリングの技術支援、実運用化支援まで幅広い業務に従事。

需要予測におけるクラスタリング技術の活用
AIドリブンビジネスのための最新リリース DataRobot 8.0
Kaggle スキルのビジネス活用

関連するブログ記事

DataRobot とは?
AI活用を民主化するために2012年に設立されました。 DataRobotはAI Cloudのリーダーとして、あらゆるユーザー、あらゆるデータタイプ、あらゆる環境に対応した統合プラットフォームを提供し、あらゆる組織の本番環境へのAI導入を加速します

forbes the cloud 100

Gartner Peer Insights Logo

The Gartner Peer Insights Customers’ Choice badge is a trademark and service mark of Gartner, Inc., 商品先物取引業界のデータサイエンティスト and/or its affiliates, and is used herein with permission. All rights reserved. Gartner Peer Insights Customers’ Choice constitute the subjective opinions of individual end-user reviews, ratings, and data applied against a 商品先物取引業界のデータサイエンティスト documented methodology; they neither represent the views of, nor constitute an endorsement by, Gartner or its affiliates.

GAFAが狙う新たな「40億人市場」―民間参入をきっかけに急加速する宇宙ビジネス

GAFAが狙う新たな「40億人市場」―民間参入をきっかけに急加速する宇宙ビジネスのイメージ

グループ1:ロケット・衛星開発製造、打ち上げサービス ロケットや人工衛星の製造・打ち上げや地上局など、いわゆる宇宙機器産業。小型衛星の多数コンステレーション事業の増加が追い風となっている。 グループ2:宇宙データの利用サービス 人工衛星で取得されるデータが、地上のさまざまなデータとあわせてAIで解析されることにより、あらゆる産業に新たな価値をもたらすと期待されている。 グループ3:宇宙ビジネスを支える関連ビジネス 宇宙事業にかける保険ビジネスやサイバーセキュリティなど、宇宙ビジネスを展開するにあたり必要となる関連ビジネスの成長が見込まれている。 グループ4:新たな宇宙ビジネス 宇宙アクセスが容易化することで、宇宙資源開発、宇宙旅行、宇宙デブリ除去など、さまざまな新しいビジネスの登場・発展が期待されている。

今後宇宙開発がさらに進めば、地上から入手している現状のビッグデータに、衛星などから得られた「宇宙からしか得られないデータ(=宇宙データ)」が加わることになる。そこで得られたアクショナブルデータ(行動に繋がる実用的なデータ)により、 経済予測精度が圧倒的に向上し、データエコノミーが大幅に加速する と大貫さんは予想する。

宇宙データの使い方

図3:Tellus

とはいえ、いくらデータが公開されていたとしても、データサイエンティストを抱えている企業など、データを活用できる企業は限られるだろう。そのため、 解析人材を持たない企業向けにデータを解析し、ソリューションとして提供する企業に注目が集まっている という。

「こうしたソリューションを提供する企業は アナリティクス企業 と呼ばれ、専門人材を抱えるほどではないという企業からのニーズを受けた成長が見込まれています。宇宙ビジネスに対する投資が盛んになり始めた際に、真っ先に投資が集まった企業にアナリティクス企業がありました。

関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる