【模式分析】Olivia AI：基于人工智能的个人财务管理助手

2017-09-26 未央研究 互联网金融

公司介绍

成立于2015，Olivia公司致力于打造一个贴心的个人财务管理助手，使每个用户在个人理财方面都能得到个性化专业化的贴心服务。通过结合人工智能技术、财务管理知识和行为经济学等学科的专业知识，Olivia AI以一个聊天机器人形象服务客户，通过学习用户的金融习惯和消费习惯，对用户的各个资金账户进行统一管理，并针对用户特点给出用户的理财、消费计划。团队的成员包括产品所需的各方面专业人士，包括AI软件工程师、懂得理财消费数据科学家、精通人进交互的认知学研究员、语言学家和设计师。

目前平台规模仍属初期。2017年4月，平台刚刚正式开展业务，目前发放了数笔资金，平均金额3000元。初期只在加州的旧金山、圣何塞、洛杉矶、圣地亚哥提供服务，未来还会扩展至全美。

2融资情况

2016年5月12日，公司获得50万美元的种子资金。

3创始人简介

创始人CRISTIANO OLIVEIRA是一名技术企业家，连续创业者。毕业于圣保罗大学（Universidade de São Paulo）具有工业工程硕士学位、机器人与机械工程学士学位。曾在Spring Wireless任CTO，还曾创立Alaska Technology Ventures风投基金、LendFox在线信用联盟借款平台。此外，Oliveira还是Guidrr的顾问，并在曾在Kony Solutions的商业应用部门任副总裁。对金融技术和人工智能技术及移动应用有浓厚兴趣。

4产品介绍

Olivia AI是一款人工智能金融聊天助手。Olivia AI可以即时连接用户的所有资金帐户。只需要选择同意Olivia管理的账户，Olivia将能够通过银行级安全通道获取到用户的交易流水，并不会获取其他个人隐私信息。Olivia将会利用基本的财务规划能力对用户消费监控，并且给出合理的建议，操作简单，界面清晰整洁。Olivia提供账户总揽，显示每日花费限额，以及目前花费的内容。这样以日为单位对财富进行管理为用户提供了更加方便可操作的建议。

Olivia通过收集用户的交易情况、移动应用数据情况、地理位置等。Olivia会通过询问用户消费行为是否正常，并且结合数据给用户相关的消费建议，如：今天还能花多少钱不会过度消费？本月还有多少钱可以自由支配等。通过给出图表等信息，用户可以很方便地看出自己的消费情况。Olivia并不会对用户的消费习惯做过多的评价，仅会给出建议供参考。用户可以再消费前咨询Olivia，相关产品价格是否合适，是否可负担。当用户有过度消费行为后，Olivia也会给出建议如何节省开销来恢复可持续的消费水平。

Olivia通过100多种方法帮中用户省钱，涉及：娱乐、旅行、交通、餐费等生活的方方面面。如：当用户每月花在停车的费用过高，而收入却较低时，Olivia会考虑建议用户使用Uber。对于用户在日常用品上的开销，Olivia会建议用户制定购物清单，并分析用户的购物偏好，并给出用户如同种商品在什么时候，附近哪家店会有相关商品的打折活动等。未来Olivia还会根据更多用户反馈数据来优化和调整对用户的提醒和警告出现的时机及频率，优化用户体验。

5创新特点

• 自主研发的按日消费建议：提供账户总揽，显示每日花费限额，以及目前花费的内容。这样以日为单位对财富进行管理为用户提供了更加方便可操作的建议，如：每日最高消费，每日建议省钱方式等。

• 以选项形式与用户交互的聊天机器人：Olivia与其他聊天机器人不同，并不进行自然语言处理，而是以选项形式，给用户通过选择的方式进行交流和交互。

6Q&A

未央网：Olivia是否也是通过自动存款方式帮用户达到存款目标？

Olivia并没有采用自动存款方式，我们知道自动存款是一个通常的解决方案，但这种强制性做法一年只能能为客户剩下200~300美金，并且用户通常会无法坚持。Olivia试图从用户的消费习惯上为用户进行调整

未央网：目前的用户规模如何？

Olivia目前已经有3万用户，此外，为了机器学习模型的训练，Olivia还拿到了10亿的交易数据，供前期学习使用。10万用户是一个Fintech企业存活的标准。Olivia希望于今年年底达到这个目标。只有用户量达到100万，业内才认为这是一个优秀的Fintech项目。

未央网：Olivia背后都使用了哪些机器学习模型和算法来支撑业务？

Olivia背后有30多个机器学习模型，大致可以分为6个步骤来实现其业务逻辑。

第一步：使用分类器，用于将用户的每笔交易进行分类。对于明确的交易，使用决策树即可完成分类，对于并不明确具体目的的交易，采用启发式算法和概率模型，给出各类可能性的概率。此外，利用事先存在的交易数据的学习，可以通过机器学习方法来判断该笔消费的具体消费目的。

第二步：通过时间序列分析，来分析用户未来的行为事件发生时间推断。