AI銀行：數據驅動與知識引導下的智能決策

高鵬

AI銀行：我們現在的位置

近年來，人工智能、大數據、云計算等技術的高速發展，加速了科技與金融的高度融合，促進了包括銀行在內的金融機構智能化轉型快速發展，銀行通過具體的智能化轉型項目，實現了自身新的可持續增長。2020年，新冠肺炎疫情對銀行的智能化轉型可謂是起到了催化和加速的作用。中國工程院院士潘云鶴曾提出，金融科技的發展過程可以分為金融電子化、金融網絡化和金融智能化三個階段。當前，先進的企業正在從網絡化向智能化發展，從大數據技術向人工智能技術發展。

幾十年以來，銀行和客戶之間的信息互動和業務模式印證了上述趨勢——銀行在20世紀60年代推出了ATM，在70年代推出了基于卡片的支付方式。在21世紀，24/7全天候網絡銀行逐步普及;21世紀10年代，基于移動技術“隨時隨地辦業務”移動銀行模式廣泛出現。

進入21世紀20年代，我們已處于AI賦能的數字化時代，數據存儲和處理成本不斷下降，信息獲取與互聯程度普遍提升。AI技術能提高自動化程度，在風險控制得當的情況下，能提升人為決策的速度和準確度。其在各個行業的價值創造潛力無與倫比，例如AI技術每年可為全球銀行業帶來1萬億美元的增量產值。

人工智能已成為世界不可或缺的一部分，智能化轉型是中國銀行業升級的必由之路。智能化轉型不僅為金融機構解決了時間和空間的限制，更促使金融機構的業務流程、運營模式、風險管控等更順暢、高效地運作，為金融行業實現了提質、降本、增效的效果。2020年新冠肺炎疫情暴發后，整個銀行用戶群體行為發生重大改變，無論是領先銀行還是尚處發展階段的中小商業銀行，如果未能把AI技術置于戰略和運營核心，都將面臨以下三大趨勢的嚴峻挑戰：

大規模個性化不斷提升客戶預期。隨著更多用戶使用數字銀行服務，尤其隨著新冠肺炎疫情的暴發，使用網銀和手機銀行的用戶數大幅增加。根據調查，預計在疫情消退后一些用戶的習慣會被改變，會有15%至45%的消費者減少對實體網點的造訪。用戶對銀行的服務預期也在不斷提高，會對標領先的消費互聯網公司。這些具有卓越數字化體驗的公司在不斷提高大規模個性化水平，能基于客戶潛在需求在適當時間通過適當渠道為其提供個性化定制的服務。

數字金融生態系統挑戰傳統金融服務。移動互聯網深刻改變了用戶發現、評估和購買商品和服務的方式，超級App的出現使用戶通過統一的訪問點即可獲取多元的生活信息服務組合，包括獲取傳統的金融服務。例如，微信不僅可以收發消息和語音通訊，還可以打車、網購食品、預約醫院、暢玩游戲、向好友轉賬以及獲取個人信貸。這種趨勢在全球范圍內都已出現，科技巨頭和各種“超級App”紛紛將金融產品和服務整合進自己的產品，為客戶提供極具吸引力的體驗，不斷顛覆獲取金融產品與服務的傳統方式。這樣的數字金融生態系統使科技巨頭構建了巨大的市場優勢：龐大且高度互動的客戶網絡;海量數據資源讓其對客戶個體的了解越發可靠和準確;開發和擴展創新技術（包括AI技術）的天然優勢;以及低成本的資金獲取渠道。因此，銀行需要重新思考如何參與這樣的數字金融生態系統，并通過AI技術充分利用數字金融生態系統中獲取的海量用戶行為數據。

領先銀行開始部署AI技術。據《麥肯錫全球人工智能調查報告》數據，近60%的銀行已經整合了至少一項AI功能。最常用的AI技術包括：處理結構化運營自動化工作的RPA（36%），用于營銷和客戶互動的機器智能對話技術（32%），以及基于機器學習和深度神經網絡的用于信用卡核卡或貸款審批的風控管理技術（25%）。顯然，越來越多的銀行開始用系統性方法部署金融AI技術，并將其整合到貫穿前后臺的全生命周期之中。

AI銀行：我們會走向哪里？

在數字化金融生態體系中，要滿足客戶不斷提高的預期并在競爭中取勝，“AI銀行”最關鍵的特征是智能化（推薦最優行動、預期關鍵決策并實現決策）、個性化（實用、及時且基于對客戶歷史行為和背景的分析）、全渠道（無縫覆蓋多個設備，包括線下和線上情景，并提供一致的體驗），并將銀行的產品和服務與用戶生活場景中的相關產品和服務融合在一起。

在銀行內部，“AI銀行”將通過數據驅動的RPA技術，以及在銀行運營的各個領域以機器學習和深度學習技術替換或增強人工決策，從而提高運營效率。未來的AI銀行也將擁有數字科技領先企業的速度和敏捷性，銀行將快速創新，在數天、數周而非數月的時間內發布新功能。銀行還將與合作伙伴廣泛協作，提供覆蓋各個客戶旅程、技術平臺和數據集全新業務和服務。

困難和挑戰

傳統銀行必須滿足國家對金融服務企業規模化、安全性和監管上的要求，但智能化轉型要求傳統銀行需要追上智能金融科技企業的速度、敏捷性與靈活性;這兩個略微有些矛盾的目標是傳統銀行智能化轉型中的挑戰——在核心系統、數據管理、運營模式方面和AI銀行的要求不能很好匹配。

銀行的核心系統主要以穩定性為目的，特別是在支持傳統業務方面性能表現是很優異的。然而，傳統銀行核心系統的這些特點，在AI銀行中會產生較大的阻礙：首先，閉環AI應用有特定的可變計算、數據處理和實時分析要求，而傳統核心系統往往缺乏支持上述需求的容量與靈活性，并且很難做出調整。其次，在許多傳統銀行，數據存儲分散在多個獨立部門，分析工作往往缺乏從上帝視角的全局全量分析。例如，讓數據智能引擎在業務流程“決策點”上準實時、規模化地為數百萬規模的客戶人群分析內外部數據。所以說，數據是AI應用的基本原料，沒有集中的大數據，要在適當時候分析相關數據并生成智能推薦是不可能的。最后，銀行也缺乏為規模化部署各類高級AI模型需要的一套可靠的工具和標準化流程，通過可復制、“工業化”的方式構建、測試、部署和監控模型。

銀行運營模式是另外一個對AI應用部署容易形成阻力的因素。傳統銀行的組織架構是基于不同的垂直業務線，科技部門則作為獨立的成本中心集中管理，這種垂直功能部門運營模式和數字金融企業的平臺運營模式有較大區別。業務部門容易只從部門角度確定目標，各部門之間的目標以及與全行的戰略有時候缺乏統一或協調性較差。同時，這種運營模式一般會促使科技部門逐步形成孤立的項目團隊以及“自頂向下”瀑布式的開發流程，缺乏“測試—學習—提高”這種數據閉環下有力的反饋循環，無法推動快速驗證與迭代。而正是這種大規模的A/B測試和迭代優化模式，是目前數據驅動的機器學習應用的主要運作模式。

系統性邁向AI銀行的策略

要系統性地順利部署AI技術和應用并向AI銀行轉型，銀行需要對全部三個層次的系統能力進行投資和改造，這包括：客戶互動層、AI決策層（AI中臺層）、核心系統與數據中臺層，同時還需要逐步對運營模式進行改造。這些相互聯系與依賴的層次如果能夠協同運轉，將推動AI銀行為客戶提供獨特的全渠道體驗，實現大規模個性化，并加快產品和服務創新周期。

重構客戶互動層

越來越多的客戶在移動生活和產業應用場景中使用銀行業務，因此要求銀行參與客戶的應用消費旅程，了解其應用情景與需求，從而時刻提供無縫的卓越體驗。很多銀行業務（如支付、某些類型的貸款）正在“隱形化”，因為旅程的起止常常發生在銀行平臺以外的應用服務界面上。

銀行要全方位覆蓋客戶生活，通過全渠道滿足客戶潛在需求，就需要在客戶互動層做出幾項關鍵轉變：

首先，不能局限于提供高度標準化產品，而應該以最大化滿足客戶需求為目標提供個性化綜合性產品和服務。這要求銀行在核心客戶旅程中嵌入個性化決策（提供什么，何時提供，通過何種渠道提供），設計有價值的非銀產品，并引入能夠代客自動決策和執行的智能技術。

其次，將客戶旅程無縫整合到銀行合作伙伴生態系統與平臺中，從而使銀行能夠在應用場景中與客戶互動，并在此過程中利用合作伙伴的數據與渠道平臺來提高客戶參與度和使用率。當今，消費者和企業日益依賴數字生態系統，銀行應決定參與各類生態系統的方式（自建、統籌協調或合作），并相應地調整其互動層功能。

再次，銀行需要重新設計整體客戶體驗和全渠道互動中的特定旅程。這包括實現客戶在同一旅程中多種模式（包括網頁、移動App、網點、呼叫中心、智能柜員設備等）間的無縫切換，保留并不斷更新互動情景。

重構AI銀行的互動層需要對非銀渠道客戶互動設定好清晰的策略。銀行在其平臺內外構建客戶體驗時，需要采用設計思維，前端互動界面接口的設計應保證靈活性，從而滿足客戶定制化與個性化需求。后臺流程也需要重新設計，并確保將數據捕獲漏斗（如點擊流）精細地導入銀行的互動層中并確保消費者互動數據順利采集入后臺數倉。所有這些都旨在更細致地了解客戶旅程并持續改進。

打造AI決策層

要在各互動渠道中準確實時地向數百萬用戶和數千名員工提供個性化消息與決策支持，銀行需開發大規模的AI決策層。AI決策逐步可以完全替代或大幅增強人工判斷，從而顯著改善業務結果（更高的準確性與速度）、提升客戶體驗（更具個性化的交互與產品）、賦能員工（首先與哪個客戶聯系，并給出下一個最佳營銷建議）以及加強風險管理（更早發現可能的違約和欺詐行為）。

為建立強大的AI支持決策層，銀行需要制訂在整個業務領域部署數據驅動的機器學習（ML）模型和個性化推薦技術的全行路線圖。為推動大規模開發AI決策模型，這些開發過程需要具備可擴展和工程化能力，從而保證解決方案的有效和準時交付。除了業務團隊和AI人才之間的緊密協作，還需要部署強大的軟件工具進行模型開發、提高流程效率以及跨團隊分享傳播知識。

除了跨業務部門的大規模AI決策模型開發，日常業務流程中也需要嵌入AI技術。為了嵌入AI，目標業務流程可能需要重塑，同時流程中的AI決策還應該具有給最終用戶“解釋”的能力，能夠溯源而不只是算法黑盒。為了驗證AI決策模型的有效性，打造數據閉環是必要的，銀行需要打造強大的數據采集和統計的基礎設施與流程，以強化反饋回路，從而對AI決策模型不斷迭代優化。

此外，銀行需要利用新的感知AI技術（如NLP、MV、虛擬互動機器人、AR/VR等）強化核心業務流程中的用戶交流互動能力。在上述感知AI能力中，很多都擁有從根本上改變客戶體驗/運營效率的潛力。如果銀行缺乏相應人才或者不愿自行投資開發上述技術，則可以通過API支持的系統架構，以最快速度從專業提供商處采購并集成這些新能力，并在沙盒環境中持續推動對這些技術的試驗，從而測試和優化應用程序并評估潛在風險，繼而決定大規模部署哪些技術。

為實現上述認知AI決策和感知AI功能并與客戶在整個生命周期互動（從獲客到追加銷售與交叉銷售，再到客戶留存與挽回），銀行需建立企業范圍的數字營銷機制。該機制的關鍵在于將AI決策層產生的決策與洞見轉化為客戶互動層一系列協同行為措施，其中幾項關鍵要素包括：一是從銀行內部（如來自App的點擊流數據）和外部（如與電信提供商的第三方合作）的多元數據源采集各類數據的管道和統計機制;二是匯總、開發和維護360度客戶視圖、并讓AI模型能夠近乎實時運行和執行的數據平臺;三是跟蹤分析用戶歷史行為并在互動層全渠道范圍內前瞻性協同推送措施的活動平臺。

加強數據中臺建設和數據治理

在整個組織內部署AI功能，銀行需要一系列可擴展、有彈性且適應性強的核心技術和數據功能組件。核心技術薄弱和數據功能欠缺，會影響上面被支撐的AI決策層和客戶互動層。在數據中臺建設和數據治理層面主要包含六個關鍵領域。

未來技術和數據戰略。銀行應擁有與業務戰略緊密結合的統一技術和數據戰略，并就關鍵問題做出戰略性選擇：哪些資源要素、技能組合和人才應自建團隊留在內部;哪些則應通過合作伙伴或供應商獲得。此外，技術和數據戰略需闡明目標架構各個功能棧組成部分如何在本層功能上支持銀行轉型為AI銀行，以及如何與功能棧的相鄰層進行交互。

如何以數據治理支撐數據驅動AI。銀行數據治理必須確保數據的流動性，即訪問、提取和操縱數據的能力，這是AI決策層產生任何洞見與決策的基礎。打破部門孤島可提升數據流動性，讓多個部門更好協調對同一數據的操作。數據價值鏈的起點即從所有相關內部系統和外部平臺中獲取數據，這包括將數據提取到數據湖中，清理并標記各類場景和應用所需的數據，以及對立即用于分析的實時數據（從現有或潛在客戶處）與待清理標記以備未來分析的非實時數據進行分離。此外，在設計和構建集中式數據管理基礎設施時，銀行應開發其他控制和監控工具以確保數據安全性、隱私性和監管合規性。

API架構。充分提煉和抽取公共應用和功能，形成靈活的樂高式API架構，能實現對銀行內外部服務、產品和數據的可控訪問。在銀行內部，API可減少形成數據孤島，提高技術和數據資產的可重用性。在銀行外部，API可促成建立外部合作的能力、解鎖新商機并提升客戶體驗。API架構具有巨大價值，同時也要確定其使用領域并建立集中化的治理機制以支持其開發和管理。

云戰略。企業IT系統上云是不同行業的公司的共同戰略，銀行也不例外，各項實踐數據充分表明云平臺（公有、私有、混合云）可實現更高的擴展性與彈性，這些特征對于數據驅動的AI銀行戰略至關重要。此外，基于云的基礎設施能夠降低IT維護成本，并支持開發團隊的自助服務模式，從而通過提供托管服務（例如，在幾分鐘而非幾天內設置新環境）加快創新周期。

向平臺運營模式過渡

未來的AI銀行需要采用新的運營模式，從而在企業運轉的各個層次上實現必要的敏捷性、速度和獨創性。傳統銀行團隊的運作模式仍然是基于垂直條線和部門制的，這很難適應數據驅動的AI銀行運行特點，轉向平臺運營模式是AI銀行的更好選擇。

在平臺運營模式下，跨職能的業務和技術團隊依托不同的平臺形成阿米巴組織。每個平臺阿米巴團隊都控制著自己的資產（例如基礎設施、技術解決方案、數據資源等）、預算、關鍵績效指標以及人才。另一方面，這些團隊向銀行的最終客戶或銀行內的其他平臺提供一系列產品或服務。這些平臺團隊大致可分為三類：業務應用平臺是面向客戶或合作伙伴的團隊，致力于存款理財、企業貸款和交易銀行等業務領域創造業務成果;業務功能平臺提供專業化能力/共享服務，在整個組織中建立標準和提供標準功能，如催收、支付基礎設施、人力資源和財務等;基礎平臺則讓應用和功能平臺能夠獲取各類底層技術功能，如網絡安全與云架構、加解密、跨系統登錄/認證等。通過跨職能的阿米巴團隊的平臺運營，銀行可以打破組織孤島、提高敏捷性與速度，并讓全行在目標和重點上實現統一。

小結

綜上所述，向AI銀行的成功轉型需要在上述功能棧四個層次都開始實施轉型。忽視任何一層的挑戰或對任何一層投入不足都會波及全局，導致功能棧欠佳而無法實現銀行的業務目標。

務實的做法是，先評估銀行的戰略目標和KPI（如增長、盈利、客戶互動、創新等），以及如何通過嵌入融合一系列AI技術切實實現該目標，并確保AI目標與銀行戰略目標吻合。在確保一致性后，可以對銀行在四個層次的現狀做全面診斷，以確定所需的關鍵轉變、額外投資和新型人才，之后將這些認知轉化為涵蓋業務、技術和分析團隊的轉型路線圖。

針對組織特點量身定制執行方案同樣重要。為確保轉型的可持續性，可以采用雙軌制，在能產生業務價值的短期項目與迭代構建長期能力之間取得平衡。此外，要有融合共生、協同天下的合作精神，可選擇將差異化的核心能力保留在銀行內部并從技術供應商與合作伙伴處獲取非差異化的功能。

對許多銀行而言，在全行范圍內大規模采用AI技術已成為戰略必需，而能否在上述四個層次全面成功轉型將決定AI銀行戰略轉型的成功與否。

（作者系浙江大學摸象金融智能實驗室主任）