AI银行：数据驱动与知识引导下的智能决策

    高鹏

    

    AI银行：我们现在的位置

    近年来，人工智能、大数据、云计算等技术的高速发展，加速了科技与金融的高度融合，促进了包括银行在内的金融机构智能化转型快速发展，银行通过具体的智能化转型项目，实现了自身新的可持续增长。2020年，新冠肺炎疫情对银行的智能化转型可谓是起到了催化和加速的作用。中国工程院院士潘云鹤曾提出，金融科技的发展过程可以分为金融电子化、金融网络化和金融智能化三个阶段。当前，先进的企业正在从网络化向智能化发展，从大数据技术向人工智能技术发展。

    几十年以来，银行和客户之间的信息互动和业务模式印证了上述趋势——银行在20世纪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世纪，24/7全天候网络银行逐步普及;21世纪10年代，基于移动技术“随时随地办业务”移动银行模式广泛出现。

    进入21世纪20年代，我们已处于AI赋能的数字化时代，数据存储和处理成本不断下降，信息获取与互联程度普遍提升。AI技术能提高自动化程度，在风险控制得当的情况下，能提升人为决策的速度和准确度。其在各个行业的价值创造潜力无与伦比，例如AI技术每年可为全球银行业带来1万亿美元的增量产值。

    人工智能已成为世界不可或缺的一部分，智能化转型是中国银行业升级的必由之路。智能化转型不仅为金融机构解决了时间和空间的限制，更促使金融机构的业务流程、运营模式、风险管控等更顺畅、高效地运作，为金融行业实现了提质、降本、增效的效果。2020年新冠肺炎疫情暴发后，整个银行用户群体行为发生重大改变，无论是领先银行还是尚处发展阶段的中小商业银行，如果未能把AI技术置于战略和运营核心，都将面临以下三大趋势的严峻挑战：

    大规模个性化不断提升客户预期。随着更多用户使用数字银行服务，尤其随着新冠肺炎疫情的暴发，使用网银和手机银行的用户数大幅增加。根据调查，预计在疫情消退后一些用户的习惯会被改变，会有15%至45%的消费者减少对实体网点的造访。用户对银行的服务预期也在不断提高，会对标领先的消费互联网公司。这些具有卓越数字化体验的公司在不断提高大规模个性化水平，能基于客户潜在需求在适当时间通过适当渠道为其提供个性化定制的服务。

    数字金融生态系统挑战传统金融服务。移动互联网深刻改变了用户发现、评估和购买商品和服务的方式，超级App的出现使用户通过统一的访问点即可获取多元的生活信息服务组合，包括获取传统的金融服务。例如，微信不仅可以收发消息和语音通讯，还可以打车、网购食品、预约医院、畅玩游戏、向好友转账以及获取个人信贷。这种趋势在全球范围内都已出现，科技巨头和各种“超级App”纷纷将金融产品和服务整合进自己的产品，为客户提供极具吸引力的体验，不断颠覆获取金融产品与服务的传统方式。这样的数字金融生态系统使科技巨头构建了巨大的市场优势：庞大且高度互动的客户网络;海量数据资源让其对客户个体的了解越发可靠和准确;开发和扩展创新技术（包括AI技术）的天然优势;以及低成本的资金获取渠道。因此，银行需要重新思考如何参与这样的数字金融生态系统，并通过AI技术充分利用数字金融生态系统中获取的海量用户行为数据。

    领先银行开始部署AI技术。据《麦肯锡全球人工智能调查报告》数据，近60%的银行已经整合了至少一项AI功能。最常用的AI技术包括：处理结构化运营自动化工作的RPA（36%），用于营销和客户互动的机器智能对话技术（32%），以及基于机器学习和深度神经网络的用于信用卡核卡或贷款审批的风控管理技术（25%）。显然，越来越多的银行开始用系统性方法部署金融AI技术，并将其整合到贯穿前后台的全生命周期之中。

    AI银行：我们会走向哪里？

    在数字化金融生态体系中，要满足客户不断提高的预期并在竞争中取胜，“AI银行”最关键的特征是智能化（推荐最优行动、预期关键决策并实现决策）、个性化（实用、及时且基于对客户历史行为和背景的分析）、全渠道（无缝覆盖多个设备，包括线下和线上情景，并提供一致的体验），并将银行的产品和服务与用户生活场景中的相关产品和服务融合在一起。

    在银行内部，“AI银行”将通过数据驱动的RPA技术，以及在银行运营的各个领域以机器学习和深度学習技术替换或增强人工决策，从而提高运营效率。未来的AI银行也将拥有数字科技领先企业的速度和敏捷性，银行将快速创新，在数天、数周而非数月的时间内发布新功能。银行还将与合作伙伴广泛协作，提供覆盖各个客户旅程、技术平台和数据集全新业务和服务。

    困难和挑战

    传统银行必须满足国家对金融服务企业规模化、安全性和监管上的要求，但智能化转型要求传统银行需要追上智能金融科技企业的速度、敏捷性与灵活性;这两个略微有些矛盾的目标是传统银行智能化转型中的挑战——在核心系统、数据管理、运营模式方面和AI银行的要求不能很好匹配。

    银行的核心系统主要以稳定性为目的，特别是在支持传统业务方面性能表现是很优异的。然而，传统银行核心系统的这些特点，在AI银行中会产生较大的阻碍：首先，闭环AI应用有特定的可变计算、数据处理和实时分析要求，而传统核心系统往往缺乏支持上述需求的容量与灵活性，并且很难做出调整。其次，在许多传统银行，数据存储分散在多个独立部门，分析工作往往缺乏从上帝视角的全局全量分析。例如，让数据智能引擎在业务流程“决策点”上准实时、规模化地为数百万规模的客户人群分析内外部数据。所以说，数据是AI应用的基本原料，没有集中的大数据，要在适当时候分析相关数据并生成智能推荐是不可能的。最后，银行也缺乏为规模化部署各类高级AI模型需要的一套可靠的工具和标准化流程，通过可复制、“工业化”的方式构建、测试、部署和监控模型。

    银行运营模式是另外一个对AI应用部署容易形成阻力的因素。传统银行的组织架构是基于不同的垂直业务线，科技部门则作为独立的成本中心集中管理，这种垂直功能部门运营模式和数字金融企业的平台运营模式有较大区别。业务部门容易只从部门角度确定目标，各部门之间的目标以及与全行的战略有时候缺乏统一或协调性较差。同时，这种运营模式一般会促使科技部门逐步形成孤立的项目团队以及“自顶向下”瀑布式的开发流程，缺乏“测试—学习—提高”这种数据闭环下有力的反馈循环，无法推动快速验证与迭代。而正是这种大规模的A/B测试和迭代优化模式，是目前数据驱动的机器学习应用的主要运作模式。

    系统性迈向AI银行的策略

    要系统性地顺利部署AI技术和应用并向AI银行转型，银行需要对全部三个层次的系统能力进行投资和改造，这包括：客户互动层、AI决策层（AI中台层）、核心系统与数据中台层，同时还需要逐步对运营模式进行改造。这些相互联系与依赖的层次如果能够协同运转，将推动AI银行为客户提供独特的全渠道体验，实现大规模个性化，并加快产品和服务创新周期。

    重构客户互动层

    越来越多的客户在移动生活和产业应用场景中使用银行业务，因此要求银行参与客户的应用消费旅程，了解其应用情景与需求，从而时刻提供无缝的卓越体验。很多银行业务（如支付、某些类型的贷款）正在“隐形化”，因为旅程的起止常常发生在银行平台以外的应用服务界面上。

    银行要全方位覆盖客户生活，通过全渠道满足客户潜在需求，就需要在客户互动层做出几项关键转变：

    首先，不能局限于提供高度标准化产品，而应该以最大化满足客户需求为目标提供个性化综合性产品和服务。这要求银行在核心客户旅程中嵌入个性化决策（提供什么，何时提供，通过何种渠道提供），设计有价值的非银产品，并引入能够代客自动决策和执行的智能技术。

    其次，将客户旅程无缝整合到银行合作伙伴生态系统与平台中，从而使银行能够在应用场景中与客户互动，并在此过程中利用合作伙伴的数据与渠道平台来提高客户参与度和使用率。当今，消费者和企业日益依赖数字生态系统，银行应决定参与各类生态系统的方式（自建、统筹协调或合作），并相应地调整其互动层功能。

    再次，银行需要重新设计整体客户体验和全渠道互动中的特定旅程。这包括实现客户在同一旅程中多种模式（包括网页、移动App、网点、呼叫中心、智能柜员设备等）间的无缝切换，保留并不断更新互动情景。

    重构AI银行的互动层需要对非银渠道客户互动设定好清晰的策略。银行在其平台内外构建客户体验时，需要采用设计思维，前端互动界面接口的设计应保证灵活性，从而满足客户定制化与个性化需求。后台流程也需要重新设计，并确保将数据捕获漏斗（如点击流）精细地导入银行的互动层中并确保消费者互动数据顺利采集入后台数仓。所有这些都旨在更细致地了解客户旅程并持续改进。

    打造AI决策层

    要在各互动渠道中准确实时地向数百万用户和数千名员工提供个性化消息与决策支持，银行需开发大规模的AI决策层。AI决策逐步可以完全替代或大幅增强人工判断，从而显著改善业务结果（更高的准确性与速度）、提升客户体验（更具个性化的交互与产品）、赋能员工（首先与哪个客户联系，并给出下一个最佳营销建议）以及加强风险管理（更早发现可能的违约和欺诈行为）。

    为建立强大的AI支持决策层，银行需要制订在整个业务领域部署数据驱动的机器学习（ML）模型和个性化推薦技术的全行路线图。为推动大规模开发AI决策模型，这些开发过程需要具备可扩展和工程化能力，从而保证解决方案的有效和准时交付。除了业务团队和AI人才之间的紧密协作，还需要部署强大的软件工具进行模型开发、提高流程效率以及跨团队分享传播知识。

    除了跨业务部门的大规模AI决策模型开发，日常业务流程中也需要嵌入AI技术。为了嵌入AI，目标业务流程可能需要重塑，同时流程中的AI决策还应该具有给最终用户“解释”的能力，能够溯源而不只是算法黑盒。为了验证AI决策模型的有效性，打造数据闭环是必要的，银行需要打造强大的数据采集和统计的基础设施与流程，以强化反馈回路，从而对AI决策模型不断迭代优化。

    此外，银行需要利用新的感知AI技术（如NLP、MV、虚拟互动机器人、AR/VR等）强化核心业务流程中的用户交流互动能力。在上述感知AI能力中，很多都拥有从根本上改变客户体验/运营效率的潜力。如果银行缺乏相应人才或者不愿自行投资开发上述技术，则可以通过API支持的系统架构，以最快速度从专业提供商处采购并集成这些新能力，并在沙盒环境中持续推动对这些技术的试验，从而测试和优化应用程序并评估潜在风险，继而决定大规模部署哪些技术。

    为实现上述认知AI决策和感知AI功能并与客户在整个生命周期互动（从获客到追加销售与交叉销售，再到客户留存与挽回），银行需建立企业范围的数字营销机制。该机制的关键在于将AI决策层产生的决策与洞见转化为客户互动层一系列协同行为措施，其中几项关键要素包括：一是从银行内部（如来自App的点击流数据）和外部（如与电信提供商的第三方合作）的多元数据源采集各类数据的管道和统计机制;二是汇总、开发和维护360度客户视图、并让AI模型能够近乎实时运行和执行的数据平台;三是跟踪分析用户历史行为并在互动层全渠道范围内前瞻性协同推送措施的活动平台。

    加强数据中台建设和数据治理

    在整个组织内部署AI功能，银行需要一系列可扩展、有弹性且适应性强的核心技术和数据功能组件。核心技术薄弱和数据功能欠缺，会影响上面被支撑的AI决策层和客户互动层。在数据中台建设和数据治理层面主要包含六个关键领域。

    未来技术和数据战略。银行应拥有与业务战略紧密结合的统一技术和数据战略，并就关键问题做出战略性选择：哪些资源要素、技能组合和人才应自建团队留在内部;哪些则应通过合作伙伴或供应商获得。此外，技术和数据战略需阐明目标架构各个功能栈组成部分如何在本层功能上支持银行转型为AI银行，以及如何与功能栈的相邻层进行交互。

    如何以数据治理支撑数据驱动AI。银行数据治理必须确保数据的流动性，即访问、提取和操纵数据的能力，这是AI决策层产生任何洞见与决策的基础。打破部门孤岛可提升数据流动性，让多个部门更好协调对同一数据的操作。数据价值链的起点即从所有相关内部系统和外部平台中获取数据，这包括将数据提取到数据湖中，清理并标记各类场景和应用所需的数据，以及对立即用于分析的实时数据（从现有或潜在客户处）与待清理标记以备未来分析的非实时数据进行分离。此外，在设计和构建集中式数据管理基础设施时，银行应开发其他控制和监控工具以确保数据安全性、隐私性和监管合规性。

    API架构。充分提炼和抽取公共应用和功能，形成灵活的乐高式API架构，能实现对银行内外部服务、产品和数据的可控访问。在银行内部，API可减少形成数据孤岛，提高技术和数据资产的可重用性。在银行外部，API可促成建立外部合作的能力、解锁新商机并提升客户体验。API架构具有巨大价值，同时也要确定其使用領域并建立集中化的治理机制以支持其开发和管理。

    云战略。企业IT系统上云是不同行业的公司的共同战略，银行也不例外，各项实践数据充分表明云平台（公有、私有、混合云）可实现更高的扩展性与弹性，这些特征对于数据驱动的AI银行战略至关重要。此外，基于云的基础设施能够降低IT维护成本，并支持开发团队的自助服务模式，从而通过提供托管服务（例如，在几分钟而非几天内设置新环境）加快创新周期。

    向平台运营模式过渡

    未来的AI银行需要采用新的运营模式，从而在企业运转的各个层次上实现必要的敏捷性、速度和独创性。传统银行团队的运作模式仍然是基于垂直条线和部门制的，这很难适应数据驱动的AI银行运行特点，转向平台运营模式是AI银行的更好选择。

    在平台运营模式下，跨职能的业务和技术团队依托不同的平台形成阿米巴组织。每个平台阿米巴团队都控制着自己的资产（例如基础设施、技术解决方案、数据资源等）、预算、关键绩效指标以及人才。另一方面，这些团队向银行的最终客户或银行内的其他平台提供一系列产品或服务。这些平台团队大致可分为三类：业务应用平台是面向客户或合作伙伴的团队，致力于存款理财、企业贷款和交易银行等业务领域创造业务成果;业务功能平台提供专业化能力/共享服务，在整个组织中建立标准和提供标准功能，如催收、支付基础设施、人力资源和财务等;基础平台则让应用和功能平台能够获取各类底层技术功能，如网络安全与云架构、加解密、跨系统登录/认证等。通过跨职能的阿米巴团队的平台运营，银行可以打破组织孤岛、提高敏捷性与速度，并让全行在目标和重点上实现统一。

    小结

    综上所述，向AI银行的成功转型需要在上述功能栈四个层次都开始实施转型。忽视任何一层的挑战或对任何一层投入不足都会波及全局，导致功能栈欠佳而无法实现银行的业务目标。

    务实的做法是，先评估银行的战略目标和KPI（如增长、盈利、客户互动、创新等），以及如何通过嵌入融合一系列AI技术切实实现该目标，并确保AI目标与银行战略目标吻合。在确保一致性后，可以对银行在四个层次的现状做全面诊断，以确定所需的关键转变、额外投资和新型人才，之后将这些认知转化为涵盖业务、技术和分析团队的转型路线图。

    针对组织特点量身定制执行方案同样重要。为确保转型的可持续性，可以采用双轨制，在能产生业务价值的短期项目与迭代构建长期能力之间取得平衡。此外，要有融合共生、协同天下的合作精神，可选择将差异化的核心能力保留在银行内部并从技术供应商与合作伙伴处获取非差异化的功能。

    对许多银行而言，在全行范围内大规模采用AI技术已成为战略必需，而能否在上述四个层次全面成功转型将决定AI银行战略转型的成功与否。

    （作者系浙江大学摸象金融智能实验室主任）