智慧化應用爆發，銀行如何打造敏捷響應的智慧中樞？ | 愛分析洞見

在宏觀經濟增速放緩和網際網路金融發展的雙重壓力下，銀行已普遍開始了數字化轉型，並向智慧化方向邁進。不過在智慧化轉型過程中，銀行也普遍面臨數字資產建設能力不足，資料治理和AI模型開發自動化程度低等問題。銀行需要搭建起適應未來的敏捷響應的智慧中樞。

近年來，中國經濟已進入中高速增長的“新常態”，受疫情影響，2020年，中國GDP總量更是僅實現2.3%的增長。

經濟增長放緩的大背景之下，金融行業ROE持續下滑、營收和利潤停滯不前。2020年，中國商業銀行預計實現淨利潤2萬億元，同比下降1.8%，近十年來首次負增長。與此同時，銀行業不良貸款比率高位攀升，2020年三季度末，中國商業銀行不良貸款餘額2.84萬億元，較上季末增加987億元；商業銀行不良貸款率1.96%，較上季末增加0.02個百分點。

銀行業淨利潤出現負增長，說明新增使用者的增長速度已變緩，銀行正式進入了“存量時代”。銀行客戶經營的重點正從擴充套件“增量使用者”向爭奪“存量使用者”發展。

此外，伴隨著網際網路金融的發展，簡單、便捷的數字化金融產品和服務已經成為了使用者的普遍選擇。使用者對金融產品的需求變得更加多樣，並且使用者旅程更加線上化，希望能夠隨時隨地獲取個性化服務。

面對“存量時代”的挑戰，大部分銀行已普遍展開了數字化轉型，並已開啟智慧化建設的旅程，希望藉助大資料、人工智慧等先進技術，能夠實現更加精準的客戶觸達、提高風控能力，從而提升運營效率、實現業務增長。

01 智慧化是未來銀行業務的基本特徵

對於未來銀行的業務形態發展趨勢，目前業界有各種各樣的提法，包括“開放銀行”、“API銀行”、“生態型銀行”、“Bank 4.0”等，以及浦發銀行去年9月在一份報告中首次提出“全景銀行”的構想。

儘管概念繁多，但對未來銀行業務形態的判斷至少有以下兩方面的共性趨勢。

首先，網際網路的普及使得客戶獲取金融產品和服務不再侷限於傳統的銀行網點，未來銀行需具備藉助網際網路等工具，在任何場景（如透過自建渠道、第三方渠道等）向使用者提供服務的能力。此外，由於客戶的需求可能在不同時間點反覆出現，未來銀行需能夠利用AI等技術不斷預測、捕捉並及時滿足使用者的持續需求。

其次，隨著前端產品的場景化，客戶對金融產品和服務也呈現個性化、差異化、定製化的趨勢。未來銀行需以資料和人工智慧為驅動，智慧地感知各類使用者需求，廣泛彙集行內外資料，構建各類需求模型，精準向客戶匹配和推薦相關產品和服務，以提升單客價值。

總結來看，智慧化將成為未來銀行業務的基本特徵，未來銀行需能夠建立起對使用者個性化需求進行快速響應的業務體系。而在風險防控方面，銀行也需要打破目前基於知識經驗的風控體系，能夠基於行內外資料，透過人工智慧技術搭建風控模型，建立起覆蓋貸前、貸中和貸後的實時反欺詐能力。

02 銀行智慧化應用落地面臨缺乏敏捷性的挑戰

智慧化的業務形態，意味著未來銀行的前端業務決策將越來越多地由資料和演算法模型驅動，而非簡單的交易規則驅動，底層需要一整套包含資料資產開發、AI模型開發和持續運維的技術架構作為支撐，可以稱之為“智慧中樞”。

目前，數字化建設步伐較為領先的銀行已加快了智慧化建設的步伐，從營銷到風控等領域搭建起一系列的智慧化應用。

從價值鏈上看，銀行營銷一般涉及使用者場景、使用者洞察、使用者觸達、使用者轉化和使用者運營五大環節。在這些環節中，AI技術都已有一定的滲透。例如，在使用者洞察環節，銀行普遍面臨對消費者資料開發不足的問題，AI技術的加持能夠透過制定營銷計劃、智慧推薦等實現更深層次的客戶洞察。具體做法是，構建整合的大資料管理平臺，基於海量內外部的資料來源（包括使用者的消費行為、社交媒體行為等弱金融屬性資料）構建使用者畫像，形成個性化的標籤，實現更精準的使用者觸達。

在風控方面，在不良資產率不斷攀升的現實下，很多銀行嘗試利用AI技術提升風控水平和管理效率。在這方面，目前銀行的普遍做法是，建立基於大資料的風控系統，從貸前准入、貸中監測和貸後管理環節入手，利用AI實現實時反欺詐、智慧審批、智慧預警和自動搭建黑名單等。例如，在貸前准入環節，隨著網際網路的發展，銀行普遍面臨欺詐手段更加隱秘和多樣化的挑戰。基於裝置指紋、活體檢測等身份識別資料，結合社交類和網路類資料，透過建立實時反欺詐模型，能夠有效識別隱秘的欺詐行為。

然而，總體上看，當前銀行智慧化應用還處在初期，核心問題在於對業務的敏捷響應能力仍然不足。

一方面，為了響應市場環境的變化，銀行智慧化業務的迭代速度在不斷提升，意味著演算法模型的生命週期縮短，需要更快地迭代更新。例如，在去年的雙十一，阿里突然宣佈將活動週期從一週提至兩週。訊息宣佈後，跟阿里簽署合作的多家銀行隨即面臨困境：此前這些銀行對接阿里的財務系統、營銷系統等均按照一週時間準備，時間的拉長給後者相應的後臺系統對接、資料分析、營銷推廣等工作造成極大挑戰。這實際反映出，當前銀行面對類似突發情況，仍無法快速響應業務需求的現狀。

而另一方面，智慧化應用的開發涉及一整套複雜的工作流程，需要業務人員和IT人員共同參與，將業務問題轉化為智慧化應用開發需求，再進行相應的資料資產開發和AI模型開發，最後進行模型測試、部署和持續迭代。事實上，由於整個智慧化應用落地的流程涉及到諸多環節，且自動化程度較低，一般來說智慧化應用開發會有長達數月的開發週期，導致銀行的智慧化應用落地面臨成本高、週期長的問題，無法做到敏捷響應。

具體來看，智慧化應用開發敏捷性不足的主要原因包括以下兩大方面：

第一，資料資產建設能力不足，導致資料價值難以有效發揮。傳統上，基於資料倉儲的資料儲存模式，數字資產分散在各個不同的部門和系統中，海量的資料資產沒有相應的識別與處理系統，經營管理者不清楚哪些是資料資產，數字資產複用性低、浪費現象嚴重。

數字資產建設能力的不足，帶來了兩個方面的問題。首先，科技部門對業務部門的需求響應慢，由於前期沒有沉澱好相應的資料資產，科技部門往往根據業務部門的某個具體需求進行資產定義和資產開發工作，整個過程十分漫長。

其次，資料資產建設能力不足，影響了上層AI應用的落地。資料質量對於上層AI應用的開發至關重要，AI模型的搭建涉及前期包括資料資產化過程的資料治理工作，資料資產體系的豐富度，如根據相應的主題提前對資料進行歸類，可為AI應用開發打下良好基礎。

第二，從資料治理到AI應用開發全過程中，面對從風控到營銷等智慧化應用場景，銀行普遍缺乏AI模型全生命週期的工程化能力。從資料治理、資料特徵工程、模型訓練到模型評估和管理等環節，自動化程度低，大量依靠人力外包開發，導致AI應用開發的流程漫長，業務敏捷性差。

比如在資料治理階段，資料對標、資料清洗等工作目前主要依賴人工進行；AI開發方面，目前AI建模仍然是一個十分複雜的過程，業務人員缺乏相應的工具自主搭建。

03 打造敏捷響應的智慧中樞

面對上述挑戰，未來，銀行需要搭建起更加敏捷的智慧中樞，需要在資料資產建設和智慧自動化的工程落地能力方面重點發力。

在資料資產建設方面，銀行需要建立起能快速響應業務需求的資料資產開發、管理和服務體系，更敏捷地支撐AI模型開發，實現資料與智慧化業務應用的快速打通。在智慧的工程落地方面，需要能夠利用無程式碼、自然語言處理、超自動化等技術對現有的BI技術進行升級，實現資料處理和資料治理的全自動化；而在AI開發和應用方面，基於AutoML技術，實現AI模型的快速搭建。

由此可見，智慧中樞將是一個由多個元件構成的技術架構體系，涉及從資料到上層應用的眾多系統。基於智慧中樞，銀行將能夠實現對業務流程的改造，搭建起對前端業務敏捷性響應的技術架構體系。隨著資料資產體系的完善和智慧自動化技術的廣泛應用，營銷方面，銀行將能夠充分利用好行內外資料，實現真正的千人千面功能、個性化的服務和精準的營銷推薦；風控方面，也才能夠做到將智慧風控實時地貫穿於信貸業務的貸前、貸中和貸後全流程管理中。

基於這樣的理念，目前已有部分廠商打造了相應的解決方案，山景智慧是其中的典型案例。山景智慧搭建了三大產品體系：Stella智慧資料中臺、Nebula智慧AI中臺以及Awake智慧業務中臺。

圖：山景智慧的三大產品體系

來源：山景智慧

如圖所示，Stella、Nebula以及Awake三大產品體系是基於一套體系進行設計的，三者相互協同，構成了一個完整的“工作流”。

首先，Stella是銀行內部資料資產和ETL任務的管理平臺，將分散在各種異構資料庫中的原始資料，系統化地生成資料資產服務，為銀行提供管理企業資料並形成資料基礎服務的能力。

在資料資產化的基礎上，Nebula為銀行提供AI模型工程化的平臺，利用AutoML技術實現建模的全自動化，包括資料自動清洗、多表自動聚合、自動特徵工程、模型自動選擇、調優和自動模型融合。最後，Awake將資料服務和AI模型服務包裝成可編排的元件，供銀行業務部門自由組合、創造資料和智慧驅動的個性化產品，並能在短時間內上線。

1）重視資料資產建設，奠定AI開發基礎

針對資料資產這一問題，目前銀行主要透過搭建資料中臺的方式解決。資料中臺能夠透過後設資料治理，基於業務需求搭建起標籤體系，完善對資料資產的描述，從而加強資料資產能力建設。業務人員透過標籤即可實現對資料的利用，提升IT人員響應業務需求的敏捷性。

以某國內某股份制商業銀行為例。此前該銀行基於傳統資料倉儲架構搭建了大資料平臺，然而卻面臨資料入庫後如何挖掘資料業務價值並快速響應業務部門取數需求的問題。該銀行選擇了山景智慧作為合作伙伴，搭建了一套業務中臺和資料中臺，透過資料資產化將行內此前資料治理的成果串聯。

資料中臺的搭建幫助該銀行建立了統一的資料資產，實現資產可複用；資料中臺實現了SQL的自動生成，科技開發人員不再需要用繁瑣的程式碼實現業務需求，提升了交付速度。總體上，資料中臺幫助該銀行實現了資料需求的敏捷交付，交付速度從月降到了天，同時也支撐了智慧營銷和智慧風控等AI上層應用。

2）提升工程化水平， 助力AI應用快速部署落地

當前，面對海量的智慧化應用場景，銀行一般採取單點部署AI應用，即煙囪式的建設的思路。這不僅導致AI落地速度慢，而且開發成本居高不下。銀行需摒棄這種煙囪式的AI開發思路，轉而透過提升工程化能力，推進AI應用的快速落地。

以銀行營銷為例，營銷的鏈條包括使用者場景、使用者洞察、使用者觸達、使用者轉化和使用者運營， 如果針對每個環節的智慧化建設都採取單點開發的模式，不僅AI落地速度慢，而且造成極大資源浪費。

目前，一些領先銀行透過搭建AI中臺的方式，推進AI應用的規模化建設。AI中臺是一套完整的AI模型全生命週期管理平臺和服務配置體系，能夠基於資料平臺服務，對演算法、模型服務的共享複用，對AI研發相關角色進行管理，實現研發流程的標準化、自動化，從而為前臺業務提供AI構建的敏捷化能力支援。

基於山景智慧Stella、Nebula以及Awake三大產品體系，構建營銷相關的智慧化應用將變得更加高效，大致包括以下流程：在接入營銷相關資料後，透過Stella資料智慧中臺構建的資料資產庫將涵蓋營銷鏈條中所有子集。基於資料資產庫，Nebula智慧AI中臺從中自動進行AI特徵提取，利用AutoML實現各類模型的自動搭建。

當客戶需要構建營銷相關的某個智慧化應用時，只需透過Awake智慧業務中臺，透過簡單的配置工作，包括服務編排和工作流建立等，即可實現AI應用的一鍵部署。

以山景智慧近期與某銀行合作的智慧營銷專案為例。該專案涉及一款新上線的信用貸款產品，作為該銀行近期業務擴充的主攻產品，行方希望能夠快速提升產品業績，並希望短期內在客戶營銷效率方面能有較大提升。

過往，該銀行開展營銷活動過程中，營銷客戶名單一般是業務人員基於經驗進行分析後用規則篩選獲得，分析及篩選的過程耗時較長，且營銷效果一般。

山景智慧向該銀行提供了基於三大產品體系中的自動建模元件作為解決方案，從需求分析、資料處理到完成模型並提供名單，整個過程僅用了10天。應用基於AI模型生成的名單進行營銷，營銷響應率較過往提升了4倍。

04 整體統籌規劃，加快推進智慧中樞建設

未來，隨著移動網際網路的進一步發展，使用者對銀行產品的需求將呈現更加個性化、差異化的趨勢；同時，技術的進步也使得風險控制變得更加隱秘化和複雜化，銀行需要儘快建立起以智慧中樞為核心的基礎技術架構體系，以實現對前端業務的敏捷化響應。

過往，銀行的數字化規劃更多是基於“煙囪式”的思路進行，從底層平臺搭建、資料治理到上層應用開發往往以單獨專案進行部署，不同模組之間的協同效果比較欠缺。未來，銀行應以業務需求和應用場景為導向，從專案建設伊始就應該做好統一規劃，推進智慧中樞建設。

作為統一規劃的一部分，銀行尤其需要強調將AI中臺和資料中臺兩大中臺作為有機整體進行考量。在此基礎上，銀行在推進智慧中樞建設的過程中，應著重關注資料標準和質量、資料資產化、全域資料自動化建模、模型釋出、執行管理和業務編排幾個方面的關鍵能力建設。

當然，智慧中樞的搭建也並非從頭開始，此前大部分銀行在數字化建設過程中已建立了龐大的架構體系，例如大資料平臺、資料湖等。銀行可以充分利用已有的底層能力，依託這些成熟的基礎設施之上快速構建智慧中樞。

總而言之，智慧中樞的搭建將是一個系統性的複雜工程。在技術實現路徑已較為清晰的情況下，更為重要的是意識和思維的轉變，那些敢於突破自身、敢於創新的銀行將能最快搭建起適應未來的技術架構體系，賦能業務發展，最終在激烈的行業競爭中勝出。