在2019年11月1日举办的2019金融科技产业峰会之“人工智能在金融领域应用”分论坛上，中国信息通信研究院联合行业协会、金融机构、科技厂商、高校等多家单位，邀请知名学术界专家、行业内顶尖企业工程师，就人工智能在金融领域应用的相关议题开展交流，希望为金融及技术领域从业者提供交流的平台，共同推动行业健康发展。北京华宇软件股份有限公司金融事业部副总经理杨海涛在论坛上做了关于人工智能在金融领域应用——《零售银行业务智能化管理》的主题演讲。

北京华宇软件股份有限公司金融事业部副总经理杨海涛

杨海涛：各位好，我是华宇软件负责金融的杨海涛，今天我跟大家一起沟通的关于银行在零售业务中智能化管理的一些建议，我准备的内容是两部分，第一部分是营销的管理智能化，另外一部分是风险管理智能化。但是我看了一下我们之前有几位嘉宾在风险管理合规方面做了一些经验分享，所以我把主要的精力放在营销管理智能化，因为我原来一直在银行做工作，没有涉及到IT的内容，所以我一会儿讲的基本上都是围绕着业务的内容来介绍的，而且表达一下我们对银行在近几年而且未来十年中零售战略转型主要的发展趋势，这个发展趋势是基于我个人将近20年的银行经验来判断的，里面有很多内容我觉得应该给各位同行一些借鉴，作为以后不管是创业还是新产品的开发，可能会有一些帮助。

这是我们在近几年跟商业银行沟通过程中了解到的银行在零售业务中存在的一些普遍问题，这些问题我们现在往回来看，基本上我个人觉得每一个方面可能都会在未来一小部分每一块都会帮助银行起到很大的作用。

第一个存在的问题是过度放大互联网金融对零售业务发展的影响，我们来做这一块总结是今年年初，今年也发生了一些变化，最主要的变化可能各位也了解，从8月底开始到现在关于外部数据，商业银行和互联网金融在使用个人外部数据的方面存在着一些变化，这个变化对商业银行业务的直接影响就是他们原来在做互联网金融，第三方资产平台对接助贷风险兜底的业务可能会出现较大的萎缩。第三方风险平台以后再去做兜底做助贷的业务会卡得比较严，未来银行在做互联网金融整个大的方向可能在近两年会有大的变化，商业银行可能会通过自己的金融生态加上外部的头部公司这种紧密结合的方式，必须和平台公司、头部公司做这种深入的合作去真正地用到平台公司内部数据和银行内部数据相结合，去给这些平台公司的客户进行金融服务，这是一个比较大的发展趋势。

另外一个发展趋势，银行现在已经开始转向于对内部客户的深度挖掘，因为前几年商业银行有一个大方向是什么呢？他们想做业务做的比较快，小步快跑，跟第三方资产平台来对接，来迅速放大这个业务，但是这种客户在银行内部仅仅做一笔业务，放一笔贷款，后续所有的中间业务没有任何机会进一步深入地挖掘客户。而现在目前整个从监管的角度，从现在目前数据使用角度来说，一步步地现在都要往回撤了，鼓励商业银行去深挖内部的客户去，这个是我们来判断整个商业银行零售大转型的一个最基本，也是最重要的大方向。

第三个问题，从2014、2015年开始，各家商业银行，尤其是中小银行陆续启动了CRM系统建设，客户画像体系大数据平台。很多的公司尤其是科技公司进入到客户画像、CRM管理系统，我们从银行的角度分析这个事情，现在出现一个问题，大量数据平台建设，大量客户画像，而且我们在接触很多城市商业银行的过程中发现主要的问题是什么呢？他们提到，我们做这么多项目，数据做了很多，我们启动客户画像系统的时候，每家公司公司去比拼的时候不是比拼的技术，不是我能给银行带来什么样的应用，这个应用到底有没有效果，可能是什么样子。而是比拼谁的公司提供的客户标签更多一些，所以进入了一个怪圈，大家都认为提供的客户标签越多、越全越好。反过来我们看的时候，就发现一些问题，大量的数据标签多余的数据放在里面去，没有任何用处，好像模型很多、数据量很大，但是真正能帮助银行起到作用的根本就没有。

具体来说，公司在给银行打标签、打客户标签的时候多数都是拿其他银行的年龄标签直接套到这个银行来，23岁以下是大学生，23岁到30岁是步入事业公司期，退休的是60岁以上的，这就是科技公司在做客户画像的时候大的一个问题，拿着现成标签直接去做。我给大家简单介绍一下，在西部地区或者西北部地区实际退休年龄和真正退休状态是不一样的，60岁可能是退休，但是他50岁以后基本上就不会从事一些工作。而在南部地区、东部地区可能到65岁、70岁还是在工作中很有活跃的特征，拿年龄打标签各家银行是不适用的，分析出来整个的特征对银行业务的促进是没有任何帮助的。我们看银行经历这几年去看，我的客户标签、客户画像怎么去做，都会好好琢磨琢磨，我们之前做的是不是有效果的，这种效果是怎么出来的。

第四个问题，外部数据等同于大数据，智能风控、大数据，外面很多公司在说大数据风控，基本上全指的外部大数据做风控去，外部数据面临着个人信息保护法出台，大数据风控就是指拿着外部数据在做，以后在商业银行整个的行业里面我个人觉得没有太大的发展前景。这个大数据前几年用得是非常大的，各个渠道，运营商、工商、公检法的数据，互联网金融数据，我们做过几个项目过程中，我们发现外部数据和银行客户实际违约率高度相关的数据很少，我是从银行出来的人，在这里说这么一句比较现实的话，大家之前拿着这个概念去炒估值，去要投资，其实真正能帮助银行风险进行控制的基本起不到多大的作用。我们前一段时间给一个北方的农商行，资产规模一千亿以上的做模型开发项目，我们发现他们正常的客户申请每个月基本上一万个左右的客户，没有使用外部使用、没有使用各种头部外部公司的评分，客户的实际违约率和通过率是正常平均的数字水平，但是用到外部数据以后违约的客户没有一个很大的下降，但是审批通过率大幅下降。整个金融科技在零售、在风险控制这块一定是向着真正能帮助银行客户把这个零售客户的风险识别出来，不要做花里胡哨的一些东西，这是我们的一个观点。

第五个问题就是营销活动与风险管控仍以个体经验判断为主，在互联网金融这块，在我们这个层面我们还是看营销活动，这个我会具体介绍一下我们的一个观点。

第六个数据分析与统计建模无法对业务进行持续性的支持，刚才星环有一位领导、专家也提到了。现在商业银行在做模型的时候，不管做营销模型还是风险模型他们只关注在前端的，就是第一次的模型投产的时候这种效果是什么样子的，而他们对后续的不管营销模型还是风险模型后续维护的力度是非常差的。

第七是零售管理的分散化。这是我们做的简要的智能化营销管理闭环体系的内容，现在大家可以看到，正常的零售数据化营销管理分为四个闭环，这四个闭环一定是一环扣一环，在第四个环节一定把结果返回到第一个环节里面去。现在目前在商业银行做的最多的，现在最关注的是在第二和第三，产品设计、渠道选择和运营主题，和第三个环节执行管控里面的一些运营管理，下面管理可视、归因明晰、决策支持都做的比较弱。而第一个和第四个有些公司在做，比如说做一些客户的行为分析，然后其他的一些算法、模型，但是有一个大的问题是什么呢？就是看起来做的是很多的模型放在里面，但是实际给银行创造的价值、效果不是太明显，比如说我们在做零售，帮他们来做零售管理的时候，有一部分客户群体是银行最主要的客户群体，就是代发工资客户，据我们调查、通过几个银行调查，每家银行代发工资客户占零售客户的比例基本上达到30-40%，股份制银行除外，我指的基本上上城商行层面、农商行层面，国有的银行大部分都是以对公为主的业务结构。30-40%的代发工资客户有一个大的特征是他们在工资下发的三天之内，70%多的客户会将资金划出去，划到其他银行去，就这么一个小的方向我们都可以创造一个产品、创造一个模式去帮助商业银行怎么来把这些容易流失掉的代发工资客户资金挽留住，大程度地资金挽留住。这不仅仅是数据分析、数据挖掘单独地能完成了，而且把客户挖掘出来之后，我要根据客户不同的特征通过业务如何设计产品、如何设计一些活动，能把代发工资的客户资金真正地挽留下来，这是我举的一个简单的例子。我们一定要通过自身的能力去真正帮助银行解决一些实际的问题。

这个是我们做的零售大数据分析框架，这个框架在我们做的过程中其他公司也有一些具体的方案在这里面，但是在整个方案设计过程中缺少最上面那一层，就是执行层，就是一定要帮助银行设计产品、设计活动，通过更强有力的咨询服务、业务策划的服务，通过这个系统来真正地把这个效果传达下去，所以执行层这一块每一个环节都会有相应的一些系统或者是渠道、或者平台去接收智能化模型拿出来的一些结果返回到整个的银行的前端客户，这样才能形成一个很有效的活动效果或者营销管理效果。

由于时间关系，我就表达到这里，都是观念性和方向性的，后面的时间可能不够了，有需要我们下面进行探讨，谢谢。