银行零售业务的数字化转型中,最本质的变革是从以业务为中心的产品和服务体系转向由数字化技术支持的以用户为中心的个性化零售金融服务体系。技术的发展使零售金融更加贴近用户、更了解用户、更好的服务用户。

事实上,金融业在经济链条中的命脉的特殊定位,决定了其从来都是新技术的最早的引入者、最快的实践者。仅仅以五年为单位的进化历程中,就经历了零售业务的绝大多数由柜台办理到电话银行、网上银行、手机银行和终端自助服务的转变,可以看到,近年来银行柜台前排长队的现象已经基本消失了,线上业务办理极大的提高了服务效率。

同时也需要看到,出于传统体系和制度的考虑,出于金融业务安全性质的定位,出于金融行业需要强监管的特殊性,在银行的零售业务的数字化演进中出现了曲折的历程。不同银行之间由于管理、人才和投入的不同,数字化服务的差距也比较明显。总体来看,当前零售银行的数字化演进的总体目标和大致框架是一致的。

一 全流程的数字化业务

零售银行全流程的数字化业务并不是简单的业务线上化,而是需要以用户为中心,在各种金融业务场景下为用户提供随需的数字化服务。在安全的线上环境和合规的监管要求前提下,为用户提供便捷、定制化、温暖甚至超预期的金融服务。

这就要求零售业务(1)实现全面的闭环数字化。避免出现线上办理过程中,还需要线下认证、签名之类的中断现象。在用户的开户,转账,存款理财,消费支付,各种类型的贷款服务中,实现全流程的数字化服务。(2)打造极致的用户体验。这也是以用户为中心的理念的最直观的体现,需要竭力提高产品和服务流程中的用户体验,解决用户在使用数字化产品和服务的过程中出现的加载缓慢、界面卡顿甚至中断退出、流程重复繁多、反馈时间难以忍受等等一系列影响用户体验的问题。(3)构建智能的金融服务。金融行业的特点是风险经营,当前零售金融的内外部环境越来越复杂,影响因素或风险参数也越来越多,通过人工流程、审批、决策将越来越难以满足安全性和时效性。这就需要通过数据和算法等数字化技术辅助进行智能运营和决策,想用户之所想,根据用户的特点进行服务,甚至提供超出用户预期的优质服务,同时利用数字化技术加强风险控制,打造安全、高效、温暖的定制化金融服务。

二 数字化运营

数据的获取,用户隐私和数据安全。随着各种手机APP对个人用户很多私有数据的无度攫取,用户隐私和数据安全一直是数字化过程中重要的关注重点。金融业务的数据尤其敏感和重要,加上监管力度要求,当前金融领域对于数据安全的重视和所做工作都是比较先进的。对于终端用户数据的获取,(1)不关联用户关键信息。运营中获取的用户数据不能关联到例如手机号码、身份证号等敏感信息,在关键信息和运营数据之间需要建立防火墙,用户画像不关联具体用户,保护用户隐私。(2)获取所需数据最小集。不获取必须数据以外的范畴,例如只有在用户操作选择图片时才申请访问用户相册权限,只在用户需要访问通讯录的时候才申请访问用户通讯录,只在业务需要定位用户位置的时候才申请访问并获取用户位置等等。(3)获取尽可能多的场景化用户操作数据。在保护用户数据隐私和数据安全的同时,出于数字化运营的需求,要尽可能全面、细化地获取用户在各种场景化的操作数据,例如用户在开户并购买理财时的全序列数据,统计用户操作跳出率及为后续模型分析、业务优化做准备。采集用户操作习惯数据,可以为后续数据风控提供支持,例如按键停留时间的细微差别,操作、手势习惯数据等等,这些数据将支撑后续的数字化风控,其细节深度、数据广度在人工风控中是不太可能实现的。

数据存储,可视化管理。通过终端收集的数据,或者第三方的运营数据通过数据总线进入统一的数据仓库。数据存储可分为三层,(1)原始数据层。存储未经加工的原始数据,实时性要求低,可以基于Hadoop Hive构建分布式大数据存储,使用SQL接口处理来自数据总线的存储任务和来自上层的批量化查询请求。(2)有效数据层。基于原始数据进行整理和根据需求存储的结构化或者非结构化但符合应用需求的数据仓库,定期从原始数据仓库更新,并实时向应用层提供数据查询服务。(3)应用数据层。为用户系统,账户系统,各业务应用系统,风控系统等应用层构建相应的数据仓库体系,支持各算法模型和数据模型的训练和决策。各层间特别是应用数据层需要提供标准的可访问API,便于模型调用和数据分析,实现数据驱动的数字化运营的基本支撑。基于标准数据存储API,通过构建基于BI的运营驾驶舱,为数字化运营、内部的信息流通提供更加直观的数字仪表盘。乃至进一步构建物理世界业务的数字世界映像,数据存储体系和数字映像(Digital Twin)为后续的数字化智能分析和决策体系提供运行环境。

人工智能模型和数据模型管理。如果把整个数字化运营比做运行的汽车,那么数据即是电力系统,而人工智能分析模型则是各种提供原动力的电机发动机系统。通过对各应用层数据的应用,结合深度学习和强化学习等智能算法,即可给出各应用场景下的用户画像,便于为用户提供定制化的金融服务。通过用户操作数据和账户系统的数据支持,可以训练各风控系统模型。通过大数据判研用户消费和信贷数据,训练和应用相应的智能算法,为市场定价和风险管理提供决策依据。构建用于训练、管理、优化、部署智能模型和算法的管理体系,可以为基于用户、账户和业务的全流程数字化映像的智能决策提供动力支撑。

构建用户、账户、业务全流程数字化映像。由数据采集,数据管理,智能算法和具体业务有机地结合起来,就构成了零售金融业务整体的数字化映像。基于数字化的业务体系,实现场景化模拟和实施全流程业务,从而实现业务优化,个性服务,自动运营,缺陷定位,风险控制,智能决策的数字化生产运行。

三 智能决策

基于数字化映像(或数字孪生, Digital Twin) 和人工智能算法实现零售金融业务的智能决策。现在很多银行都推出在线自动审批的无抵押信用贷或者消费贷产品,根据用户的消费信息和履约水平数据,可以在很短的时间内给出信贷额度和信贷审批放款,完全没有人工操作和审批环节,这即是智能决策最显著的应用。

当然,智能决策的范畴还不仅于此。随着数据纬度和广度的不断扩大,依靠人工去审核数据或者主观判断已经很难去准确输出决策了,尤其在用户众多,行为繁杂,环境多变,需求各有不同的零售金融业务中,因此,基于数据和算法的智能辅助或自动决策具有处理海量数据、高时效性的优势。在个性化金融服务,业务优化,风险控制或者平时的运营活动中,都可以依据智能决策的输出,为用户提供相应的产品和服务。

最后修改日期: 2021年12月21日

作者

留言

撰写回覆或留言

发布留言必须填写的电子邮件地址不会公开。