商业银行 数字化「银行物联网」

互联网 2023-06-26 09:15:10

今天给大家普及一下商业银行 数字化「银行物联网」相关知识,最近很多在问商业银行 数字化「银行物联网」,希望能帮助到您。

进入数字经济的时代,数据智能被认为是金融机构推进数字化的重要引擎,也涌现了一些先行的探索者。由蚂蚁集团发起成立的网商银行就是其中一员,其开创的数据智能化运用模式,有效实现了网商银行的规模化科学决策,大幅提升了基于因果推断的决策,从以往只能支持管理层的核心商业决策,到全行80%的员工都能充分基于数据进行因果推断决策。

如何全面发挥数据价值为银行降本增效,数据智能未来的想象力在哪里?我们对话网商银行数据智能部负责人傅志斌,他从政策背景和行业趋势出发,结合网商银行的实践,详细解读了数据智能的创新模式和发展潜力。

什么是数据智能?为什么金融业需要数据智能?

傅志斌:数据智能一个跨学科的研究领域,结合大规模数据处理、数据挖掘、机器学习、可视化等多种技术,从数据中提取出知识和信息,在保障安全和隐私的前提下加以有效利用。我看过一个形象的比方,如果说数据是这个时代新的“石油”,那么数据智能就是那个“炼油厂”,把它变成汽油,成为可被应用的能源,从而驱动行业的发展。

很多行业或企业都有风口期、技术壁垒阶段,但长期看,企业要回归到经营的本质,拼成本、拼效率、拼整体运营能力,这些正是数据智能的硬功夫,数据智能的应用是一条降本、增效、提质的创新道路。

此外,政策也为数据智能在金融领域的发展提供了支持。数据能力建设现在已经上升到国家战略,2022年,中国人民银行印发的《金融科技发展规划》中提出,充分激活数据要素潜能,搭建业务、技术、数据融合联动的一体化运营中台等,都是推动我国金融科技发展的重点任务。

你认为银行业在数据驱动下的发展,面临哪些挑战?

傅志斌:从整个行业来看,商业银行在长期业务发展过程中积累了海量数据基础,对客户、账户信息的存储和使用有健全的管理机制,但由于部分银行早期业务发展对数据依赖度不高,所以对数据作为生产要素管理投入上仍需进一步加速,加快数据驱动转型。

作为一家原生数字银行,网商银行没有线下网点,核心业务都是基于小微的经营数据展开的,成立七年来,累计已经为4900万小微经营者提供了数字信贷,他们中有电商卖家、街边小店、也有货车司机和做生意的农户,面对这样的用户量级,以及服务领域和对象的多场景、高难度,都决定了我们必须通过数据智能突破效率极限,实现商业的可持续发展。

我们起步比较早,也更早感受到对数据智能的迫切需求。所以我们有时候会调侃,网商银行既是数据智能的天然“培养皿”,可能也是数据智能最适合的应用场。

网商银行是如何开拓数据智能的应用场景和创新模式的?

傅志斌:网商银行数据智能运营模式成为本行的数智大脑,从顶层运营决策到底层用户的运营策略落地,全面实现了数据化和智能化驱动。

单一的数智产品可以解决局部问题,优化某个环节的效能,但很难系统性、全面地帮助到企业。网商银行持续在探索和利用数据要素进行运营提效,打造了一套全新的数据化运营体系。这套体系主要由四个支柱构成,分别是商业分析、数据科学、数据产品、智能算法。他们在组织上紧密协同。

商业分析团队的角色类似于业务负责人的参谋,作为数据化运营的指南针,协助业务进行更精准、更长期的商业决策;

数据科学家在业务确定好策略方向后,在执行侧支持各业务团队在各金融产品上,多层次、多维度地进行基于实验的数据化运营,持续探索提高业务转化效率和客户体验;

数据产品则让全行不同角色的人都成为数据应用专家,一整套支持业务从顶层决策驾驶舱到一线业务精细化运营看数的数据产品矩阵,保障了各环节实时可分析、进度可视化、决策智能化,极大的提高了效率并节省了成本;

智能算法已成为数据化运营的基础能力,网商银行基于机器学习训练和部署平台,结合离线实时各类数据,在营销活动、客户体验及产品能力优化等多方面使用智能算法进行优化,如针对不同的用户展示不同营销权益来提高用户转化率,利用自然语言处理和意图识别算法通过服务机器人的放松语态更快更好地服务客户的业务问题和诉求。

数据智能如何与数字金融产品的有机融合,创造更大的价值?

傅志斌:数智化运营中最核心的理念即通过线上随机实验(OnlineControlledExperiment)平台的方式进行大量的A/B测试。在谷歌,每年要做10万次以上的A/B实验,而对于小微金融领域来说,当业务探索方向多、场景复杂时,常常需要产品、运营、算法等多个团队协同,对 A/B实验能力的科学性、体系化也提出更高的要求。从实验内容配置、实验分流管理、实验运行监控,到实验复盘分析,一套完整的数智化科学决策A/B实验能力架构,才能保证版本任务和排序互不干扰,灵活配置测试方案、科学快速分析测试方案效果,大幅减少人力的同时,数智化运营效能也得到大幅提升。

金融服务非一般商品推荐,用户还会考虑安全感、便捷性等,这也对用户的心理预期、意愿和行为研究提出了更高的要求。实验不仅是得到单次认知,通过实验这一工具场,犹如一个基因筛选场,让好的认知能沉淀下来,避免低水平的重复。

例如展示平均可得的真实额度效果远好于营销噱头“最多80万”、更用户视角的准确产品描述能将提额申请率提升21%等,多个实验案例显示小微用户更希望真实感、小确幸,以及清晰准确的内容,可以降低用户猜测理解成本,因此在面向小微的金融服务产品设计中,落实真诚准确的表达原则更能让用户感知认同,在互联网金融各类产品服务众多、营销环境嘈杂的背景下尤为重要;在网商的多个实验场景中,都发现页面/模块等的加载呈现时间的性能提高,均会带来用户点击和行为的显著提升,也再次通过数据印证了在技术上的持续投入能让业务和用户双赢。

能否再举个例子,说明数据智能是如何提升运营效能的?

傅志斌:网商银行有个横向底盘业务叫金融信用成长,在这个业务上涉及到页面版本样本、产品功能、权益运营、算法策略等多个复杂场景的探索优化。在过去,每次做实验都需要技术投入较多时间开发,需要等技术排期,从提出实验需求到实验上线的时间都需要以周为单位,实验成本比较高,而且因为没有体系化实验管理能力,实验上线后也无法感知有没有被其他实验干扰,也无法及时看到实验效果,种种因素导致过去在业务探索优化方面的运营效能较低、数智化程度较低。而现在,我们创新设计搭建了一套完整的数智化科学决策A/B实验能力架构,深度整合业务系统和实验管理平台,涵盖实验内容配置、实验分流管理、实验运行监控、实验复盘分析的实验全流程环节,保证各场景之间的实验互不干扰,实现实验便捷管理,实验方案灵活配置,从提出实验需求到实验上线只需要1-2天,减少技术、BI、算法的至少一半人力投入,而且实验效果能快速分析,实现科学决策,大幅提升数智化运营效能。

除此之外,数据智能在产品创新探索上也能发挥巨大优势。为了更好的服务客户,我们给客户提供了很多的提额任务,一般我们给客户展示的都是提额文案。但是有些提额任务的提额成功率是非常高的,考虑到权益对于客户来讲有更强的获得感,所以我们想把这些提额任务做成权益,以权益的形式吸引用户来做提额任务。但如果是要做成真实权益,需要投入比较多的技术资源。为了更加高效合理利用技术资源,避免资源浪费,所以需要先验证这个想法是有效的。初期我们先构建了提额权益化形式表达,通过A/B实验,发现与普通任务表达相比,提额权益化形式表达的提额申请率提升22%。之后正式投入更多资源打造了一款以“额度”为权益的营销工具——“提额券”,通过这种权益化形式服务更多客户拿到了更高额度。通过更多各个方向的数据智能提升运营效能的探索,让企业在尝试创新服务时的成本更低更高效。

你认为发展数字智能,对相关人才有哪些具体的要求?

傅志斌:数据智能对人才的要求不仅是专业性,还要有躬身入局的业务积累和视角。以网商银行的数智运营工作的核心角色即数据科学家为例,他们需要熟练掌握统计学、因果推断、大规模互联网数据处理挖掘和可视化、实验设计和分析解读,同时还需要对所负责的业务条线的金融业务专业知识有足够的积累。

无论是人才的选拔还是培养,都非一日之功。网商银行从成立之初就坚持技术立行,走数字化发展的道路,依托线上化的方式为客户提供服务。2021年,我行信息科技投入增长59%,科技人员占比62%。

我们的数据科学家团队是从2019年开始搭建的,初步建成能服务网商银行各项金融产品数据驱动、迭代优化的能力,支持网商各业务团队在各个金融产品,如面向小微企业和个人经营者的信贷产品的流程、UI、业务模块、产品性能等,进行基于实验的数据化运营,大大提高了业务基于数据进行产品能力提升的决策效率和质量。

你怎么看待数据智能在未来的发展趋势和前景?

傅志斌: 我们的实践下来至少有两个趋势是比较明显的,一个商业机构对数据智能的预期需要回归数据科学技术的本源,即解决商业业务问题,而整个过程中最大的难点本质上是对物理和商业世界的核心问题的数据分析和挖掘模型的抽象,比如在SKU极少(例如产品的版本)的情况下到底应该算是个推荐算法问题还是个因果推断多treatment的问题,不同抽象背后代表的是完全不同的解题思路,一个是事倍功半一个可能是事半功倍;过去十年是AI技术大发展大行其道的十年,整个社会和行业存在一种只有AI能支持金融行业未来发展的迷思,但随着AI应用和发展进入瓶颈,我们看到除了在NLP语音图像等领域AI有巨大优势外,在扎实解决客户的产品创新营销等领域,真正在现阶段和未来很长一段时间内发挥主导左右的还是数据科学相关的技术如因果推断A/B实验统计分析等来解决业务主要问题,AI更多的是在一些合适的场景做为嵌入模块来应用,这是我们认为的第一个趋势;

第二个趋势是数据智能的规模化诉求和产品化路径,网商银行经营到现在,已经不仅仅是风险管理,基于数据的决策流已经涵盖从前端的产品设计优化供给匹配,中后台的客户服务,到资金流动性的预测管理,每个银行的职员在自己负责的业务流程中都形成了基于数据进行因果分析和决策的习惯,几千人的银行对几千万的客户的全生命周期的服务诉求,如果每个环节都去做数据化决策优化,如此庞大的数据决策流的诉求但靠人力已经无法支持,所以我们在构建一整套基于网商业务组织和深植于网商的完整的数据产品体系,涵盖从营销活动,产品实验分析,渠道数字化,行业化洞察,流量额度风险等方方面面的一站式数据产品平台,背后是充分利用和整合最新的大数据计算平台隐私计算和算法平台的各类自研因果推断相关的统计技术和算法,通过产品化服务的模式支持网商银行全行数据智能的规模化诉求提升全行的从管理层到每一位工作人员的科学决策能力。