银行智能化的“务实进化”

　　▲大数据尖端应用的典范——IBM公司的Watson，是指IBM的超级计算机，以及相关的认知计算、人工智能、自然语言分析处理技术，当军人用户准备退役转向平民生活时，可向Watson咨询。图为USAA客户使用Watson
 

　　

　　随着认知计算与互联网和物联网结合的日益广泛，“在智能分析基础上对客户需求的实时感知和响应能力”正在成为数字化时代银行新的核心竞争力，这取决于来自银行内外部的两个助力因素：一是实时获取个人客户消费生态链和企业生产经营价值链上外部情境化资讯，利用大数据的效率效能、先进建模、文本分析、跨渠道资讯整合，支持实时智能化决策；二是在银行内部构建融入了客户和商机识别、风险预警和预控、运营质量和效率等智能分析事件库和规则库的流程体系，并基于企业级业务模型建立支持实时个性化营销、实时精准风险控制的组件化、参数化信息系统。这两个助力因素可有机结合，使银行在风云变幻的金融市场中脱颖而出并获取新的竞争优势。

　　迄今为止，类似于“认知计算”智能分析这样的大数据尖端应用仅发生于美欧、新加坡、澳大利亚等成熟市场的一些老牌国际领先银行。这个问题的另一个视角是，引领大数据尖端应用创新的为何不是类似于中国这样高调发布大数据应用宣言、且居于银行客户数量、资产数量、移动网络用户增速鳌头的新兴市场国家的银行？

为什么仍是老牌国际领先银行在引领智能化创新

　　我们从大数据尖端应用的典范——IBM公司的Watson切入，来分析银行智能化创新的发展态势。

　　Watson的中文名译为“沃森”，其命名来源于IBM的创始人Thomas J. Watson。这一富有历史意义的名称指IBM的超级计算机，以及相关的认知计算、人工智能、自然语言分析处理技术，Watson的特点在于人机交互、理解自然语言、自学习等认知计算能力。用通俗语言来说，大数据只是Watson“认知计算”的信息原料而已，“认知计算能力”的核心在于“对何种规则触发何种事件的知识积累，以及在此基础上对新信息的类比分析能力——也就是业务流程中保存的规则知识”。

　　截至2015年3月份，Watson在全球应用的100家客户中一半以上来自金融行业，在金融服务的应用领域主要在零售银行、保险和财富管理，应用的地点主要发生于美欧、新加坡、澳大利亚的一些老牌国际领先银行。其主要作用有四个方面：一是交互，例如与客户在线对话交互，辅导客户使用电子渠道，提供使用建议；二是决策，为消费贷款、保险、按揭等审批人员提供决策支持，在Pad和手机为银行财富管理专员提供综合资讯支持和关注点提示；三是洞察，收集各渠道客户交互数据，丰富银行操作型、分析型客户视图和风险评估视图；四是政策，例如协助银行制定符合监管要求的产品政策，给理财专员提供建议。下面在交互和决策支持方面试举两例：

　　USAA（United Services Automobile Association，美国联合服务汽车协会）是美国服务军人的主要多元化金融机构之一，当军人用户准备退役转向平民生活时，可向Watson咨询,IBM的Watson Engagement  Advisor能回答退役军人关于找工作、购买房产、退伍福利等相关问题。USAA的用户需求是：USAA已经拥有极高的军人客户满意度，并需要将之维持下去；他们向军人提供服务，帮助他们由军队生活向平民生活过渡，这家公司拟设法与 30% 的不活跃成员建立联系。Watson的解决方案是：处于过渡期的军人可以访问这家公司的网站，并向Watson 询问有关离开部队的具体问题；Watson应用效果：Watson通过分析大量银行数据，针对军人提问提供有把握的解答，与此同时，通过积累提升价值和体验。Watson应用益处：继续巩固在成员体验方面的领先地位，促进不活跃成员进行互动，使其在退役后与USAA建立长久关系，降低USAA运营支出。

　　Watson的应用需要与银行合作，通过一些事先的培训，使Watson能够理解投资人的需要，在和客户沟通时，基于对客户个人情感的了解，个性化的事件和新闻，然后提供基于事实和证据的理财建议，提高客户体验。其作用在于加深顾问可投资客户之间的关系、提供基于证据的个性化推荐、通过结构化和非架构化数据提供可操作的客户洞察能力。作为花旗集团的金融助手，Watson本人不用去华尔街上班，它提供的是云服务，领取绩效工资，只要能够为金融机构实现增收节支就可以按一定的比例提成。通过研读年报、招股说明书、贷款绩效、收益质量并进行分析思考，Watson可以提供一个更加综合的全景图，在给出证券组合建议之前，还能够从普通的指标中发掘出情绪苗头和新闻。Watson还监控交易、新闻来源以及Facebook以帮助管理外汇交易风险。在澳新银行（ANZ），Watson把电子化和顾问服务结合的服务带到财富管理中心，ANZ全球财富管理CEO说：“我们希望Watson 在一开始能帮助我们处理保险不足的人群，然后提供财富规划建议。逐步将能力推广到现有的客户，为他们提供财富管理服务的建议。” 2015年3月，IBM宣布Watson 与星展银行（DBS）合作财富管理服务部署上线，该项目将Watson与DBS原有OCRM、ACRM以及理财资产配置自动化流程整合，节省客户经理和理财经理与客户沟通和系统操作时间，为理财经理提供智能化的财富管理顾问支持。此次成功部署最为关键的因素是，DBS自身已在财富管理数据挖掘分析和资产配置方面有了较多的积累，Watson起到的作用是将自身的认知计算和自学习能力融合进DBS的流程和数据体系。

　　上述案例的成功要素是在大数据分析应用能力上的“强强合作”，亦即外部公司强大的大数据认知计算技术，以及银行强大的业务分析部署能力和数据架构管控能力。这些引入和应用Watson认知计算技术的银行有一些共同特点，它们都具备较为深入骨髓的基于数据和事实的管理文化，扎实的综合运用数据挖掘和流程挖掘的业务分析能力，以及一体化对接的应用架构和数据架构管理基础。

　　与之相比，中资银行在运用大数据支持智能化建设方面仍处于探讨阶段。相对于容易吸引眼球的是拿来说事儿的国际银行大数据应用案例，中资银行为何在大数据应用上滞后的内在根因容易被人忽视。

中资银行推进智能化建设的适用策略是什么

　　尽管很多中资银行已经从战略高度上宣称拟推进大数据应用，但是由于历史累计的大量缺乏数据治理、数据标准不统一的竖井式系统障碍、缺乏数据共享机制的部门银行用数藩篱限制，尤其是较之国际领先银行严重滞后的业务分析能力，其现实基础是连多年来持续投入巨资建设的“数据仓库”都远远未能充分发挥应用价值，就算再花费很大成本建立包含内外部大数据的“数据仓库”，无论在智能化建设的投入产出效率或者是精准适用效果上都存在很大的不确定性。

　　中资银行为了获得更高层级的智能化成熟度，宜采用逐步的、务实的进化方式，而非革命性的突变方式。如果没有进化作为基础，则可能会面临投入产出效率的不确定性。为了从现状进化到更高成熟度，当务之急需提升两个基础能力。

　　一是培育提升业务分析能力。需要从分析具体的客户需求挖掘或风险预警预控问题，以及需要的业务能力起步。业务团队需要定义和准备一系列“需要的问题”，譬如反洗钱、欺诈侦察、操作风险、产品创新和客户关怀方面的具体问题。而且所有的问题最终需要关联到具体的流程上，毕竟没有流程意味着没有行动和落实。为了回答和解决这些问题，需要设计流程，明确责任归属以及识别源数据，并收集、分析数据，将结果灌入到相应的分析型流程中，否则业务无法贯彻推广落实。

　　二是夯实数据架构和管控能力。无论银行是想建立领先数据分析手段，还是决定建立大数据生态环境，都需要强大的数据基础。为了做到这点，数据架构的角色和责任都是非常重要的，是需要在数据战略中明确细化的。缺乏实际意义上发挥作用的数据架构，以及模糊的责任和角色，意味着所谓的数据架构文档只是为了报告而准备的。那么数据架构及其管控的核心是什么呢？就是继承自企业级数据C模型的整合的企业级C数据模型、清晰定义了从源到目标的数据流向、高质量源数据、清晰的外部数据和数据的流程责任归属。至于数据存储和归档等需要的基础架构，确实也需要后续准备，但是上述数据架构和管理才是重要前提。 

　　▲中资银行多年来持续投入巨资建设的“数据仓库”远远未能充分发挥应用价值，为了获得更高层级的智能化成熟度，宜采用逐步的、务实的进化方式，而非革命性的突变方式
 

　　建立了企业级业务模型的商业银行较之未建立企业级业务模型的商业银行有更好的机会利用大数据和数据挖掘技术，亦或是两者的组合实现先进的业务分析，现在中资银行面临的问题是如何将上面提到的两个基础在数据或信息层面落实。推进大数据应用确实重要，但中资银行首先需要提升先进级别的业务分析能力这个基本功。业务分析方法提供了对业务结构化、科学化的理解，是需要首先获取的能力，之后才是实现大数据应用和数据挖掘。不管是大数据还是数据挖掘都是帮助提升业务分析能力成熟度的技术手段和方法。

　　尽管上述判断并不意味着提升这两个基础能力与大数据探测性应用不能并行，但需要强调的是，需要先有基础才有利于利用好大数据及认知计算等先进技术手段，这样才可避免全行大投资、局部小收益的结果，以及很可能难以持续获益的风险。

怎样提高银行智能化建设的业务分析处理能力

　　如今，客户正期待这样的实时智能银行服务情境：客户在银行的各种渠道访问银行信息或者使用银行服务时，客户身份能够实时识别，客户的行为被实时记录下来，银行根据客户的行为为其适时提供量身定制的个性化服务以及满意的价格，在服务过程中能够为客户提供实时的风险控制，保护客户资金安全，在服务后能够随时获得客户对服务的评价。提供这种实时感知和响应客户需求情境体验的重要使能者，是高水准的业务分析和处理能力。

　　银行可以通过构建和应用业务模型促进业务分析和处理能力的提升，因为这有利于提高客户体验，满足客户个性化需求。在构建业务模型过程中，可为这种智能感知和响应提供完整的、端到端的流程，并与“数据—信息—知识”的客户洞察数据能力紧密结合。

　　其一，分析客户行为和需求需要有良好的数据基础，数据应该是标准化的，并且需要清晰知道正确的数据源于何处。业务模型通过流程任务、步骤规则清晰描述了数据如何被创建、更新，且遵循统一数据标准。而且，当数据需求增加时，能准确定位到具体的流程任务、步骤需要采集相关数据，通过业务模型能够支撑不断深入客户洞察数据要求。

　　其二，当银行获得客户的各类信息后，通过一系列分析手段发现客户的需求，就会为客户提供针对性的服务或建议。在业务模型中，是流程在使用这些智能分析业务规则（包含计量方式，下同），按照业务目的嵌入到不同流程中，如商机识别、风险欺诈检测、客户违约风险评估、客户价值分析等。例如，当客户无论是通过何种渠道存入一笔资金时，这个动作就会传递到商机识别、风险欺诈检测等流程中，商机识别流程就会利用智能分析业务规则，判断客户存钱的目的，分析客户潜在的需求，是用于消费、还是投资需求，并快速给出建议，当客户对建议表示满意时，又会根据客户贡献度、客户关系给出恰当的服务价格，促成客户新的交易。同样，风险欺诈检测也会根据客户的行为，利用各类欺诈检测规则进行判断，及时为客户提供预警信息。随着对客户行为的研究深入，智能分析业务规则也越来越丰富完善，构建业务模型的目标之一就是用好这些智能分析业务规则，智能感知客户行为和响应客户需求，提高客户体验。在业务模型中客户体验分为两个方面，一方面是业务处理流程中嵌入这些智能分析的业务规则，分析判断客户的行为，提供个性化服务；另一方面是客户交互过程中利用这些智能分析的业务规则，为客户提供其感兴趣的各类信息。

　　其三，这些智能分析业务规则需要不断地完善改进，在业务模型使用智能分析业务规则时，验证备选业务规则的可用性，将使用效果反馈给负责探测性挖掘的业务分析师。这样就形成了完整的“采集—分析—使用—反馈”闭环，才能不断提高对客户需求的智能感知和响应能力。

　　上述三个环节构成了银行智能化建设业务分析能力的“自学习”、“自完善”良性循环，这与Watson认知计算自学习原理如出一辙，只是载体不同而已。

　　总之，就像Apple Pay改变的只是指纹扫描界面体验和非接触式支付客户行为，并未摆脱其背后依赖的由银行、卡组织和商户构成的零售消费生态体系及其支付价值链一样；银行大数据应用和智能化建设也不可能脱离业务流程而独立成章，提升其应用成熟度必须融入业务分析和处理参与者的生态体系及其流程价值链。