导读
商业银行智能化建设能够有效提升金融服务小微实体质效，深度挖掘财富管理市场的增长动能，提升风险内控的甄别与防范效率，是推动银行业高质量发展的必然选择，需要持续引进新的思维、方法、技术，探索解决商业银行数字化转型面临的挑战。
正文
商业银行智能化建设实践及效益
小微信贷智能化助力金融服务实体经济
小微企业由于业务规模小、经营稳定性低，长期以来面临一定的融资约束及较高的融资成本，普遍具有较强烈的信贷需求。小微信贷中的企业风险评估一直是痛点和难点，传统人工尽调审核时间长，且缺乏精准的评估方法，在面对如疫情等事件冲击时，业务经营往往面临极大挑战。
小微信贷线上智能化能够有效地缓解这些难题，一是采用AI算法构建分析预测模型，实现对信用风险的自动评估，能在较短时间内完成贷款的线上审批、限额、定价等全流程操作，使服务更便捷；二是AI算法模型可自动调取小微企业在税务、监管、征信等多维度的数据信息，更全面、量化地评估企业的信用状况，根据企业资质给予差异化信贷支持，使服务更为精准。例如，在我国不同地区，各行业小微企业均会表现出显著差异，智能化小微信贷业务在运营过程中可以根据客户群体、经营场景的不同形成更精细化的服务。又如，科技类企业可能在初期收入、利润表现上相对逊色，但往往具备较强的创新能力和发展潜力，对这类企业的风险评估就要更多考虑知识产权、技术研发等科技因素所能带来的价值，将科技指标纳入信用评分模型，形成针对科创类企业的专属评估方式与评价体系。
小微信贷智能化通过大数据、AI等新技术带来了业务经营及风险评估模式的变革，提升了金融服务小微实体的质效，一是让更多小微企业获得申请贷款的机会，更好地疏通信贷支持实体经济的渠道，是银行业做好“六稳”、落实“六保”的重要措施；二是更精确地评估小微企业的真实资金需求，使银行资金流向真正做实业且信用较好的小微主体，提升银行金融资源配置的效率。
财富管理智能化促进居民消费提振升级
我国财富管理规模在2013～2017年间发展迅速，年复合增长率达34.6%，但2018年理财规模首次下行，同比下降4.39%，2019年同比仅小幅提升0.18%，财富管理市场呈现增长乏力的态势。数字化时代下，通过智能化手段深度挖掘客户的财富配置需求，可以点燃新的市场增长动能。
财富管理领域的智能化建设有着广阔的发挥与想象空间，一是构建以个性化的理财搜索、推荐及组合配置等功能为主的投顾服务体系，根据客户与财富产品的差异化特点，形成千人千面千时的财富管理服务，尤其是个性化推荐，能够筛选出客户偏好的产品并主动、优先触达客户，有助于新客群的挖掘与需求创造；二是打造以产品、客户、机构等主体构成的智慧财富生态圈，形成客户与客户、客户与产品、客户与机构之间的连接反馈，通过人工智能、自然语言处理等技术，自动匹配金融市场分析研判与财富产品，塑造专业金融咨询能力，提升客户信赖感；三是融入智能投研、智能客服等更多应用，智能投研能够自动化提炼更多金融行业信息，创造更优服务体验，智能客服能够在线解答客户问题，将多种智能化应用结合起来打造成为客户的私人财富助理。
从行业角度看，“以客户为中心”的个性化服务有助财富管理业务回归“受人之托、代人理财”的资产管理本源，促进行业的持续健康发展；从客户角度看，多种类财富产品的组合配置服务，能够提升客户对风险、收益的理性认识，培养正确的资产配置观念；从社会经济角度看，理财产品的多样化配置能够有效提升居民的在线消费支出与消费层级，表明高效的财富管理服务有助促进居民消费升级，助力新形势下国内大循环发展。
风险内控智能化增强金融风险防控能力
在经营环境日趋复杂的背景下，随着商业银行业务范围不断拓展，风险内控案件的发生也日益频繁，涵盖了洗钱、资金诈骗、恶意刷单、非法集资等多种作案方式，传统事后监管、案件核查的手段难以及时防范风险、规避损失，商业银行风险管理面临较大的挑战。
风险内控智能化平台将银行企业客户、个人客户、账户交易、经营机构、操作员工等多维度的结构化、非结构化信息数据进行整合，集成大数据、人工智能、知识图谱等新型技术对数据进行深度分析挖掘，将金融风险行业知识与数据挖掘深层特征相结合，搭建较完整、丰富的风控策略体系，能够实现风控规则策略全流程、自动化的灵活计算与配置，对疑似风险进行自动监控与警示，形成对风险案件的早识别、早预警、早管控，提升银行风险管理的时效性、前瞻性与精准性。在智能化平台建设中，构建企业、个人、交易账户等主体之间的金融知识图谱，并在此基础上依托图分析技术提炼出关联关系及资金交易特征，是识别风险事件的关键环节。例如，通过对企业复杂股权结构的穿透分析以及对持股比例的关联计算，精确判断目标企业的隐形主要受益人，再根据账户交易过程中资金流向的路径跟踪，迅速定位到资金最终转入账户，将两者结合起来，有效识别出利益关联方通过大额资金交易洗钱的行为，提升银行对反洗钱的防控能力。
商业银行搭建风险内控智能化平台，提升对欺诈交易的甄别与防范效率，一是能够更好地保障客户资金安全，切实做好维护客户利益的本职工作；二是有利于监测并规范信贷资金用途，使其真正用于企业经营发展；三是能够增强反洗钱能力，对防范金融犯罪、维护金融系统稳定及经济社会健康发展起到更大作用。
商业银行智能化建设的挑战
数据体系
在数据层面，银行业务板块较多，基于业务经营产生与积累的数据通常分散在不同的业务系统中，一是难以对整体数据情况形成统一、清晰的视图，易造成数据提取过程中的遗漏、重复等现象，重要数据的缺失或错误往往会对智能化应用的业务效果产生较大的不利影响，尤其是对文本、图片等非结构化数据缺乏相应的存储与管理机制；二是将导致数据资产开发与使用困难，如对不同业务领域的同类数据指标反复开发，易造成同一指标因加工逻辑不同或业务含义差异等出现定义混淆难以区分，加大数据资产管理的难度，影响数据资产的进一步有效利用；三是数据在不同业务领域智能化建设中的重复提取、加工、计算，将加大建设周期，不利于智能化应用的敏捷开发，也难以对业务场景的变迁产生迅速响应。
技术体系
在技术层面，人工智能相关技术尤其是深度学习算法、知识图谱技术等发展日新月异，提升分析预测能力的同时，也使算法模型结构更加复杂，一是银行普遍缺乏能够覆盖复杂模型的统一开发框架及部署环境，以传统机器学习模型为主的开发模式难以满足复杂模型构建的需求，影响模型整体架构的设计，降低了数据分析挖掘效果，部分复杂模型即使在线下完成开发，由于部署环境的限制也难以在真实业务场景中使用，不利于数据价值充分释放；二是在建模过程中过度依赖基础开发框架，面向不同业务目标的业务模型，需要在开发框架的基础上灵活重构与设计，直接调用基础算法包往往难以达到满意的业务效果，且随着场景及数据特点的变迁，模型效果也会发生变化，需要持续进行适应性调整，对智能模型研发人员提出了更高要求。
应用体系
在应用层面，目前商业银行较典型的智能化产品有智能风控、智能投顾、智能营销、智能客服、智能投研等，各产品开发的业务应用因独立零散而产生不少问题，一是智能化应用跟随场景的细分程度不够，对某一业务领域往往采用一个统一的智能化应用，没有根据子场景进行智能化产品细分，但不同子场景的客户或数据是有区别的，相应的需要智能化产品功能也具有一定差异性；二是各智能化应用的融合程度欠缺，各智能产品间缺乏交互，不能产生协同促进作用，难以充分发挥智能化产品的价值。
商业银行智能化建设的思考与建议
在宏观层面，融合新型学科领域与复合型技术
一是将系统科学的思维融入智能化建设。随着社会经济多元发展，叠加国际经济形势冲击影响，我国金融市场运行的易变性、复杂性、模糊性、不确定性日益加剧。客户的金融需求日趋复杂多变，金融资产价格波动更加剧烈，金融服务的被动滞后性越发凸显，金融数据蕴含的业务价值也更难被发掘。智能产品建设上需要以系统科学的思维认识和理解金融体系，在加强现有主流人工智能技术应用的同时，积极探索人工智能领域的数据科学、统计物理、量子力学、非欧几何、模糊学、动力系统等相关学科在机制机理方面与金融业务逻辑的深度融合路径，通过多学科、多技术的交叉应用，提升预测金融市场不确定性的精准性，增强对金融业务推理决策的可解释性。
二是充分借力5G、物联网等新型科技成果。以5G网络、工业互联网等为代表的新型基础设施建设，将赋予经济社会更多数字化、网络化、智能化内涵，形成以创新为主要支持和引领的数字经济时代，为智能化建设提供厚实的数据土壤与丰富的实现场景。智能化建设要利用好5G“万物互联”产生的海量数据及其网络关联，与人工智能相关技术充分交互应用，弥补现有建设存在的数据样本不足、数据维度不够、数据有效性缺乏等问题。考虑到5G时代下的数据在时间、空间、结构、规模等层面的较大差异，有必要在传导链条、加工处理、分析预测等方面对数据的技术路线、交互架构、计算平台等进行优化与重构，使作为生产要素的各类数据能在更大程度上发挥对金融生产活动的促进作用。
在中观层面，构建垂直交互的建设架构
一是形成垂直切片、小场景演进的研发架构。从特定场景的具体智能化应用入手，构建数据、技术、应用的完整垂直切片架构，通过聚合垂直领域各层面的相关功能，使智能化应用可以基于业务目标自行选择更有效的数据、搜寻更适合的算法、创造更精准的服务，并根据业务场景及服务目标的变化快速迭代，进一步将成功方法拓展到更多金融业务中，逐渐演进至全领域，为全面智能化建设提供更加稳健、可靠的路径保障。
二是打通数据、技术、应用的循环交互链条。垂直业务领域的切片架构下，数据、技术与应用之间存在闭环传导机制，数据为技术模型提供分析基础，技术模型为业务应用输出决策能力，业务变化又产生新的数据及分析需求。只有疏通三者间的传导渠道，才能使数据的信息价值、技术的预测能力成功转化为智能化服务。一方面，在正向传导过程中，要保障数据向技术模型顺畅的连接传输，使技术模型因数据特点灵活设计，业务场景由技术模型驱动运营，最终使智能化产品触达市场与客户；另一方面，在反向传导过程中，要形成对业务经营产生与变化的数据进行实时加工整合的能力，使数据随场景演变及时更新汇集，再通过技术模型得到新的分析结果，从而迅速捕获金融业务中稍纵即逝的新机会。
在微观层面，深化相关平台的融合建设
一是推进数据资产的高质量开发。数据是智能化建设最为重要的生产资料。鉴于未来金融业务可能更多表现为数据业务，而金融原始数据充斥大量杂乱噪声，势必需要对数据进行专业工程化处理，形成高质量、高可用、高稳定的数据资产，以支撑不同场景、不同层次、不同程度的建模技术及业务分析服务。
二是加强技术平台的智能化研发。人工智能相关技术是智能化建设最为核心的技术。AI算法模型不仅是实现智能化业务决策的关键，同时会反向渗透数据资产的开发过程，提升数据的可用性，促进数据经济价值的充分释放，对数据基础与业务应用的前后两端都产生决定性影响，使相应的技术平台建设至关重要。
三是注重应用服务的产品化实现。智能分析预测服务通过产品落地促进业务发展，是智能化建设的最终目的。数字化时代，市场竞争由单纯业务品种竞争转化为整体金融生态竞争，金融业务之间会产生更多交叉、组合，单项业务同样会依托并融合更多智能化应用，促进打造更加灵活共享、可组装的智能化产品应用平台。
（作者为兴业银行数金算法金融实验室主任）
上一篇：银行数智化转型中风险中台建设探索与实践
下一篇：银行理财销售渠道数字化发展的阻碍及建议
