前言

2020年初的新冠疫情在金融领域“催生”的“零接触式服务”进一步推动了金融科技的应用与落地。在后疫情时代，随着5G、大数据、云计算、人工智能、区块链等新兴技术与金融业务的结合，金融行业的数字化大“变身”也在不断蓄力。近年来，AI在金融服务赋能和业务模式变革方面全面发力，从“千人千面”的智能营销到虚拟员工的智能客服，从“火眼金睛”的智能风控到无处不在的智能运营，AI都在为金融行业的科技之路保驾护航。

人工智能平台中的AI——实现规模应用的“哆啦A梦”

在人工智能平台前，金融行业特别是银行中的建模大都还是SAS、SPSS等统计建模软件的天下，虽然它们在评分卡等领域曾经辉煌过，但在大数据时代的长河里，它们渐渐失去了往日的光芒。这时，具有大数据基因，且整合了大数据机器学习框架以及多种计算机语言的人工智能平台应运而生。其不仅利用分布式计算部署能力和容器技术让计算能力和速度进一步提升，而且还降低了建模计算的使用门槛，让前线的业务人员也能体验小白上手大数据建模的快感，同时也能让建模与业务场景结合地更紧密，让建模结果更好地赋能业务。

▶ 更加精细化的客户管理：

将集中于客户关系管理系统中的人口属性数据、集中于交易系统，产品系统以及客户关系管理系统中的信用属性数据、集中于渠道和产品系统中的消费特征数据、来自运营商，电商等外部厂商的兴趣爱好和社交信息数据，都导入至数据市场中

⬇ 立足于实际业务场景需求找到强相关数据 ⬇ 利用逻辑回归、支持向量机、决策树、K-Means等分类、聚类算法对客户进行等级/种类划分，并基于数据统计/规则定义/算法挖掘建立完整的用户标签体系 ⬇ 将客户群体切割成更细的粒度

（eg：将客户精分为获取期、提升期、成熟期、衰退期和退化期，从而可以挖掘找到高价值客户）

经典的客户生命周期理论

▶ 更加个性化的产品营销：

将产品系统中的各大理财产品基本信息、投资组合、公告信息和财务报表相关数据导入至平台中

⬇进行精细化产品画像构建⬇基于用户画像和产品画像，运用基于商品/用户的协同过滤、交替最小二乘法、因子分解机和FFM等相关推荐算法对客户和产品进行个性化匹配

产品推荐系统架构图

（eg：通过对潜力客户的用户画像特征变量进行分析，预测其进一步升级成为优质客户的可能性，对可能性高的客户进行产品精准营销，从而能够提升营销的针对性和成功率）默默陪伴不骚扰的个性化数字金融产品，当客户需要时又能在第一时刻出现，AI将产品营销做到极致。

▶ 更加全面化的风险管控：

风险管控贯穿于金融业务贷前、贷中和贷后的整个生命周期中。

贷前-贷中-贷后风控流程模型，来源：艾瑞咨询研究院

贷前客户准入风险审核：

1）根据央行征信数据以及用户提交的相关材料进行身份核实，确保用户不存在欺诈历史；

2）结合用户的社交数据、行为数据、收入数据等个人属性信息，利用随机森林等分类算法对用户的信用风险等级进行判定，预测用户未来的履约能力；

3）利用用户的收入及负债相关数据了解用户的负债能力和收入稳定性，并结合信用等级评分数据，应用广义线性模型和主流贷款定价方法确定放款额度、月供金额和偿还期限

贷中客户行为实时监管：

1）粗粒度的用户层欺诈识别：根据金融平台上对用户交易行为的限制，及用户实际发生的交易行为进行对比，应用逻辑回归等算法判定用户是否属于欺诈用户；

2）细粒度的交易层欺诈识别：利用交易上下文、交易行为发生IP、设备、地域的相关数据，结合逻辑回归算法以及图计算算法和知识图谱判定交易行为的欺诈性，从而挖掘出相关欺诈用户

贷后对公客户违约预测：

构建交易知识图谱、供应链知识图谱以及企业知识图谱，利用复杂网络挖掘担保网络中的风险信息，再对挖掘出来的相关风险特征进行建模，从而能够更好地对某一笔借据的违约风险和逾期倾向进行预测，并对逾期概率大的借据进行特别关注和预警。即使AI算法只能解决可控风险，但AI仍努力让风控落到实处。

“哆啦A梦的神奇口袋”里不仅有多种数据源对接工具，还有标准化的AI服务模块和通用组件，其提供的快速复制及灵活研发能力让AI在金融行业得到规模化应用，在各个业务场景遍地开花。

同时针对数据孤岛困境、数据隐私保护的限制以及数据单一导致的算法模型精度问题，“口袋”中的联邦学习模块都能很好地解决。它能让各金融机构之间以及金融机构和其他行业机构间在保护原始数据隐私安全的情况下进行联合机器学习建模，既能满足金融业务需求，又能保障合规要求。

创作场景

AI 已经在金融科技时代大显神通了吗？