限时领|《AI 百问百答》专栏课+实体书(包邮)! 了解详情
写点什么

中信银行:用 AI 搞定普惠型财富管理的高成本问题

  • 2023-12-04
    北京
  • 本文字数:4919 字

    阅读完需:约 16 分钟

中信银行:用 AI 搞定普惠型财富管理的高成本问题

随着客户需求日趋个性化、多元化,财富管理已经成为零售银行竞争的主战场。为了抢占市场先机,中信银行将财富管理定位于新零售的核心,并在 2021 年设立了财富管理部,牵头推动全行的财富管理业务。


在中信银行看来,做好财富管理的关键在于对客户关系的深度经营。而打造普惠型的财富管理,则是中信银行构建深度客户关系,布局新零售的主要抓手。换言之,除了维护传统的中高端客户外,近几年来,中信银行也逐渐面向包括基础客户在内的全量客户提供服务。


然而,所谓“全量”的规模达到了亿级,对于银行而言,服务成本极高。如果采用传统人对人的交互和服务模式,不但人力不足、效率不高,并且客户体验也非常差。


为此,中信银行借助数据和 AI 能力实现了对普惠财富管理的赋能。一方面,对于高度基于规则的服务,机器完全可以替代人工,甚至可以实现现更好的效果,从而覆盖更多的客户;另一方面,对于大众富裕客群 / 中小企业,基于技术和算法的智能投顾服务可以降低传统人工投顾的成本,提供“轻财富顾问服务”

在日前举办的 FCon 大会期间,中信银行财富管理部副处长黄河接受了 InfoQ 采访,分享了中信银行财富管理数字化转型的具体实践。


作为关键人,黄河参与了中信银行零售银行的数字化转型规划与推动,通过在客户旅程重塑、超渠道、个性化经营、数字化运营等领域推进产品化与工具化,助力了银行零售数字化能力的升级,在数字化营销和数字化管理领域应用非常深刻的洞察和丰富的经验。


以下是对话全文(经 InfoQ 进行不改变原意的编辑整理):

InfoQ:当前财富管理行业面临的主要挑战是什么?中信银行是如何识别和应对这些挑战的?


黄河:财务管理目前正处于净值化时代,但市场上由于专业人才稀缺,供给缺陷难以满足客户的广泛需求。因此,我们目前正在打造普惠型的财富管理。除了维护中高端客户外,也希望面向全量客户提供支持。


我们认为,在客户服务和需求维护上,应该回归到客户在不同人生阶段的需求展开,比如投资理财、小额分散交易、消费金融和信贷需求以及财富管理等等。


具体做法上,中信银行以“三全五主”作为战略引领,以 AI+ 金融为实现路径。所谓“三全”指的是全客户服务、全产品供给和全渠道触达,“五主”旨在深化主结算、主投资、主融资、主服务、和主活动的客户关系。在 AI+ 金融方面,主要采用数据和 AI 自动化替代人工,实现客户下沉和效率提升。同时,通过智能化工具赋能一线服务提供者,从而降低成本。

InfoQ:数字化策略在其中具体是如何赋能和落地的?


黄河:为了支撑全客户、全产品、全渠道的精准适配,我们进行了体系化的工作,具体包括客户数字化、产品数字化、渠道数字化、营销数字化、管理数字化以及组织数字化。


第一,客户数字化解决的是客户洞察的问题的,比如,我们在系统建设上有标签工厂、商机系统以及客户线上行为分析。


第二,产品数字化的目的是将所有产品数据化,然后再通过算法去做客户 KYC(Know your customer)和 KYP (Know your product) 的精准适配。


第三,渠道数字化包括两个层面:首先,银行渠道众多,其中线上经营是主战场,远程在线渠道主要定位在断点承接和商机挖掘,线下网点渠道则专注于情感链接,提供专业服务;其次,如何实现全渠道协同,这个问题实际上要解决的是,在客户旅程中对应哪些节点应该采用线上轻打扰的方式触达,哪些节点应该采用线下强干预的方式触达,这要结合客户体验、转化效率和服务成本综合考虑和决定。


第四,客户数字化、产品数字化和渠道数字化三方面如何串联在一起,我们认为,这需要在营销层面去实现。也就是说,通过营销数字化,打造精细化运营体系,解决客户千人千面千时的问题,即——在特定时间、通过何种方式交付给他们产品。


第五,管理数字化的核心是要确保所有动作都瞄准我们的“北极星指标”(即第一关键指标,是指当前阶段与业务 / 战略相关的绝对核心指标),在这个过程中,我们需要将最顶层的北极星指标向下拆解到获客、经营、销售、渠道管理等各个团队,不同渠道和团队需要背负不同的指标,但它们最终都会指向“北极星”。这样一来,每个团队的行为举措都会对应的过程指标进行监控,从而形成管理穿透。


第六,组织数字化聚焦的是业技融合,如何使得业务和技术在不同的目标下,组建成为一个“同一 KPI、不同 OKR”的灵活交付敏捷团队,这非常考验组织力。

InfoQ:在推进数字化转型过程中,我们遇到过哪些挑战?


黄河:首先是战略能力方面的挑战。数字化的投入巨大,在具体推行过程中,并非一帆风顺,可能会经历多个成长期,陷入多个瓶颈期。因此,战略的火力和定力都很重要,如此巨大且长周期的投入,如果没有一把手的支持显然是无法实现的。


其次,数字化转型与业务经营不能是“两张皮”,数字化带来业务模式创新,成为非线性增长的引擎。但数字化转型不仅仅是科技部门的事情,必须基于业务模式的转型和创新,从而释放业务价值。


再者,刚才提到组织数字化和业技融合是很难的,因为涉及两个部门、两个实体,大家的思维模式、经营目标、沟通语境都不一样,如果不是“双向奔赴”,最后很容易变成相互指责。


此外,数据基础非常重要,所有技术价值的发挥,都来源于数据全链路、全方位采集,这要求数据具有足够的准确性和及时性。

InfoQ:数据基础的问题中信银行是如何解决的?


黄河:数据治理涉及面广、投入巨大且周期较长,为了能够阶段性地释放产能,我们强调的是“应用牵引”,确保客户属性、产品数据、埋点数据、以及及历史订单相关内容的数据完备性和准确性。


在中信银行,第一步是做客户数据治理,包括最底层的身份证、职业、学历等客户基础信息,需要在全行层面实现统一,我们将这些信息称为客户主数据;同时,还包括应用层面的客户画像标准化、标签体系建设等等,这些数据会直接支撑业务层面对客户的洞察。


第二步是做产品数据治理,最典型的是产品货架梳理。之前我们的产品分散在各个系统,比如理财可能在理财平台上,存款可能在核心系统上,并且随着场景建设的不断增多,还会有越来越多的权益、活动等新的产品形态出现,为了实现统一管理,首先必须建货架,例如金融产品有金融产品的货架,权益有权益的货架,活动有活动中心等等。


第三步,做营销层面的统一的内容治理,内容具体包含产品、活动、权益、资讯等等,治理的范围不仅仅包括数据,还包括图文展现的组件、素材等更多的非结构化数据形态。


第四步,渠道数据治理,我们也称为渠道统一,这实际上是数据治理中最难的一部分,甚至比业务系统中的结构化数据治理更难,它背后涉及底层组件、渠道之间的协同,以及线上埋点数据的变化等等。非常重要的是,要在前期制定好相应的规范,比如埋点的规范、命名的规范,以及跟活动之间全链路的打通。核心是从用户表、产品表和点击流三个方面入手。

InfoQ:针对于客户关系管理和运营效率提升,数据和 AI 的价值如何体现?


黄河:我们认为,数据和 AI 会带来商业模式的巨大变化。


过去,银行总分支行三者之间的关系是,由总行作为管理角色,对分行进行督导、考核、培训,通过总行推动分行、分行推动支行的模式来经营客户。这种客户经营模式带来的是业务的线性增长,劣势是难以摆脱地理区域限制。比如,银行想要业务增长,就必须开设网点、招聘更多人员。如今,随着人口红利的消退,这种线性增长越来越难以实现。


数据和 AI 技术的价值在于,它可以帮助银行开辟新的赛道。


比如,总行除了管理职能,还可以作为经营单元,依托数据、策略、平台,集约化地开展客户经营。其中,我们把 AUM(资产管理规模)在 5 万以下的基础客户交由总行直接经营,因为对于总行来说,可能只需要投入 7~10 名数据人员就可以经营管理超过 8000 万的客户,但这部分客户如果交给分行团队去维护,收入是覆盖不了成本的。


通过这种模式的转变,我们认为带来的一定是指数级增长,因为机构的数据、技术、人员投入的边际成本不断下降。这就是数字化的意义,它一定会带来业务模式的创新,带来新的增量空间。

InfoQ:是否可以结合具体场景介绍一下,如何把数据和 AI 融入到整个商业模式创新中去?


黄河:数据本身是一个基本盘, AI 解决的是核心的攻坚问题以及自动化的问题。


最典型的场景之一是,进行人货场的匹配。比如,基于算法实现精准营销,并不断进行营销策略优化和自动化能力的提升;或者基于归因算法分析每次营销活动的成功原因等等。


第二个场景是机器人应用和人机交互的模式创新。比如,可以让机器人在 APP 上与客户进行交互,从而降低人员的成本投入。在机器人背后,涉及的是自然语言处理、ASR、TTS 技术等等,同时也包括今年业界热议的语言大模型。


举几个例子,中信银行目前利用 AI 已经可以实现资讯推荐、产品推荐和权益匹配。


比如,我们可以根据市场动态和客户需求、消费偏好等信息来为用户进行内容推送。根据数据统计,在中信银行 APP 的资讯板块,通过这种智能化、个性化的内容推荐,板块流量比去年同期增长了 36%,客户点击量增长了 37%;


产品推荐方面,通过千人千面的投放,比如,在用户使用 APP 的过程中进行弹框提醒,使得财富管理产品的平均曝光数比去年同期增长了 3 倍以上;


权益匹配方面,基于智能化分析,我们可以了解到用户的更多偏好,比如喜欢立减金还是咖啡券,然后对应地发放给用户,从而增加兑换率。具体而言,我们的权益兑换率比去年同期增加了 5%。

InfoQ:显然,AI 还无法独立完成所有工作,那么人和机器应该如何分工和协作?


黄河:这背后实际上是业务驱动和算法驱动如何分配的问题。


业务驱动是以 KPI(如营收)为导向的,而算法驱动实际上是以点击率为导向的。比如,客户更愿意点击某个产品内容,系统就会进行加强推送。但问题是,由算法推送带来的点击率和最终的营收目标会存在一定差距;然而,你也不应该过分强调营收,因为高费率产品可能会影响客户满意度,反向导致营收目标无法完成。


所以,关键问题是如何将业务驱动与算法驱动结合起来。在中信银行,我们的思路是回归到业务价值中,通过对推荐引擎进行设计,同时匹配相应的管理手段,在营收目标和客户体验之间实现权衡,去实现不同产品和不同条线间的流量分配,甚至在更细的产品品类和客户分群方面进行权重整合。


当然,其中的权重如何分配是无法一次性做到位的,必须在运营和监控过程中不断进行迭代,逐渐调整到一个最优化的状态或者不断逼近最优解。

InfoQ:针对今年爆火的大模型,您有什么样的期待?


黄河:我们希望通过大模型能够解决更多客户经营的问题。


例如,在营销素材方面,现在营销素材的生产工作非常重,银行一般没有专门的人员,需要靠外包,但是外包人员的管理相对困难。而大模型在这方面是具有独特优势的,甚至 90% 的工作它都可以独立完成,人在其中的作用主要是对素材进行加工或审核。


另外,在人机交互方面,如何更好地、全方位地回答客户问题,带来更好的交互体验,大模型在背后也会发挥关键作用。但由于银行是一个强监管的行业,这方面的应用还依赖于专业领域大模型的进一步发展。


在中信银行,目前我们也在尝试通过大模型实现对内赋能,比如有部分数据需求就可以直接与大模型沟通,告诉它想要的数据类型,并进行加工。通过这样的方式,可以让数据管理和使用的门槛在一定程度上降低。


值得关注的是,数据体量和数据质量非常重要。虽然银行过去的数据治理基础比较好,但是银行产品的专业化程度更高,对安全合规的要求也更高,所以在具体落地应用的过程中,行稳是基本前提。

InfoQ:为了进一步推进数字化相关工作,您下阶段最关注的课题或技术是什么?


黄河:从前沿性技术方向来看,大模型毫无疑问是一个重要领域。


除此之外,归因分析也是我们非常关注的细分领域。过去大数据更强调相关关系而不是因果关系,但是这种分析方式更适用于营销场景而不是决策场景。我们认为,数字化最终影响的是决策环节,而决策涉及方方面面,仅有相关性是远远不够的。所以,归因分析会成为下一阶段的重点。


内容推荐

11 月 19 日-20 日在上海成功举办的首届 FCon 全球金融科技大会,以「科技 + 金融,激发创新力量」为主题,汇聚了来自金融龙头企业的数百名技术高管,掀起一场探讨新时代金融科技未来的高潮。经征得大会分享嘉宾同意,InfoQ 数字化经纬为您奉上精彩演讲 PPT!关注「InfoQ 数字化经纬」,回复「金融创新」即可获取 PPT,深度洞悉科技趋势,助您引领金融创新未来!



2023-12-04 15:446121

评论

发布
暂无评论
发现更多内容

Cloud + TiDB 技术解读

TiDB 社区干货传送门

【ha知识两问】ha软件是什么?ha软件用途有哪些?

行云管家

高可用 ha 日志审计 双机热备

工厂年后开工:停机设备的维护和准备工作

PreMaint

设备健康管理 设备管理 设备预测性维护

Grafana组件升级和离线镜像源

TiDB 社区干货传送门

监控 版本升级

通过Jmeter批量向TiDB数据库插入数据

TiDB 社区干货传送门

性能调优 实践案例 管理与运维 安装 & 部署 数据库连接

Apipost产品介绍

徐天

软件测试/测试开发 | app自动化测试(Android)—参数化用例

测试人

软件测试 自动化测试 测试开发 appium app自动化测试

DR Auto-Sync 的 ACID 恢复功能简介和长期断网应急处理方案

TiDB 社区干货传送门

管理与运维 数据库架构设计

【计算讲谈社】第十六讲|当我们在谈目标时,究竟在谈什么?

大咖说

TDengine 荣获 2022 金猿奖“大数据产业最具投资价值企业”“大数据产业创新技术突破”

TDengine

数据库 tdengine 时序数据库

开发者变富攻略 | 如何使用开源工具,科学记账?

LigaAI

程序人生 敏捷开发 复式记账 企业号 2 月 PK 榜 Beancount

程序员必备的数据库知识:数据存储结构

NineData

数据结构 数据集 数据存储 分布式链路 Radix Tree

机房搬迁更改集群IP

TiDB 社区干货传送门

Apipost预执行脚本使用教程

徐天

如何合并与拆分 Word 表格中的单元格

Geek_249eec

C# word VB.NET

2023云原生安全值得关注的3个方向

HummerCloud

ebpf 云原生安全 SBOM

开源!MatrixBench:实时物联网场景的数据压测“兵法秘籍”

YMatrix 超融合数据库

开源 物联网 超融合数据库 YMatrix MatrixBench

TiDB 的数据加载性能调优方案

TiDB 社区干货传送门

性能调优 应用适配

webhook告警配置

TiDB 社区干货传送门

「钞能力养成指北」前传:开年变富,开发者如何迈出第一步?

LigaAI

敏捷开发 新年计划 复式记账 图论 企业号 2 月 PK 榜

DR Auto-Sync 搭建和灾难恢复手册

TiDB 社区干货传送门

管理与运维 数据库架构设计

墨天轮《2022年中国数据库行业年度分析报告》正式发布,精彩抢先看

墨天轮

数据库 Serverless 云原生 国产数据库 HTAP

通过Jmeter对TiDB数据库进行压测

TiDB 社区干货传送门

监控 性能调优 实践案例 故障排查/诊断 安装 & 部署

【Nacos配置管理】一文带你搞懂Nacos配置管理模块

石臻臻的杂货铺

nacos

ChatGPT3.5 !微软最新官宣整合OpenAI的14个产品细节,改变从视频会议Teams开始

B Impact

2023年知名堡垒机厂商及价格简单说明

行云管家

网络安全 信息安全 数据安全 堡垒机

品牌不得不投放户外LED广告的原因

Dylan

LED显示屏 户外LED显示屏 led显示屏厂家

用Apipost进行gRPC调试教程

不想敲代码

微服务 gRPC 接口调试

PingCAP 黄东旭万字长文剖析数据库发展新趋势:脱离应用开发者的数据库,不会成功

TiDB 社区干货传送门

数据库前沿趋势

TiDB Operator--K8S集群基础环境配置

TiDB 社区干货传送门

实践案例 集群管理 管理与运维 安装 & 部署 扩/缩容

Apipost如何自定义响应参数?

叶小柒

中信银行:用 AI 搞定普惠型财富管理的高成本问题_银行_高玉娴_InfoQ精选文章