九九热视频精品在线_国产成人mv视频在线观看_国产精品三级一区二区_亚洲精品国产av成拍色拍婷婷_久久伊人一区二区_国产高清精品网站_九九99热久久精品离线6_国产在线一卡2卡三卡4卡免费_日韩美女乱淫aaa高清视频_亚洲大胆_啪啪一级视频_午夜av免费观看_国产高清精品福利私拍国产写真_亚洲婷婷五月综合狠狠_日韩欧美一区二区三区视频_岛国av免费看_精品国产乱码久久久久久久软件_亚洲国产成人精品无码区99_www日本色_免费黄色看片

愛分析自從去年年底，開始與國有銀行、股份制銀行、頭部的城商行交流大模型的落地進展。近期看到已經(jīng)有開始落地的項目了。

本文主要分享愛分析看到的， AI 和數(shù)據(jù)技術在金融機構的落地進展，以及從銀行決策層領導的視角，是如何看待大模型以及數(shù)據(jù)技術的。

分享嘉賓｜張揚 愛分析聯(lián)合創(chuàng)始人兼首席分析師

01

整個銀行業(yè)在 23 年上半年，除了中行收入有接近8%的增長，絕大部分的頭部銀行收入增速基本上都不高，這可能也是未來一兩年的情況。但是在這個情況下，再去看利潤的時候，會發(fā)現(xiàn)利潤仍在增長。去年其實這個情況會更明顯，去年銀行的利潤增長基本上在 10% 以上，但是收入增長可能是個位數(shù)。

回歸到銀行領導關心的業(yè)務問題上，其實就是增量在縮小。過去做的消費金融的業(yè)務，基本上市場要接觸天花板了，之后轉去做財富，也碰到天花板了。在這個背景下，領導更關心如何去降本的問題。降本不一定是簡單粗暴的砍人和砍資源，更有意義的其實是，降本之下的精細化運營怎么做。在服務銀行期間，尤其是IT部門向行領導講業(yè)務收益的時候，落腳點會落到精細化運營上。目前很多銀行的用數(shù)理念已經(jīng)比較成熟了，頭部的國股行，行內(nèi)差不多 50% - 60% 的人，都需要用數(shù)決策。用數(shù)決策包括自助的BI，包括直接看報表等，這個滲透率很高。其次，做數(shù)據(jù)開發(fā)的滲透率也很高。頭部銀行，每個月數(shù)據(jù)開發(fā)平臺的月活會過萬，包括數(shù)據(jù)開發(fā)的員工，業(yè)務的員工，數(shù)據(jù)科學家等。所以用數(shù)決策的理念已經(jīng)不用太多強調(diào)。在整個過程當中，如何低成本用數(shù)，是后面比較重要分享的內(nèi)容。另外，除了底層的取數(shù)和用數(shù)，還會涉及很多的底層技術設施，尤其在服務營銷領域的時候。比如郵儲銀行案例，只有先完成底層標簽的精細化，才有可能實現(xiàn)業(yè)務的精細化管理。那這些數(shù)據(jù)基礎怎么建設，也需要跟行領導從精細化運營講起，才能比較細致的講清楚需求，落地思路等。

02

上述分享了銀行的業(yè)務圍繞降本目標，使用精細化運營，以數(shù)據(jù)為抓手，如何協(xié)助精細化運營的思路。實際在數(shù)據(jù)應用建設的過程當中，IT部門會產(chǎn)生很多困惑。

舉個例子，搭建一個數(shù)據(jù)中臺，領導一定關心有什么效果， ROI 是什么？除了領導能使用的管理駕駛艙以外，其他的數(shù)據(jù)應用對領導感知比較低。這里就是底層做了數(shù)據(jù)能力的建設，但是上層的應用建設，包括數(shù)據(jù)運營沒跟上。總結來說，數(shù)據(jù)在金融機構落地時，有兩個比較大的問題，第一是從行領導角度看 ROI 太低，第二是數(shù)據(jù)運營跟不上。再回歸到用數(shù)的過程中，業(yè)務部門經(jīng)常反饋響應速度太慢，一個數(shù)據(jù)開發(fā)的需求可能要排期到一到兩周后。其實這里經(jīng)常是不得已而為之，因為數(shù)據(jù)開發(fā)工作量很大，數(shù)據(jù)結構多、系統(tǒng)復雜，導致找數(shù)都要找很久，經(jīng)常找到了又發(fā)現(xiàn)是錯的，不是業(yè)務部門想要的。這里在跟業(yè)務部門協(xié)作時，涉及如何更好的溝通，才能提高數(shù)據(jù)的準確性，提高效率，達到及時響應，解決問題的目的。所以我們建議在實際跟行領導講之前，可以先找一些數(shù)據(jù)應用，比如指標平臺。原來的管理層駕駛艙都是固定的，那些數(shù)據(jù)可能跟不上業(yè)務變革，有的數(shù)據(jù)領導已經(jīng)不看了，如果再開發(fā)一個新指標，又要響應很久。但如果是一個指標平臺，就有很強的可組合性，響應速度也會增快。尤其指標平臺里邊有指標庫，能使用的指標更多。對于領導來講，會覺得這個指標平臺就是數(shù)據(jù)中臺。這就是比較有效果的落地，領導感知度也比較高。

03

除了指標平臺，DataOps也是關于業(yè)務部門快速取數(shù)，用數(shù)的實踐。

DataOps現(xiàn)在實際落地比較少，國股行里邊落地項目也還不是很多，這個是我們看到的一個比較好的落地案例。DataOps核心可以解決兩個問題，都跟降本有關。第一，過去分行所有的數(shù)據(jù)需要T+1時段傳到總行，這個過程中相當于存了兩份。第二，各個分行都在做自己的數(shù)據(jù)開發(fā)，對于數(shù)據(jù)的定義和標準就不是完全一致的，導致數(shù)據(jù)上傳到總行后要做二次治理，而且分行之間也不通用，復用性很低。可以發(fā)現(xiàn)這當中有大量的資源浪費。這家股份制銀行想解決的問題有兩個，首先就是總分行的數(shù)據(jù)對齊問題，這背后除了數(shù)據(jù)標準需求外，還有降本的需求。其次就是取數(shù)和用數(shù)，業(yè)務部門和 IT 部門怎么去協(xié)作的問題。當時總行解決這個問題的時候，由于是自上而下想要做的，所以如上圖的左邊所示：第一步是建規(guī)范，核心是流程和制度的改變。以前的流程都是先數(shù)據(jù)開發(fā)，到一定階段跑不動了，再去做治理。現(xiàn)在新的方式是先做一個完整的數(shù)據(jù)標準，不一定是全行級的，針對某個業(yè)務域也可以，然后在各個分行落地。解決了數(shù)據(jù)口徑的問題，T+1更新的數(shù)據(jù)就不會有太多錯誤。第二步是針對數(shù)據(jù)開發(fā)的問題，總行做了一個云平臺，這個云平臺是給所有分行做數(shù)據(jù)開發(fā)用的。在這個云平臺中，解決了權限的問題，哪些數(shù)據(jù)哪些分行能看，哪些不能看，包括跨業(yè)務系統(tǒng)調(diào)數(shù)據(jù)的審批等。其次，建立了一套標準數(shù)據(jù)開發(fā)流程，最后分行所有的供應商都要根據(jù)統(tǒng)一的開發(fā)流程做數(shù)據(jù)開發(fā)，所以最后數(shù)據(jù)標準都是統(tǒng)一的。整個項目雖然前期建標準的過程中投入了比較多的人力，但是實際上省去了很多分行自己做數(shù)據(jù)開發(fā)的資源。總體上是一個降本的過程，并且解決了總分行數(shù)據(jù)流通的問題。上圖右邊解決的是取數(shù)和用數(shù)過程的問題。過去取數(shù)和用數(shù)需要一兩周做完數(shù)據(jù)開發(fā)，最后可能拿到的還不是業(yè)務部門需要的。這個過程當中最好辦法就是能夠基于數(shù)據(jù)地圖，方便快速地找到想要的數(shù)，并且能及時地跟業(yè)務部門確認是不是需要的數(shù)，另外一個比較好的路徑就是借鑒之前做的數(shù)據(jù)開發(fā)，分行之間業(yè)務部門的需求會有相似之處，思路可以復用，這里主要解決的是業(yè)務和 IT溝通的問題。整體項目做完后，上述的云平臺每個月的月活都在萬級別，數(shù)據(jù)作業(yè)開發(fā)量還是比較大的。這里既解決了降本的問題，又解決了業(yè)務部門需要及時數(shù)據(jù)響應的問題。之前使用一到兩周做的數(shù)據(jù)開發(fā)，現(xiàn)在是能夠降到天級別的，這樣是能夠達到敏捷相應的要求的。

實際現(xiàn)在看，銀行里做到全行級數(shù)據(jù)字典的也不多。8 月份興業(yè)銀行發(fā)布了企業(yè)級的數(shù)據(jù)字典，大概用了500 人 10 個月去構建。類似這種重投入的項目，如果不是自上而下去推進的話，IT部門自己很難推進。

04

除了DataOps，另外一個銀行業(yè)比較核心的需求是數(shù)據(jù)的實時分析。主要涉及流批一體的問題，同樣也是與降本提效有關。

降本相關的內(nèi)容是，過去如果是批處理一套，流處理一套，兩個分開去做的話，至少從存儲的角度來講是兩大套。換成流批一體的話，整體能夠很好的支持上層的應用，另外很核心的是降低了存儲的成本和維護的成本。另外流批一體還需要統(tǒng)一計算，主要是解決上層的實時應用場景，尤其偏風控類和營銷類。比方說實時訂單出來以后，有沒有營銷機會。風控里，尤其反欺詐會用到。

05從行領導的角度去看，基本將大模型作為 AI 的一個延伸技術，基于從產(chǎn)品設計到運營管理的全鏈路價值鏈里找應用場景。圖中有傳統(tǒng)的AI和大模型應用探索性場景的舉例，當前比較多集中于市場營銷環(huán)節(jié)，比如客服、營銷物料、話術輔助等。現(xiàn)在看到的一個比較新穎比較好的案例與營銷策略相關。比如沉睡客戶喚醒場景是絕大部分銀行比較頭疼的問題。有些銀行現(xiàn)在做的是首先把沉睡客戶統(tǒng)一放到一個部門，比如放到客服部門，之前通常是人工做了兩三套激活策略之后，效果不好，就放棄了。現(xiàn)在可以將整個營銷策略作為prompt，放到大模型里，大模型可以給一些新策略出來，靠prompt可以生成一個閉環(huán)。這樣做首先策略生成比過去靠人工經(jīng)驗要快很多，其次想驗證效果也驗證得比較快。最后每一個營銷策略都會配大模型自動生成的文案。比如現(xiàn)在有 2000 萬沉睡用戶，先做人群圈選分了 10 個組，每組 200 萬，做 10 個策略去測試，實際效果不好。現(xiàn)在有了大模型，可以生成可能 100 個甚至更多的策略，這些策略可以映射不同圈選人群。因為它是自動化執(zhí)行的，在執(zhí)行過程中可以階段性地篩選出來一些轉化效率好一些的策略。這是以前靠人做不到的一個事情。所以沉睡客戶喚醒的營銷策略生成應用，是目前看到的比較貼近核心業(yè)務，且業(yè)務價值比較大的一個應用。目前這個場景還在驗證的階段。其次在風控領域，大模型的落地很多是偏貸后報告生成的應用，但實際上生成類的應用價值度比較小，且實際落地時，智能風控方面銀行不太會考慮大模型，因為可解釋比較弱。現(xiàn)在在嘗試的多是偏交易的反欺詐，反欺詐攔截方面，但是目前和傳統(tǒng) AI的區(qū)別不大，所以總體來說，風控應該是比較難落地的場景。另一個落地比較多的場景在運營管理，包括知識庫，大模型客服等。這里面比較有價值的落地場景是跟數(shù)據(jù)結合，做對話式數(shù)據(jù)分析。有三個方面能用到大模型，第一是意圖識別，第二是取數(shù)階段生成SQL語句，第三是做數(shù)據(jù)下鉆分析。現(xiàn)在看到的已經(jīng)落地的對話式數(shù)據(jù)分析，做的比較好的取數(shù)準確率能做到90%，業(yè)務部門反饋還比較正常。目前意圖識別和生成 SQL 語句已經(jīng)不難了，但是在下鉆分析的時候，問題比較多，比如有一個消費品方向的案例，庫存突然少了30萬，到底是什么原因。這些還需要人工查，問題是出在數(shù)據(jù)本身，數(shù)據(jù)同步，還是計算等方面。

06

最后分享一個銀行大模型的落地案例。

案例中，大模型首先需要單點切入，然后進行縱向深挖和橫向拓展。案例通過財報的一個Copilot切入，所以橫向拓展的時候比較簡單。更核心的是縱向的深挖。比如，從財報助手角度入手，首先是歸納取到信息的能力，第二步需要能做信息的分析，比如通過業(yè)務營收等數(shù)據(jù)分析盈利能力。最后最核心的是能做根因分析，這個是當前大模型重點在嘗試突破的問題。現(xiàn)在大家在用的都是生成式大模型，未來價值度比較高的會是有一定決策能力的大模型。以上就是今年調(diào)研的，一些數(shù)據(jù)和AI大模型，在銀行的一些落地案例。