0
| 本文作者： 周蕾 | 2021-02-22 18:39 |
對無數銀行基層員工來說，最“有用”的銀行科技，估計還得看智能營銷賽道。
究竟在全國數十萬網點、數百萬客戶經理心中，怎樣才算是行之有效的營銷工具？如何能省時高效地觸達用戶，完成一場高質量的營銷，而不只是對KPI應付了事？
銀行的營銷運營無疑更靠細節和長期耕耘取勝，作為技術服務商，要將復雜的銀行基層業務“庖丁解牛”，真正幫助銀行以用戶為中心，重整端到端的用戶服務體系。
為此，我們邀請到摸象科技董事長高鵬博士，做客「銀行業AI生態云峰會」。高鵬師從中國工程院院士潘云鶴，擁有五項國家級發明專利，同時還是摸象浙大金融智能聯合實驗室主任，擁有豐富的從業經驗和硬實的技術背景。
這一次，他立足于「智能營銷」賽道，帶來他們幫助國內2000+銀行，全面實現金融全自動化場景、實時推薦智能運營的實踐經驗。
這也是雷鋒網《AI金融評論》主辦的「銀行業AI生態云峰會」最后一場演講。在本系列云峰會中，我們相繼邀請了數字化風控、數字化營銷、數字化客服、數據平臺、數據中臺、數據安全、數據庫、銀行云、銀行RPA、銀行業務系統，十大銀行賽道里的科技專家，分享他們對于銀行科技的理解。
欲獲得所有講者視頻以及PPT回顧內容，可關注公眾號“AI金融評論”（ID: aijinrongpinglun），進群獲取回放鏈接。
以下為高鵬博士的演講內容，雷鋒網AI金融評論作了不改變原意的編輯：
大家好，今天我分享的主題是《未來銀行-數據驅動的銀行AI新零售場景智能營銷》。
首先，銀行業務營銷當中面臨的一些痛點。
在向數字化轉型的過程當中，銀行并非要從零到一，建設一套新的線上運營模式。也就是銀行不是做“互聯網+”，而是做“+互聯網”。
銀行一方面有著海量數據和優質的金融產品，同時還有著海量用戶以及非常強大的推薦引擎，可以計算出適合推薦給用戶的產品。
現在銀行面臨的最大挑戰就是如何根據用戶需求，將合適的產品真正觸達到合適的用戶，并且讓用戶在良好的體驗下使用業務，我們將其歸納為如何挖掘、如何觸達、如何跟進這樣一個閉環。
據統計，目前全國有35萬個銀行網點，數百萬客戶經理，但是在基層的支行和網點缺乏數字化的工具，導致存量的數據資產很難得到有效利用，造成銀行的基層結構很難直接發力，進而實現線上營銷。
銀行的數字化轉型就是要把線下和線上的新零售模式結合起來。在轉型的過程中，實現新零售模式的難點有以下三個方面：
首先，在業務上，如何統一用戶視角，把高度橫向分化的價值模塊整合成以用戶為中心的縱向的價值鏈條，打造端到端的用戶服務體系。
第二，在數據上，如何統一開展數據治理，將分散的孤島數據轉變成可信的數據資產，形成以數據支撐全局和以用戶為中心的端到端的數據賦能體系。
第三，在組織上，如何改變高度依賴橫向競爭者的分布式架構，圍繞核心價值鏈構建以用戶為中心的平臺式架構，從流程驅動轉向數據驅動。
如果上述難點不能得以解決，一旦整個新零售模式形成信息割裂和孤島狀態，數字化轉型就很容易成為增加基層負擔的形式主義。
而要實現全面的平滑流轉，就需要用數據智能驅動的新零售工具來賦能組織以實現自動化的運營。
對此，我們的方案就是將銀行的線下資源用數據智能+AI工具驅動起來。
整個解決方案是用一個金融大腦驅動兩個工具，用RPA機器人來實現全流程的自動化流轉。
一個大腦指的是無相盤深度學習挖掘引擎，是一個研發平臺產品，也有推薦深度挖掘的能力，同時還是用于驅動整個流程運轉的驅動引擎。
兩個工具，一個是象小秘的AI外呼系統，可以自動實現機器人的仿真化外呼。
另外一個就是龍虎榜社交智能觸客小程序，支持支行網點客戶經理掌上移動辦公，可以自動將機器人營銷成功的意向用戶，推送到對應的客戶經理掌上，客戶經理利用這個工具對用戶進行一對一跟進管理。在此過程當中，可以實現數據不落地的全程自動流轉。
隨著零售場景的不同，這套系統將有更多的工具節點加入到自動化流程當中，例如群發短信的短信節點，人工外呼系統的節點，企業微信的應用節點等等，這套RPA系統可以完全光滑的兼容和吸納這些節點加入到流程當中，從而完成針對更加復雜場景的營銷和運營。
接下來是整個平臺的詳細情況。
——AI商機挖掘引擎層
首先，無相盤的數據挖掘引擎，是一套以金融大數據為核心的分布式、實時大數據挖掘系統，通過對海量的歷史與實時數據的采集、計算、存儲、加工，訓練大規模機器學習和深度學習模型，挖掘用戶行為之間的關鍵因子，為銀行匹配企業商機和用戶潛在的需求。
這個引擎主要有兩個作用，一個是用于幫助具體的產品或者場景尋找潛在客戶。另外一個就是推薦作用，在給定一個用戶后，從海量的產品庫里面選擇最適合它的產品，所以它是一個硬幣的兩面。
無相盤有以下六大特點：
特征處理，提取用戶的信息、基礎信息、資產、信用、消費等多維度特征，全部離散化、特征化、標簽化，在交叉以后，基本的特征維度有2000維甚至更多。
算法庫，可以容納大規模的機器學習和深度學習的算法，包括LR、MLR、CNN、DNN等等相關算法。
針對性的服務設計，從用戶信息和歷史交易數據當中挖掘潛在客戶和客戶偏好并預測概率，提供具體的客戶人群包、產品推薦序列等服務。
模型追蹤，可以在平臺上實現從“模型預測”到“用戶觸達”，再到“意向識別”的效果驗證閉環。
模型訓練，提取正負的訓練樣本進行模型訓練，而且可以在各個具體的模型當中同步并發的訓練。
模型庫，比如資產預估模型，理財偏好模型，高消費模型、代發工資活躍因子等等模型。
同時，平臺一個非常重要的能力就是支持機器學習建模，因為現在銀行的數據量也足以支撐基于深度神經網絡機器學習，那么，這個建模平臺可以支持各種優化模型以及第三方的機器學習模型以實現落地優化和調試。
——RPA數據驅動引擎層
通過挖掘、推薦將相應場景的潛在用戶提取出來，幫助將大腦當中挖掘出來的目標客戶應用到各個場景，無相盤在挖掘引擎的基礎上，針對用戶標簽和特征值進行分類聚合，形成了特定場景的客群劃分，從而可以根據客戶畫像進行定向輸出。
自動驅動工具，進行多個渠道的自動化的投放運營，更多是提供了API和SRS的輸出界面，好處在于可以大幅度降低使用大數據平臺的門檻。
除了大數據相關人員可以用編程接口來做以外，有一定模型基礎的業務人員、營銷人員也可以直接在平臺上根據其喜好，個性化生成客群的人群包、白名單庫等等。
以汽車車主為例，首先可以把車主人群篩選出來，然后根據車主人群的資產標簽的特征，以及車主在購車、借貸、車輛保養、購買保險等行為進行相應的推薦。
我們不僅僅輸出推薦產品的結果，而且實際的驅動工具能夠直接觸達用戶、進行個性化營銷，同時在第一個流程節點的營銷網獲取意向用戶，再推送給下個流程。
比如下一個對應的客戶經理，能夠根據機器人和（上一個）客戶經理的具體跟進成效，為其累計業績，同時這些業績又能夠驗證和反饋訓練挖掘模型，從而形成一個端到端的全數據運營的閉環。
RPA驅動引擎場景，可以對各種零售業務場景精準輸出潛在的意向用戶，并按照用戶和業務場景的相關度的數據大小的排序輸出白名單。
通過行方的手機銀行的線上渠道、短信、人工坐席、象小秘的AI外呼等多個促客平臺和工具針對用戶展開一人一面的營銷，同時在良好的用戶體驗下獲得高轉化率。
同時，這些數據驅動的場景營銷和運營活動都是自動化流轉和運行的，可以觸達人工服務條件下無法觸達的幾乎所有零售場景和海量的長尾用戶，從而產生了新收入，創造出新業績，完成KPI。同時因為整套系統都是自動化流轉的，基層減負的問題也得以解決，基層員工的負載反而是呈下降趨勢的。
總體而言，驅動引擎是圍繞著用戶的需求進行端到端的業務閉環。相關場景包含了金融業務的事前、事中、事后，將以前大量的繁忙的銀行基層事務工作轉化為機器人的任務，以及人機協同的過程，以達到降本增效的結果。
同時，可以將原來銀行只能夠服務5%的頭部私行客戶的服務能力，提升到可以為80% ~90%的長尾客戶都提供精細化以及個性化的服務，真正實現帶來新收入、創造新業績的目標。
——AI數據驅動用戶觸達層
目前，象小秘AI智能營銷外呼語音機器人已經實現軟硬件一體化，將其落地到分行、支行，部署相應的象小秘智能終端，可以非常靈活組網，每個終端上可以跑8-12個這樣的機器人。
這樣就使得原本需要客戶經理投入大量精力參與的電話營銷工作，或者是微信上的對話工作，優化為通過機器人與客戶進行初步的溝通和篩選，將意向用戶篩選出來之后，再由客戶經理二次跟進轉化的人機協同的工作模式，從而幫助網點以及客戶經理極大提高觸達用戶的效率。
此外，在整個過程中，AI還可以在后臺實現自動的督導、統計、優化，也可以對后續人工客戶經理跟進的相關內容和話術進行評估和打分，再反過來對人工的跟進環節以及人工呼叫的相關工作進行評估和質檢。
AI智能外呼營銷具有以下優勢：
首先，節省人工費用。相對于人工外呼，在同等轉化率的情況下，根據目前客戶與商務模式估算出來，AI機器人每天只需要27元的成本。
而人類客戶經理一般則需要日均700元的成本，如果一個客戶經理外加三個機器人助手，總業績就相當于10個人工客戶經理所完成的業績。
第二，溝通質量高，AI機器人不會受到工作時長的影響或者其他方面帶來的情緒問題。
第三，另外，語音的質量可以進行個性化調配，會根據嵌入程序穩定的與客戶進行溝通，沒有太多差錯率，同時也可以帶來比較方便的培訓和訓練，達成真正的標準化。而人工外呼團隊要進行標準化的培訓，還是要付出相當的努力。
第四，不斷提升正反饋， AI智能對話平臺能夠不斷積累相應數據，機器人通過自然語言與客戶溝通，在過程溝通當中，后臺的智能軟件能夠實時分析對話內容，將對話內容首先以結構化的數據進行存儲。
第五，同時后臺軟件能夠實時標注互動內容，利用標注后的數據，不斷自動機器學習優化NLP的語言模型，從而提高端到端的識別率和準確率。
整個AI的外呼平臺是基于以下4個層級來進行架構的：
底層是一個通用的知識圖譜，機器人在與用戶對話的過程中，可能用戶會問一些通用知識相關，機器人也要掌握。
再上層是一個針對行業和具體場景的知識庫，我們將其分成金融相關場景的知識庫，例如年底的大額理財或者是信用卡推廣的開門紅等。
第三層是NLP能力層，NLP平臺已經歷過數億次的真實對話和多輪對話的場景，包括智能語音的翻譯、智能語義以及智能對話、意圖識別等等。
最上層就是具體的應用場景，針對目前銀行客戶的多個核心的業務部門，比如個金部，涉及到相關的理財、存款、保險以及貸款等；網金部則會涉及到第三方支付平臺綁卡，電子醫保業務，還有手機銀行等。
此外，信用卡部也是擁有非常豐富的場景，主要圍繞著卡的生命周期展開，從開卡、核卡、促活、消費到最后的賬單分期。
例如開卡環節可以支持某一個地市，針對一個具體人群，例如公務員人群、教師人群或者是微商人群，在這個過程中，整個的對話流程、落地頁以及相應的用戶回答的問題庫都不盡相同，這樣有針對性的細分可以讓機器人更貼近用戶，溝通的內容更貼合他的感知，一方面體驗更好，另一方面其轉化率也會更高。
在實際應用當中，凡是重復機械式的外呼任務，都可以交給AI智能營銷外呼機器人來完成海量的客戶意向篩選、客戶回訪、活動營銷、電話通知等等，幾乎涉及到銀行所有的核心業務部門。
同時，我們也利用邊緣計算技術，通過大規模的 Multiagent模型的分布式AI系統架構，實現了計算資源、數據資源、帶寬資源的云、邊、端的最佳配置。
在支行網點、合作商戶、經營場所、配置服務器運行統一功能的智能代理軟件，在各個軟件中心、數據中心配置大型語音服務器，承載無相盤的超級大腦，多個超級大腦和各支行的服務器，通過統一的數據智能加網絡協同框架，共同完成各項智能金融業務。
整個的實踐流程提供平臺加一攬子服務，是一個可驗證、可回溯的交鑰匙工程。
——銀行智慧零售全鏈路閉環層
在銀行新零售的場景營銷這個自動化流程過程中，要做到將其數據應用滲透到場景當中的每一個節點，也就是要把AI在整個環節當中的每個環節都要做好，這個過程被稱為S1到S5的全過程自動化運營。
包括自動識別（識別用戶），自動推薦（推薦用戶喜歡的產品），自動跟進，自動計酬，以及自動優化五個過程，將超級大腦AI工具、智能終端整合起來，形成一套全自動的運營增長系統。
全自動識別，擴大銀行的主要出口場景上的識別范圍，覆蓋了APP、微服務網站以及線下的網點與合作商戶。從設備指紋、ID逐步擴展到用戶生物特征的識別。
比如可以利用合作商戶自有的視頻攝像頭，比較準確地識別用戶，在營業廳也可以提供這種生物識別特征。
全自動推薦，從利用行方現有的數倉，用戶現有的標簽數據的自動聚類和個性化的推薦，以及無相盤的能力，利用用戶實時行為和海量維度特征，進行千人千面的自動算法推薦。
全自動溯源，在推薦出來后，通過各個渠道以及客戶經理掌上移動辦公的社交傳播工具推廣出去之后，要核銷業務是否得以辦成。
另外，在計算業績時也需要做到全自動溯源，也就是RPA驅動引擎還要負責記錄在整個傳播鏈路當中所有節點的溯源關系，并且通過計算的所有節點的傳播指數來動態分配，以提高整個傳播鏈路的效率，最后做到閉環的核銷等等。
全自動優化，在整個過程完成算法迭代以后，需要在平臺上測試不同的算法，因為在不同節點上它有不同的策略，我們可以針對這些不同策略快速部署ABtest算法，保證在有大批量推薦策略的情況下，盡快地縮短冷啟動的時間，迅速找到最優策略。
雷鋒網主辦的本系列云峰會暫告一段落，欲獲得所有講者視頻以及PPT回顧內容，可關注公眾號“AI金融評論”（ID: aijinrongpinglun），進群獲取回放鏈接。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
