上周，雷锋网AI金融评论邀请到了百融云创副总裁薛婧做客雷锋网公开课，以“AI助力金融机构五大场景智能化转型实战讲解”为题进行了干货分享。后续将有更多课程上线，添加微信号 AIFintech_leiphone 报名听课。
关注AI金融评论，后台回复“百融公开课”即可下载课件。
目前薛婧负责百融云创客户的解决方案及行研中心两大部门，她表示，线上业务相对成熟的的一些机构，实际上整体业务量并没有受疫情的影响，反而比去年同期（即农历春节前后）的状况要好很多。而金融机构也从原来更注重自研产品的思路，向以客户为中心转变，基于客户需求进行相应产品的开发和迭代。
在服务3500余家金融机构、日均辅助审批信贷申请数百万笔的磨练下，百融云创摸索出了一套金融重点业务场景智能化转型的独家招式。薛婧结合百融云创的丰富合作经验，解读了金融机构从网点式思维向线上化、智能化转型的技术方针。
以下为薛婧分享内容节选，雷锋网AI金融评论做了不改变原意的编辑。
本部分主要是结合金融业务的实际场景，来介绍人工智能可以如何帮助金融机构去真正实现一些智能化的转型。
首先讲人工智能还有整个金融行业的发展，实际上金融行业每次革新性的发展都是离不开技术的。我们以银行为例，目前为止银行已经进入到了4.0时期。
银行的1.0时期，实际上是从1472年开始，以第一个物理网点出现为起始。到了1980年，银行开始出现了ATM机，这个时候就过渡到了2.0版本。随着互联网的技术，包括移动智能手机的不断普及和应用，银行进入到3.0的阶段。这个时期的主要特点，实际上就是移动钱包、移动存款啊，包括很多电子银行，都是在这个时期在逐渐开展业务的。
从17年开始一直到未来很长一段时间，进入到银行的4.0时期，已经从原来的网点业务开始逐渐转向深入到各个场景方。所以未来银行很可能是一个无感知的、开放银行的概念，它会把自己的服务能力嵌入到各个场景下，在各个场景内客户就可以得到相应的金融服务。
无论是银行，还是其他原来很多的业务，它的业务模式其实是基于自己的网点或者线下门店来开展的。
之前机构更加注重的是自研产品，就是我开发了一个新的产品，实际上是客户需要来适应我，而不是我基于客户的需求来开发的。这是原来的传统自营业务模式。
银行非常稳健，它的转型也是比较慢的。现在互联网业务竞争激烈，银行也已经开始意识到说，首先不能够再固步自封，不能够以产品为中心，而是要以客户为中心，基于客户的需求，来进行相应产品的开发和迭代。
同时，由原来的网点式思维，转变成现在积极利用线上化的工具，为客户提供更顺畅的、更快捷的一些普惠业务。
从疫情开始一直到现在，我们观察到，对于线上化业务已经相对成熟的金融机构，比如说像消费金融和其他的一些非银机构，他们原有的信审流程就已经是线上化的。做一笔借款，秒批秒贷，很短的时间内就可以拿到相应的金融服务产品了，这都是因为他有一套完整的线上风控流程来做支持。
银行很多业务是以线下网点为基础，你要到网点去做面签才能够完成这项业务。而且整个审批流程也比较长，很多环节上都是需要人工介入，就会拉长审批时效性。
我们发现，前面说的线上业务相对成熟的的一些机构，实际上整体业务量并没有受疫情的影响，反而比去年同期（农历春节前后）的状况要好很多。
反观银行，整体业务量就会受到大幅度的影响，节后三周我们观察到的结果要比19年下降了至少5成，至少5成——大量的客户实际上都已经转到了其他线上化相对成熟的金融机构。
所以这个是机构整体业务模式的转变。疫情对于金融机构，尤其是像银行这样相对保守性的机构，这是加速了它们转型升级的步伐。原来可能还是想再看一看，现在已经是不得不去做实事了。
今天重点介绍这五个场景：智能风控、智能营销、智能支付、智能客服和智能投顾，看在这几个场景下，人工智能的技术是如何助力金融机构来做整体转型的。
智能风控主要指的就是基于信贷场景下，综合判断是不是能够给这个客户贷钱？贷完钱之后，能不能够及时足额还款？如果不还，贷后催收可以怎么处理？
在智能风控的全流程里，贷前就是我们讲的准入阶段，就是银行或者金融机构决定要不要借你钱的环节。实际主要关注的是两类风险：欺诈风险——是不是来骗钱的？再有一个就是信用风险，就是能不能未来足额还钱。
贷中环节，就是说我已经把钱给他了，但是客户还没有完成所有的还款周期，贷中要持续监控他的状态，这个时候会有相应的风险预警。
贷后，也就是真正出现逾期之后，会有很多的客服和催收人员来打电话，在整个贷后管理上，也可以运用一些智能化的工具来提升整体的效率。
在具体的应用上，比如说在贷前用人脸识别技术，一定程度上解决需要线下面签的问题。
它其实是人工智能技术的一个应用分支，去分析客户的聚类现象，通过一些算法可以找到这些顶点之间的一种关系。如果聚在一起，代表他们其实是有一些强绑定的关系的。
图谱最核心的应用点就是找到欺诈客户，会发现一些黑中介者是团伙欺诈。比如说这张图，我们拿到了一个客户的手机号，在底层数据进行关联，发现它关联了4张身份证号，然后又关联了一个邮箱。那么其中三个身份证号还有邮箱都没有关联出任何信息，只有一个身份证号又关联出了一个邮箱，然后关联出一个电话之后，这个关系网络也断了。在我们的这个判断里，就会认为他是一个疑似的黑中介。
一个正常的客户，实际上他的手机号跟身份证号之间是有绑定关系的，现在的话可能差不多有2~3个是比较正常的。一下子有了4个甚至以上的绑定关系，一个手机号绑定了四五个以上的这样的身份证号，可以想象到它的一个场景是，用一个手机绑定不同的实名信息，也就是其他的客户信息来进行骗贷，在同一个平台或者多个平台来进行骗贷，所以才会有这样的结果。
大家可能会问，这是怎么找到这些实名信息的？实际上在整个的欺诈环节内，很多的黑中介或者是团伙欺诈，他们是有相应的渠道可以拿到你的姓名、身份证、手机号，而且成本非常便宜，不到一块钱。拿到这些信息之后，就可以跟他的手机绑定，然后在平台上进行申请。
所以之前遇到有些客户说，看到自己的人行征信，发现欠款了有逾期，这个客户其实根本就不知道自己有这笔借款，很可能就是因为他的信息被盗用了。黑中介以他的身份进行借贷行为，最后产生逾期。
另一种情况是，比如说张三跟李四，两个不同的人，公司也不同，但是你发现他们留下的前台座机号是同一个，或者手机通讯录完全一致，所以通过这样的一些关系分析，我们就可以找到这种团伙。
如果是个人贷款产生不良，实际上只是一笔；但如果是团伙，一旦金融机构没有准确识别，基本上全部都会是坏账，这对金融机构的压力就会非常大。
我们最近的数据也显示，在疫情的作用下，全国整体的团伙欺诈风险都在上升。
除此以外，还有智能风控的智能机器人。大家最先接触到的智能机器人是在一些银行的网点，机器人可以跟你一问一答，产生交互。现在疫情，很多银行客服也是没有办法上班的，所以这个时候有些银行全部都调用的智能语音产品，由机器人提供相应的服务，也是一个趋势。
大数据的风控模型如何搭建？
简单来说，原来传统的模型、搭建方式，是用逻辑回归，而且主要依据人行征信报告，无非基于客户之前有没有不良记录、欠款，然后判断整体风险，再决定要不要放贷。你会发现很多都是信贷强相关的数据，我用逻辑回归，基本上用不超过10个变量，就可以综合判断了。
但是传统风控建模，在现有的场景下，它遇到的最强大的挑战就是很多白户。很多年轻人群就属于我们讲的那种，没有之前被服务好的长尾客户。实际上他们之前没有办过信用卡，没有车贷，没有房贷，所以在人行征信上你看不到其他的所有的信贷记录。
但是这些客户也有非常强的信贷需求，而且这里边有很多优质客户，比如说工作5年以内的年轻白领，他虽然现在可能没车、没房，甚至没有信用卡，但是他未来一定会是银行非常好的潜在客户。所以其实用传统的风控模型，你会发现，有大量的客户会被银行拒绝掉，拿不到银行服务的。
所以新型智能化风控模型，我们用的是什么方式？
首先用到的，可能是非信贷场景下的弱相关变量，就是并不基于信贷场景下来进行分析的。比如说你之前的一些消费行为，浏览行为，你经常喜欢看哪些模块的内容？还有你的社交圈，虽然这些跟信贷不是直接相关，但是可以判断你的整体风险。
所以在整个的模型搭建上，我也不会只用10个左右的变量，甚至可能有成千上万个变量，所以这个时候就需要有人工智能的算法来做支持，它会用到像上面我们看到的GBDT、神经网络等等，这样一些更高级一点的算法，把这些成千上万个变量来进行整合。
最后我来综合分析这个客户，我到底要不要给他准入？所以这是两个非常大的区别，用专业一点的话来说，就是传统风控模型，我用到的是信贷强相关的数据。但用到的关键变量解决不了白户的问题，一旦客户缺失某几项信息，模型就是不稳定的，后果就是我对这个客户没有办法进行准确判断。
大数据风控模型的思路是，用非常多的弱相关变量，去综合分析客户。即使他之前没有发生过任何借贷行为，我依然可以判断客户的风险。
为什么现在很多客户可以在不同平台上借贷了？你想要的金融服务除了银行以外，其他机构也能帮你来实现，而且整个的流程是非常顺畅的。为什么可以实现秒批秒贷？实际上都是有这些大数据和人工智能的技术在帮助金融机构去做综合判断。
除此以外，我们还有像智能训练平台，一站式建模，会把刚才提到的很多非常复杂的算法，把它包在整个的自动训练平台里边。要了解算法和场景，需要非常高的学习成本。市场上的风控人员实际上是很稀缺的，我们把百融6年的经验全部包在这个线上化的自动模型训练平台上，对于小白分析师或者刚入行的从业人员来讲，很快就能搭建完一个复杂的机器学习模型，整个模型的开发周期也大幅缩减，基本上是在以天为单位就可以完成一个模型的开发、上线和部署。
这次很多金融机构没有办法集中上班，所以也用到大量的智能语音工具。在这个场景下，包括文字坐席、智能IVR（Interactive Voice Response，互动式语音应答）机器人去跟客户产生交互，还有智能质检等。举个例子，这是客户已经逾期的场景。基于现在的疫情，我们在做贷后管理的时候，实际上是会有这样的一些话术可以给到机构的。
另外一个最近常用的场景，是基于很多地方政府或者社区，需要对社区居民回访。
更多场景应用的案例音频，请持续关注AI金融评论，全场回放视频即将上线。
在跟客户产生交互的时候，主要采用的是IVR。当我们听到客户的语音，首先机器人要把它转化成文字，也就是ASR技术（Automatic Speech Recognition，语音识别），微信语音长按转文字就是ASR技术的一种体现。
第二步就是机器人的大脑，NLP技术（自然语言处理）。我要准确知道客户到底说了什么，要知道如何回复客户，如何应答。
当我理解了客户的意思，也知道应该如何回答客户的时候，这个时候要把这段文字再转化成语音，这里用到的是TTS（Text To Speech，文本到语音），可以理解成是语音转换器。
最后这段语音推给客户，通过IVR来进行交互——这么多步骤，实际上机器人跟客户之间的交互是没有什么延迟的。
还是以银行为例，因为银行的例子会丰富一点，也是大家平时能够接触到的。
对于银行来讲，传统的营销方式主要包括物理网点上的营销、地推路演、沙龙会议，用电话或者短信触达，在媒体广告上进行传播。
这些大家都不陌生，但你会发现实际上这里边有一个问题：受制于场景和场地，没有办法触达全量的客户；也不够精准，并不了解这个客户他真正的需求是什么，他只是盲目去推广，广撒网。可能我把传单给到了所有人，但实际上这个客户可能是一个VIP客户，另外一个客户可能根本就不符合我的准入条件，他的资质可能都不是特别好。
传统的整体营销方式，会有种种局限。那么在整个营销智能化的转型中，人工智能技术可以帮助银行去做的一件事情，就是帮助你更准确地去分析客户的需求，同时给客户去匹配与它需求相对应的产品。这一点实际上是非常关键的。
这里面我们会用到的技术也比较多，比如说像客户画像，会用到一些相应的营销的评分，来帮助银行来进行整体的客户分层。主要目的就是帮助银行来分析，哪些才是你的目标客户？这些目标客户适合现有的哪些产品？真正达到了一个更精准的效果。而且节省大量的人工，省去和不必要的一些劳动力。
花旗银行的数据显示，到2017年的时候，中国的个人可投资资产总额已经达到了188亿以上。估计到2020年底，国内的整体可投资的资产规模将要达到200万亿以上，高净值人群的比重也将上升到49%。
今年的疫情可能会使数据有一些波动，但实际上整体的趋势还是看得非常清晰的。财富其实是增长的，那么如何很好地去进行投资，让财产能够保值增值，这都是大家非常关注的问题。
大众对资产配置的渴望在增加，原来的基金公司、理财公司更多关注的是高净值的客户，有很多长尾客户的需求，实际上并没有真正地被满足到，没有很好地被服务到。这就跟现在发展普惠金融业务，包括对于长尾客户的零售金融业务，整体思路是一致的。
随之上线的就是智能投顾的产品，其实就是对于这些小散户，提供一些真正符合他们需求的智能化建议。
在智能投顾的发展过程中，实际上非常重要的一环就是KYC（Know your customer，了解你的客户），就是你要知道这个客户的风险是什么样的？他的需求偏好是什么样的？我应该如何给他配置资产？是需要给他多买一些固定收益产品，还是需要进行风险投资？现在是不是有保险的需求？他最近有没有一些贷款的需求？在客户的整个生命周期里，需求的内容都是不一样的，需要真正能够了解客户现在的一些资产状况、近期计划和中长期计划来综合考虑。
在美国，我不知道有没有观众考过CFA，它其实主要培养的就是投资经理、理财经理。这些理财经理实际上服务的客群也是VIP的高净值客户。他需要收取高昂的管理费，在这个场景下，他才会为你量身定制去分析你现有的资产状况，在近期之内你有没有一些消费支出，比如孩子上学、出行计划、有购房需求等等；远期你的养老金应该如何来打理等等，他会按照你的整个生命周期进行一个全流程全方案的分配，制定专属的投资建议书。
这项服务目前为止对于个人客户，尤其是散户来讲，还是比较奢侈的。所以智能投顾未来如果真正能够发展起来，它是有非常广阔的场景。
目前为止中国的智能投顾还是存在一些很明显的问题。首先整体行业的技术并不成熟，它并没有达到真正根据不同资产状况和全生命周期来制定不同投资计划的水平，现在很多时候还是需要人工介入，没有办法实现我们实现智能化、自动化的财富管理目的。
另外，银行目前对智能投顾的投入和发展还是相对落后的。同时，公众的认知也有待提高，大家对整个智能投顾（的了解），可能更多是一个概念，知道有这么个东西但实际上并不会信任他，更多的还是把钱直接去给到银行的理财经理，让他们来帮助你来做整体的投资。但随着大众认知的提高，技术的不断提升，一定会有这样的一些平台，能够开发出相适应的一些产品，来服务长尾客户群体。
全场回放视频即将上线，敬请期待。
正在生成分享图...
nebula