摸象科技董事长高鹏：服务2000+银行后，我们找到了客户经理的「智能营销工具」理想型

对无数银行基层员工来说，最“有用”的银行科技，估计还得看智能营销赛道。

究竟在全国数十万网点、数百万客户经理心中，怎样才算是行之有效的营销工具？如何能省时高效地触达用户，完成一场高质量的营销，而不只是对KPI应付了事？

银行的营销运营无疑更靠细节和长期耕耘取胜，作为技术服务商，要将复杂的银行基层业务“庖丁解牛”，真正帮助银行以用户为中心，重整端到端的用户服务体系。

为此，我们邀请到摸象科技董事长高鹏博士，做客「银行业AI生态云峰会」。高鹏师从中国工程院院士潘云鹤，拥有五项国家级发明专利，同时还是摸象浙大金融智能联合实验室主任，拥有丰富的从业经验和硬实的技术背景。

这一次，他立足于「智能营销」赛道，带来他们帮助国内2000+银行，全面实现金融全自动化场景、实时推荐智能运营的实践经验。

这也是雷锋网《AI金融评论》主办的「银行业AI生态云峰会」最后一场演讲。在本系列云峰会中，我们相继邀请了数字化风控、数字化营销、数字化客服、数据平台、数据中台、数据安全、数据库、银行云、银行RPA、银行业务系统，十大银行赛道里的科技专家，分享他们对于银行科技的理解。

欲获得所有讲者视频以及PPT回顾内容，可关注公众号“AI金融评论”（ID: aijinrongpinglun），进群获取回放链接。

以下为高鹏博士的演讲内容，雷锋网AI金融评论作了不改变原意的编辑：

大家好，今天我分享的主题是《未来银行-数据驱动的银行AI新零售场景智能营销》。

银行零售营销面临的线上线下痛点

首先，银行业务营销当中面临的一些痛点。

在向数字化转型的过程当中，银行并非要从零到一，建设一套新的线上运营模式。也就是银行不是做“互联网+”，而是做“+互联网”。

银行一方面有着海量数据和优质的金融产品，同时还有着海量用户以及非常强大的推荐引擎，可以计算出适合推荐给用户的产品。

现在银行面临的最大挑战就是如何根据用户需求，将合适的产品真正触达到合适的用户，并且让用户在良好的体验下使用业务，我们将其归纳为如何挖掘、如何触达、如何跟进这样一个闭环。

据统计，目前全国有35万个银行网点，数百万客户经理，但是在基层的支行和网点缺乏数字化的工具，导致存量的数据资产很难得到有效利用，造成银行的基层结构很难直接发力，进而实现线上营销。

银行的数字化转型就是要把线下和线上的新零售模式结合起来。在转型的过程中，实现新零售模式的难点有以下三个方面：

首先，在业务上，如何统一用户视角，把高度横向分化的价值模块整合成以用户为中心的纵向的价值链条，打造端到端的用户服务体系。

第二，在数据上，如何统一开展数据治理，将分散的孤岛数据转变成可信的数据资产，形成以数据支撑全局和以用户为中心的端到端的数据赋能体系。

第三，在组织上，如何改变高度依赖横向竞争者的分布式架构，围绕核心价值链构建以用户为中心的平台式架构，从流程驱动转向数据驱动。

如果上述难点不能得以解决，一旦整个新零售模式形成信息割裂和孤岛状态，数字化转型就很容易成为增加基层负担的形式主义。

而要实现全面的平滑流转，就需要用数据智能驱动的新零售工具来赋能组织以实现自动化的运营。

数字化智能管理平台实现大规模精准营销

对此，我们的方案就是将银行的线下资源用数据智能+AI工具驱动起来。

整个解决方案是用一个金融大脑驱动两个工具，用RPA机器人来实现全流程的自动化流转。

一个大脑指的是无相盘深度学习挖掘引擎，是一个研发平台产品，也有推荐深度挖掘的能力，同时还是用于驱动整个流程运转的驱动引擎。

两个工具，一个是象小秘的AI外呼系统，可以自动实现机器人的仿真化外呼。

另外一个就是龙虎榜社交智能触客小程序，支持支行网点客户经理掌上移动办公，可以自动将机器人营销成功的意向用户，推送到对应的客户经理掌上，客户经理利用这个工具对用户进行一对一跟进管理。在此过程当中，可以实现数据不落地的全程自动流转。

随着零售场景的不同，这套系统将有更多的工具节点加入到自动化流程当中，例如群发短信的短信节点，人工外呼系统的节点，企业微信的应用节点等等，这套RPA系统可以完全光滑的兼容和吸纳这些节点加入到流程当中，从而完成针对更加复杂场景的营销和运营。

接下来是整个平台的详细情况。

——AI商机挖掘引擎层

首先，无相盘的数据挖掘引擎，是一套以金融大数据为核心的分布式、实时大数据挖掘系统，通过对海量的历史与实时数据的采集、计算、存储、加工，训练大规模机器学习和深度学习模型，挖掘用户行为之间的关键因子，为银行匹配企业商机和用户潜在的需求。

这个引擎主要有两个作用，一个是用于帮助具体的产品或者场景寻找潜在客户。另外一个就是推荐作用，在给定一个用户后，从海量的产品库里面选择最适合它的产品，所以它是一个硬币的两面。

无相盘有以下六大特点：

1. 特征处理，提取用户的信息、基础信息、资产、信用、消费等多维度特征，全部离散化、特征化、标签化，在交叉以后，基本的特征维度有2000维甚至更多。

2. 算法库，可以容纳大规模的机器学习和深度学习的算法，包括LR、MLR、CNN、DNN等等相关算法。

3. 针对性的服务设计，从用户信息和历史交易数据当中挖掘潜在客户和客户偏好并预测概率，提供具体的客户人群包、产品推荐序列等服务。

4. 模型追踪，可以在平台上实现从“模型预测”到“用户触达”，再到“意向识别”的效果验证闭环。

5. 模型训练，提取正负的训练样本进行模型训练，而且可以在各个具体的模型当中同步并发的训练。

6. 模型库，比如资产预估模型，理财偏好模型，高消费模型、代发工资活跃因子等等模型。

同时，平台一个非常重要的能力就是支持机器学习建模，因为现在银行的数据量也足以支撑基于深度神经网络机器学习，那么，这个建模平台可以支持各种优化模型以及第三方的机器学习模型以实现落地优化和调试。

——RPA数据驱动引擎层

通过挖掘、推荐将相应场景的潜在用户提取出来，帮助将大脑当中挖掘出来的目标客户应用到各个场景，无相盘在挖掘引擎的基础上，针对用户标签和特征值进行分类聚合，形成了特定场景的客群划分，从而可以根据客户画像进行定向输出。

自动驱动工具，进行多个渠道的自动化的投放运营，更多是提供了API和SRS的输出界面，好处在于可以大幅度降低使用大数据平台的门槛。

除了大数据相关人员可以用编程接口来做以外，有一定模型基础的业务人员、营销人员也可以直接在平台上根据其喜好，个性化生成客群的人群包、白名单库等等。

以汽车车主为例，首先可以把车主人群筛选出来，然后根据车主人群的资产标签的特征，以及车主在购车、借贷、车辆保养、购买保险等行为进行相应的推荐。

我们不仅仅输出推荐产品的结果，而且实际的驱动工具能够直接触达用户、进行个性化营销，同时在第一个流程节点的营销网获取意向用户，再推送给下个流程。

比如下一个对应的客户经理，能够根据机器人和（上一个）客户经理的具体跟进成效，为其累计业绩，同时这些业绩又能够验证和反馈训练挖掘模型，从而形成一个端到端的全数据运营的闭环。

RPA驱动引擎场景，可以对各种零售业务场景精准输出潜在的意向用户，并按照用户和业务场景的相关度的数据大小的排序输出白名单。

通过行方的手机银行的线上渠道、短信、人工坐席、象小秘的AI外呼等多个促客平台和工具针对用户展开一人一面的营销，同时在良好的用户体验下获得高转化率。

同时，这些数据驱动的场景营销和运营活动都是自动化流转和运行的，可以触达人工服务条件下无法触达的几乎所有零售场景和海量的长尾用户，从而产生了新收入，创造出新业绩，完成KPI。同时因为整套系统都是自动化流转的，基层减负的问题也得以解决，基层员工的负载反而是呈下降趋势的。

总体而言，驱动引擎是围绕着用户的需求进行端到端的业务闭环。相关场景包含了金融业务的事前、事中、事后，将以前大量的繁忙的银行基层事务工作转化为机器人的任务，以及人机协同的过程，以达到降本增效的结果。

同时，可以将原来银行只能够服务5%的头部私行客户的服务能力，提升到可以为80% ~90%的长尾客户都提供精细化以及个性化的服务，真正实现带来新收入、创造新业绩的目标。

——AI数据驱动用户触达层

目前，象小秘AI智能营销外呼语音机器人已经实现软硬件一体化，将其落地到分行、支行，部署相应的象小秘智能终端，可以非常灵活组网，每个终端上可以跑8-12个这样的机器人。

这样就使得原本需要客户经理投入大量精力参与的电话营销工作，或者是微信上的对话工作，优化为通过机器人与客户进行初步的沟通和筛选，将意向用户筛选出来之后，再由客户经理二次跟进转化的人机协同的工作模式，从而帮助网点以及客户经理极大提高触达用户的效率。

此外，在整个过程中，AI还可以在后台实现自动的督导、统计、优化，也可以对后续人工客户经理跟进的相关内容和话术进行评估和打分，再反过来对人工的跟进环节以及人工呼叫的相关工作进行评估和质检。

AI智能外呼营销具有以下优势：

首先，节省人工费用。相对于人工外呼，在同等转化率的情况下，根据目前客户与商务模式估算出来，AI机器人每天只需要27元的成本。

而人类客户经理一般则需要日均700元的成本，如果一个客户经理外加三个机器人助手，总业绩就相当于10个人工客户经理所完成的业绩。

第二，沟通质量高，AI机器人不会受到工作时长的影响或者其他方面带来的情绪问题。

第三，另外，语音的质量可以进行个性化调配，会根据嵌入程序稳定的与客户进行沟通，没有太多差错率，同时也可以带来比较方便的培训和训练，达成真正的标准化。而人工外呼团队要进行标准化的培训，还是要付出相当的努力。

第四，不断提升正反馈， AI智能对话平台能够不断积累相应数据，机器人通过自然语言与客户沟通，在过程沟通当中，后台的智能软件能够实时分析对话内容，将对话内容首先以结构化的数据进行存储。

第五，同时后台软件能够实时标注互动内容，利用标注后的数据，不断自动机器学习优化NLP的语言模型，从而提高端到端的识别率和准确率。

整个AI的外呼平台是基于以下4个层级来进行架构的：

底层是一个通用的知识图谱，机器人在与用户对话的过程中，可能用户会问一些通用知识相关，机器人也要掌握。

再上层是一个针对行业和具体场景的知识库，我们将其分成金融相关场景的知识库，例如年底的大额理财或者是信用卡推广的开门红等。

第三层是NLP能力层，NLP平台已经历过数亿次的真实对话和多轮对话的场景，包括智能语音的翻译、智能语义以及智能对话、意图识别等等。

最上层就是具体的应用场景，针对目前银行客户的多个核心的业务部门，比如个金部，涉及到相关的理财、存款、保险以及贷款等；网金部则会涉及到第三方支付平台绑卡，电子医保业务，还有手机银行等。

此外，信用卡部也是拥有非常丰富的场景，主要围绕着卡的生命周期展开，从开卡、核卡、促活、消费到最后的账单分期。

例如开卡环节可以支持某一个地市，针对一个具体人群，例如公务员人群、教师人群或者是微商人群，在这个过程中，整个的对话流程、落地页以及相应的用户回答的问题库都不尽相同，这样有针对性的细分可以让机器人更贴近用户，沟通的内容更贴合他的感知，一方面体验更好，另一方面其转化率也会更高。

在实际应用当中，凡是重复机械式的外呼任务，都可以交给AI智能营销外呼机器人来完成海量的客户意向筛选、客户回访、活动营销、电话通知等等，几乎涉及到银行所有的核心业务部门。

同时，我们也利用边缘计算技术，通过大规模的 Multiagent模型的分布式AI系统架构，实现了计算资源、数据资源、带宽资源的云、边、端的最佳配置。

在支行网点、合作商户、经营场所、配置服务器运行统一功能的智能代理软件，在各个软件中心、数据中心配置大型语音服务器，承载无相盘的超级大脑，多个超级大脑和各支行的服务器，通过统一的数据智能加网络协同框架，共同完成各项智能金融业务。

整个的实践流程提供平台加一揽子服务，是一个可验证、可回溯的交钥匙工程。

——银行智慧零售全链路闭环层

在银行新零售的场景营销这个自动化流程过程中，要做到将其数据应用渗透到场景当中的每一个节点，也就是要把AI在整个环节当中的每个环节都要做好，这个过程被称为S1到S5的全过程自动化运营。

包括自动识别（识别用户），自动推荐（推荐用户喜欢的产品），自动跟进，自动计酬，以及自动优化五个过程，将超级大脑AI工具、智能终端整合起来，形成一套全自动的运营增长系统。

全自动识别，扩大银行的主要出口场景上的识别范围，覆盖了APP、微服务网站以及线下的网点与合作商户。从设备指纹、ID逐步扩展到用户生物特征的识别。

比如可以利用合作商户自有的视频摄像头，比较准确地识别用户，在营业厅也可以提供这种生物识别特征。

全自动推荐，从利用行方现有的数仓，用户现有的标签数据的自动聚类和个性化的推荐，以及无相盘的能力，利用用户实时行为和海量维度特征，进行千人千面的自动算法推荐。

全自动溯源，在推荐出来后，通过各个渠道以及客户经理掌上移动办公的社交传播工具推广出去之后，要核销业务是否得以办成。

另外，在计算业绩时也需要做到全自动溯源，也就是RPA驱动引擎还要负责记录在整个传播链路当中所有节点的溯源关系，并且通过计算的所有节点的传播指数来动态分配，以提高整个传播链路的效率，最后做到闭环的核销等等。

全自动优化，在整个过程完成算法迭代以后，需要在平台上测试不同的算法，因为在不同节点上它有不同的策略，我们可以针对这些不同策略快速部署ABtest算法，保证在有大批量推荐策略的情况下，尽快地缩短冷启动的时间，迅速找到最优策略。

系列全回顾丨银行业AI生态云峰会

雷锋网主办的本系列云峰会暂告一段落，欲获得所有讲者视频以及PPT回顾内容，可关注公众号“AI金融评论”（ID: aijinrongpinglun），进群获取回放链接。