数字化经营 智慧数字经营

3. 建设全流程风控体系，降低风险成本压力

稳健、完备的全流程风控体系，具备三方面的价值：通过对借款人多维度分析和一对一精准定价，可以开发之前被认为风险过大无法进入的市场，增加贷款额；依托分析模型准确预测违约率，减少信用损失；通过大数据分析和自动化决策流程，降低风险加权资产RWA。

权威机构数据显示，上述三方面的价值可分别量化为：为金融机构带来每年2%-4%的增长幅度；减少10%~15%信用损失；以及降低5%-9%的市场风险RWA。

另外，再考虑到国内当下借贷者还款能力下降、违约风险提高的背景，银行资产质量，及其资产管理能力已然成为核心竞争力。

基于大量访谈和调研，爱分析发现，目前国内银行在零售信贷风险管理领域的实践主要集中贷前反欺诈、贷前授信审批、贷中预警和贷后处置四方面。

3.1.优化贷前准入与贷中监测风控体系，严控增量风险

目前，银行业金融机构在贷前反欺诈、授信审批和贷中监测方面，存在着以下三个方面的难点：

首先，在贷前反欺诈阶段，面对来自互联网的下沉流量，银行和消费金融公司往往缺乏相应的数据积累，难以识别多头借贷、团伙欺诈等欺诈风险。

其次，在贷前授信审批阶段，传统审批方式数据维度单一，风控模型准确度差，对隐藏的信用风险难以识别。此外，银行和消费金融公司更多依赖线下信审方式，由业务部门提交纸质资料个相关授信审批人员，由其进行信息录入和调研。这一模式审批流程耗时长，审批效率低。

最后，在贷中监测阶段，由于缺乏贷中预警机制，银行和消费金融公司对潜在坏账风险难以提前识别、预防。

随着新数据源的接入、算法和模型的提升，在贷前和贷中阶段，银行和消费金融公司在零售信贷风险管理领域的实践主要集中在两方面：

1）基于大数据和机器学习，利用已有的用户标签建立资质挡板，构建人群基础画像。并在此之上进行后续环节的风险筛查，覆盖贷前风险识别和定额，以及贷中实时监测预警。

例如，在贷前准入环节的反欺诈风险、客户还款能力判定；在信用审批环节按照不同客群分组定额，领先的消费金融机构甚至能够做到千人前面风险定价；在贷中环节对高风险交易行为、客户流失预测。

2）授信流程线上化、自动化。自动化的授信审批流程将申请流程和风控决策流程线上化、智能化，能够实现在没有人为干预的情况下进行精准风险评估。权威机构数据表明，流程自动化能够减少手动、重复性任务中（例如贷款审批过程中往风险系统中输入数据、数据异常检测和清理等），将效率提高了70%-80%。

目前，领先的银行和消费金融公司在贷前、贷中风险管控领域已有最佳实践。

近一两年以来，银行越来越重视对下沉客群的覆盖。例如，某国有行信用卡中心原本对于下沉客群数据积累和模型构建的经验欠缺，通过联合建模的方式，引入外部数据源作为行内数据的补充，以构建下沉客群用户画像，并对外部流量进行筛选和风险管控，有效减少了欺诈风险。

相比于银行，持牌消费金融公司受到监管压力较小，对复杂风控模型的开发程度和接受度更高。传统建模方式是引入强变量，使用简单的逻辑回归的线性模型。目前，消费金融机构更倾向于引入更多弱变量，以增加数据维度，部署诸如随机森林、机器学习等复杂程度更高的模型。

例如，某头部消金公司依托大数据、AI技术建立大数据风控平台，对多源异构数据进行整合，采用GBDT等机器学习算法开发风控模型，生成了10万个变量。针对不同层级的客群，形成了600项以上精细化的策略。疫情前后，该机构信贷产品30+逾期率维持在0.5%以下，显著低于3%~4%的行业平均水平。

在流程自动化方面，领先的银行通过部署机器学习平台，覆盖数据接入、数据处理、特征工程、模型训练和模型管理端到端的机器学习流程，实现自动化、低门槛快速模型开发，提升了授信审批效率。例如，某头部城商行采用了机器学习平台后节省工作量约为1~2人/月。

华策数科：以数字之力,“决策引擎”护航银行授信审批线上智能化

随着大数据、互联网技术的发展，特别是在互联网金融多年的流量裹挟之后，银行数字化进程虽然一定程度上丰富了银行的产品和业务种类，提升了渠道便利性和客户体验，然而传统的风控方式仍难以满足海量来自互联网下沉流量的风险管控需求。与银行数字化相伴而生的欺诈风险，时刻考验着银行的管理和风险防控能力。

基于案例透析，爱分析试图探寻银行业在全流程风控体系过程中，通过数字转型实现降本增效的最佳实践路径。案例银行作为中部地区头部城商行，此前在发展普惠金融业务过程中，已在内部进行了部分数字化改革，包括引进国外的系统软件对流程进行了优化等，但在实际的业务场景中，依然面临着客户信息真实性难以识别、人工核查成本高等问题，而这些问题，在金融科技助力之下，将得到有效的解决。

从用户生命周期角度，银行的风险管理贯穿反欺诈、贷前客户识别、贷中监测、贷后管理等环节，每个环节都需要通过业务部门和技术部门的及时联动，最大化减少潜在的新增坏账损失。然而，在该城商行线上审批流程中，主要由IT人员部署风控规则和模型，对于新产生的业务需求，需要由行方的业务人员提出需求，IT人员排期、部署后才能对原有的风控模型做出调整，难以对客户的风险变化和行为变化及时做出反应。

因此，该城商行亟需建立一套以数字化为驱动的短平快的授信审批模式，精准识别用户欺诈风险，降低授信审批时长，并提升模型的业务响应效率。为此，该城商行和领先的第三方金融科技服务商华策数科合作，通过联合建模和系统引进的方式，开发评分卡模型和决策引擎，更好地推进数字化转型进程。

决策引擎赋能业务场景，有效降低67%的风控成本及4.2%坏账率

大数据是智能化风控建模的基石。只有基于海量、且多维度多层次的数据之上，银行才有可能通过数据挖掘、数据分析等手段，为客户建立个性化标签，使客户分层颗粒度更细，并利用机器学习、深度学习等算法进行更高频率的模型训练，提高风控模型准确率。

与全国性大型银行相比，该城商行作为地区性银行，拥有的下沉客群数量更多，而银行对这类客群往往缺乏完善的数据维度，因而承担较大的不确定性风险。

而华策数科的决策引擎系统则通过接入行内数据、央行征信数据和第三方数据，进行数据清洗、衍生变量开发等，将外部数据模型、行内数据模型通过决策引擎打通。

华策数科的评分卡也是该城商行使用的数据模型之一。华策数科基于多个客户标签对客户进行打分，在系统后台形成近百个版本的评分卡模型，根据使用场景以及产品类型挑选出对客群区分效果最好的评分卡版本，以API的方式接入、融合到行内原有的评分卡模型当中。这相当于在行方原有的评分卡模型中新增加了一个变量，丰富了数据维度，有效提升原行内的模型效果。

此外，决策引擎会优先调用低成本的数据（例如，行内数据）对客户进行第一轮分析和筛选，再调用较高成本的数据（例如，外部数据评分卡）对客户进行第二轮分析和筛选，将存在明显风险问题的客户排除在外，在保证风险可控的前提下，降低了67%的单位风控成本。

爱分析在调研中发现，由于小微企业往往缺乏公开透明的资料和正规的财务报表信息，使得银行往往难以识别小微企业欺诈风险，尤其是针对小微企业多头借贷的情况，银行不仅难以获得相关数据，且无从验证数据真实性。

该城商行的传统风控方式主要是基于行内数据和央行征信进行建模，能够获得的数据源较为有限，难以识别小微企业和零售客户多头借贷、薅羊毛等欺诈信息。且该城商行针对小微企业和零售客户的信贷审批，以往采取的是传统线下授信审批方式，即通过线下访谈、实地尽调的方式收集客户信息，审批时长从一周至一个月不等。

现阶段，依据公开信息、客户授权的数据等多数据源，该城商行能够获得客户80%的属性信息，并能够通过模型推算出其他关键风险属性，做到千人千面风险识别，帮助该城商行降低了4.2%的坏账率，将优质客户量提升了13%，有效优化了客群质量。

授信审批线上化，审批时长由数周到须臾便办

该城商行传统的授信审批方式，一般以线下访谈、实地尽调的方式进行，再由业务部门提交相关资料给授信审批部门批核，审批周期较长。而小微企业和个人往往需要在较短时间内获得贷款，线下授信审批的方式难以满足此类客户的需求。

针对以上问题，华策数科的决策引擎将授信审批流程线上化，有效提升了审批效率。在接入行内数据，内外部数据模型之后，决策引擎能够针对不同评分等级的用户，配置不同的决策流，并将决策引擎和银行方授信审批系统打通，输出差异化风控策略。例如，评分在90~100分的客户，可通过线上审批直接予以通过；对于评分在40~50分的客户，决策引擎会将其进行分流，建议银行方结合线下实地调研进行授信审批。

此外，随着银行业务场景和客户风险变化，华策数科决策引擎能够通过自动化建模的方式进行模型优化迭代。目前，华策数科的决策引擎模型的优化和迭代系统内设置的频率是每30天一次。借助华策数科10+年在金融风控行业的数据分析和经验积累，决策引擎能够识别出哪些变量在业务场景中是最有效的，从而自动采用这类变量建立风控规则和模型，对模型进行迭代和优化。

在授信审批时长方面，华策数科的决策引擎将其从数周缩短至几分钟之内。现阶段，该城商行已逐步减少人工审批比例，更多依赖线上自动化审批的方式。并且，由于决策引擎提升了审批速度，同时间能够容纳的业务量增多，该城商行的贷款规模提升了17%。

图形化操作降低使用门槛，让业务核心回归价值创造

在使用华策数科的决策引擎之前，该城商行的建模工作主要通过SAS来完成。但SAS采取的是IDE编码方式，学习成本高，难以在全行范围内进行推广。而且影响新场景、新算法的落地速度。

基于客户痛点洞察，华策数科的决策引擎进一步改善了该城商行管理模型部署的审批流程和个人权限等操作方式，相关业务人员能够通过拖拉拽的方式设置模型参数，并根据风控规则和模型效果实时调整参数，一键部署相关模型。因此，当业务出现变化时，无需通过IT人员，业务人员可直接手工进行决策流设置和模型参数调整，解决了风控流程中的IT依赖，极大的提升了业务响应速度。

2020年6月，银保监会《关于进一步规范信贷融资收费 降低企业融资综合成本的通知》正式生效。该规定强调银行应“根据企业申请，在存量贷款到期前，提前做好信贷评估和审核，提高响应速度和审批时效”，这对商业银行的风险管理提出了更高的要求。

目前，中小银行在智能风控领域经验较为欠缺，将更多的采取和第三方金融科技服务商合作的形式，搭建完善的风控管理体系。而在经济周期转变的当下，唯有打破银行数字化进阶中现实与虚拟的疆界，才能更好的让银行业务核心回归价值创造。

3.2. 优化贷后处置策略，化解存量风险

贷后处置阶段，是银行化解存量不良资产、实现全流程风险管控的最后关键环节。但是，过去银行对这一环节的关注度相对不足，管理手段相对粗放，缺乏数字化手段介入，已经成为拉高银行不良资产率和客户投诉率、降低客户体验的重要一环。

银行贷后处置面临两大挑战，一方面在于缺乏精细化催收策略、催收效率低下，另一方面在于人力成本高昂、合规压力巨大。

1）缺乏精细化催收策略，催收效率低下

疫情期间，银行逾期账款数量出现明显上升趋势，呼叫中心催收压力陡增，超负荷运转。但是，贷款逾期的原因多种多样，与客户各自的行为特征存在明显关联。

首先，大量逾期属于因遗忘、还款不及时造成的“善意逾期”，如果催收人员将过多精力分配在其中，则往往得不偿失。

其次，少量“恶意逾期”客户在贷中阶段的行为中已初现端倪，如果银行无法在还款前几日或逾期早期尽快介入，或者及时采取减免策略，则必然造成长期逾期，为银行积累大量不良资产。

因此，为减少坏账损失、节省催收成本，银行需要基于客户的各类行为数据，对逾期客群进行细分，并为每一类客群制定差异化催收策略，有效提升催收效率，降低人力投入。

精细化贷后管理，助力银行化解存量不良风险

某银行是头部股份制银行之一，贷款总额突破万亿。其华南地区某分行在个人零售业务贷后风险控制领域，一度面临不良率急剧上升的问题。该行不良率考核指标低于2%，但实际运营中，不良率已经在从4%向5%发展，严重超过了银行的预期和控制的警戒线。

产生这一问题的原因在于其贷后体系建设的滞后与互联网业务贷前贷中不相适配。该行以往采取的是人工催收方式，尚未建立贷后管理体系，缺乏科学的决策机制、系统流程化管控及成熟的运营管理经验。该行在线上获客导流后，短时间内涌入了上万笔交易，贷后环节的短板更为凸显：人工催收成本高、效率低，不能覆盖海量来自互联网的流量，贷款回收效果不佳，不良率在短时间内急剧上升。而面对大量存量不良资产，要在数月内从零基础自主研发出贷后管理系统，耗时长，成本高，缓不济急。

因此，该行和飞算科技合作，以联合运营的模式搭建贷后智能管理体系，实现了不良率考核指标的完成。

飞算科技致力于为金融机构提供智能贷后管理系统，通过对贷后客群对维度数据的智能分析，构建催收评分模型体系，通过催收评分模型对客群进行分层，再对配置立体的贷后管理策略，根据不同人群特征向系统发出不同的指令，实现差异化贷后管理运营矩阵体系。同时，飞算科技为金融机构提供包括评分策略、系统流程、运营管理、智能合规等在内的全流程贷后体系支持。目前，飞算智能贷后管理体系已服务超50家机构，超500亿信贷资产规模、近千万信贷客户数。

精细化贷后管理，降低不良率

该行在飞算科技的SaaS平台中导入逾期案件，一周之内完成了数据对接和系统配置，通过飞算科技的智能贷后管理系统，针对不同风险等级的客群催收采取不同贷后管理策略，迅速展开针对性极强的贷后运营管理作业。

飞算科技的贷后管理系统会按照账龄、客户风险等级、客户贷后行为特征等诸多维度，将逾期案件自动分配至不同跟进队列，自动给案件打上相应标识，并全流程记录每个运营动作及结果。例如，在还款日前三天和M1~M2逾期阶段，针对中低风险客户，飞算科技会将其自动分配给智能催收机器人进行外呼；针对M1~M2的高风险客户，系统会将其分配至人工催收队列；针对M3~M6逾期阶段的高危客户，飞算科技则采取委外催收、提前结清、仲裁甚至法律诉讼等催收策略。

针对智能化催收，飞算科技基于积累的语料库，对话术进行提炼，训练智能催收机器人多轮对话、语音语义解析等AI能力，制定相应的话术和谈判策略。智能催收机器人不仅能够准确识别客户意图，还能够针对客户不同的回答，调用相应的话术，并对催收策略分配做动态实时调整。

例如，，在智能语音识别中发现了客户重病死亡等关键字眼，智能催收机器人会马上转成对于高危客户的处理。

针对人工催收，飞算科技通过决策引擎设计的“行动轨迹路径”，对人工作业进行全流程系统调度、录音及合规监控。同时，催收人员可有针对性选择外呼资源，如电话一键外呼、发送短信、申请法务催收、委外、申请停催、申请退案等操作。

此外，飞算科技通过将催收短信、信函模板标准化处理，通过后台处理进行集中管控，帮助催收人员根据实际情况对客户进行有效判定和风险识别，避免人为误操作产生投诉或者投诉升级。系统还可对客户信息进行脱敏，全面把控信息安全，有效保证人工催收合规性。

通过和飞算科技的合作，该行在3个月内成功将不良率降低到2%以内，有效化解了存量不良贷款。随后，该行进一步深化了和飞算科技的合作，委托飞算全面搭建行内智能化贷后管理体系。

打通信息孤岛，建立高效贷后管理体系

除了上述催收功能开发之外，飞算科技还从两个维度帮助该行进行贷后管理系统的建设，实现系统流程整合打通和数据交互打通。飞算科技通过将该行贷后催收系统和银行核心系统、清算系统打通，将催收决策流程线上化，提升催收效率。

以债务减免审批场景为例。针对逾期时间为M1~M2的中低风险客户，飞算科技会采取实时债务减免策略。之前由于银行各系统之间信息尚未打通，银行传统的债务减免方式由贷后部门发起，再通过银行核心系统进行审批，对原来的债务金额进行修改，最后由清算系统负责收款记录。

银行传统债务减免审批流程往往需要消耗两三天时间，效率低下，尤其不利于多头借贷等高风险客户的债务减免和回收。这部分客户往往还款能力有限，哪家银行能最快完成催收决策，就能最快催回这笔款项。冗长的审批流程会导致银行在这种情况下错失先机，降低贷款回收率。

通过建立高效贷后管理体系，将贷后系统信息和核心系统打通，该行的贷后业务人员发起债务减免需求后，核心系统会自动将债务额度进行调整，清算系统也会自动按照减免过后的债务额度进行收款，完成整套流程仅需数分钟，极大地提升了债务回款可能性，将回收率提升20~30%。

当前银行业不良资产上升压力加大。银保监会数据显示，截至2020年6月末，银行业不良贷款率2.10%，比年初上升0.08个百分点，且今后一段时期内银行业的不良贷款会陆续呈现和上升。此外，监管对银行接受合作机构风险兜底承诺的行为限制越来越严格，商业银行越来越需要自行对信贷风险兜底。

因此，银行贷后体系的搭建、完善及智能化创新需求日益迫切，很多银行甚至需要从零开始建贷后系统。考虑到银行自研成本较高、见效慢，银行会更多的考虑和第三方金融科技公司合作，建立高效、实时、智能化的贷后系统。飞算科技将携数字化决策、智能化运营、自动化管控等先进的理念与工具助力银行完善贷后管理体系的搭建。

2）人力成本高昂，合规压力巨大

银行传统催收方式一般是依靠人工座席进行催收，面临着人力成本高、催收效率低、合规风险与成本高等问题。

因此，利用语音机器人等人工智能手段，替代一部分催收员的低难度、重复性催收工作，让其更加专注于处理更有挑战性催收工作，同时利用NLP等技术对催收话术进行智能质检，是有效降低人力与合规成本投入，提升合规性与客户体验的有效手段。

百应科技智能化催收，提升催收回款率

随着中国消费者的消费观念的升级，中国消费信贷行业迎来快速发展。杭银消费金融等持牌系消费金融公司，由于具备合规性优势，同样也迎来快速发展期。据公开数据显示，2019年，杭银消费金融营业收入10.08亿元，较上年2.92亿元增长约245.21%；净利润为1.15亿元，较上年的0.20亿元增长475%。

但是，消费金融业务的快速发展，也使得杭银消金面临贷款逾期率上升的压力，贷中贷后管理部门的催收压力增大，迫切需要提升逾期贷款的总体回款率。为了达成此项目标，贷中贷后管理部门主要面临以下三点挑战：

以往杭银消金的贷后催收主要依靠大量人工坐席，最高峰时期，催收员高达100多人，人力成本高昂；催收话术重复性高，催收员的工作效率已经达到瓶颈，难以进一步提升；国家对催收过程的合规性要求越来越严格，杭银消金作为持牌系消金公司，更需要最大程度地避免暴力催收，提升业务合规性。

为此，杭银消费金融决定启动智能呼叫中心项目，以智能语音机器人来替代一部分现有人工坐席，从而降低人力成本，提升坐席外呼和接待效率。通过和百应科技合作，杭银消费中心构建了一套智能联络中心（AICC）整体解决方案，其中该解决方案下的智能催收系统，。

智能联络中心（AICC）解决方案，赋能贷后催收环节

百应科技的智能联络中心解决方案基于NLP、ASR、TTS等AI技术，以及云通讯、大数据技术，为杭银消金提供场景服务和数据服务两部分服务。

-场景服务：主要包括智能外呼、智能接待、智能辅助、智能质检等四类机器人以及人工坐席，通过人机协同的工作方式应用于营销、服务、贷中贷后管理等业务场景；智能外呼应用于智能营销与智能催收场景，分别服务于信用卡营销部门、贷中贷后管理部门；智能接待主要是为客户提供各类接待和应答服务，主要应用于客服运营部门，实现7*24小时全天候响应的全渠道客户服务；智能辅助主要是为人工坐席人员提供回答提醒，辅助其正确回答客户问题，主要应用于客服运营部门，提升服务及业务人员的专业度；智能质检会对营销、催收等过程中的话术进行实时质检和录音质检，并实现全量质检，进一步规范服务。

-数据服务：主要基于企业数据中台来搭建，能够将场景服务中获取的客户通话内容，通过NLP、ASR技术对其进行处理，抽取客户全生命周期数据，进而提供客户画像、数据可视化、数据运营工具等服务，最终实现精细化的运营和催收策略。

由于百应科技在NLP领域积累了大量标准化的模型，在该项目中无需进行定制化建模，因此杭银消金的智能联络中心上线仅用了5天时间。

综合运营优化，提升项目效果

智能联络中心上线后，杭银消金在平台功能、团队组织两方面进行了综合的运营优化：

一方面，针对平台功能优化，为了进一步增强催收业务的合规性，降低合规成本，百应科技根据杭银消金需求，增加了实时质检能力，将合规性措施前置到催收过程中，能够针对语气、语速、违规词、遗漏话术等语言对象进行实时分析、自动提醒，实现在不打断客服通话过程的前提下，尽可能约束催收员的话术行为，降低了合规成本。

另一方面，针对团队组织建设，为了将智能质检带来的合规性效益最大化，杭银消金在百应科技已有的催收员综合评分功能的基础上，根据该评分结果对催收员进行组内、组间考核，形成竞争机制，从而进一步提升催收合规性。

整个项目上线过后，杭银消金人力成本节省效果显著：催收团队从最高峰的200人左右，降低到了目前的70~80人，总体成本降低近40%；此外，外呼效率有明显提升：外呼总量相比之前提升83.6%，意向判断准确率（指对客户意向的判断是否准确，杭银消金将客户分类成确实有意向、明确拒绝或者可能有意向）达到88.9%；催收过程也更加合规：客户满意度大大提升，投诉率明显降低。

杭银消金智能联络中心项目的经验借鉴

杭银消金在项目实施过程中，曾经遇到一定程度的波折。由于杭银消金的人工坐席使用的系统是另外一家厂商的云呼叫中心，因此在百应科技的智能客服平台上线后，杭银消金出于统一管理的诉求，希望将其与云呼叫中心进行打通。

但是，在系统打通过程中，杭银消金却遇到了两大问题：

首先，杭银消金的云呼叫中心厂商同样提供智能催收、质检和客服解决方案，也是之前的四家竞标厂商之一，与百应科技存在竞争关系，但由于在NLP、机器学习等人工智能技术方面布局较为滞后，因此没能中标；其次，出于客户信息统一管理目的，杭银消金期望能够对智能客服平台与云呼叫中心进行数据打通；最后，云呼叫中心厂商由于竞争关系，不愿意提供相应技术支持。

为此，杭银消金决定选用百应科技的智能联络中心来替代原有平台，主要考虑的因素有以下几点：第一，百应科技的智能联络中心和杭银消金的云呼叫中心之间能够实现无缝衔接，无需额外开发就能够打通；第二，云呼叫中心的个性化需求明显，对厂商的解决方案能力要求较高，而百应科技作为一家以SaaS模式起家的创业公司，尽管其标准化产品难以完全满足杭银消金的个性化需求，但具备较强的服务意愿和及时响应能力，愿意提供定制化开发服务。

因此，在杭银消金呼叫中心升级的二期项目中，百应科技与杭银消金进行深度合作，共同构建了全新的智能联络中心解决方案，集合了云呼叫中心和智能客服等能力，不但为杭银消金提供了面向全公司的完整解决方案，还实现了自身产品功能的增强和完善。

爱分析认为，这些波折对于同类企业十分具有借鉴意义。未来其他银行业金融机构在智能客服项目的规划阶段，需要注意以下三方面问题：

-如果银行尚未采用云呼叫中心和智能客服，而且未来有计划同时上线两类系统，可考虑选择同一厂商来进行统一建设，避免后期出现更换厂商，或者多厂商协调的问题。

-在选择同一厂商来建设两类系统的时候，需要尽可能考虑到云呼叫中心、智能客服两类场景对厂商能力要求的差异，即云呼叫中心场景对于厂商的解决方案能力要求更高，而智能客服场景对厂商的NLP等AI技术的要求更高。如果同时具备多场景融合能力且AI技术突出的厂商则可作为优选厂商。

-如果银行对于智能客服在人力替代、精准度方面的需求性更强，同时愿意与厂商共同打造云呼叫中心产品模块，则可优先选择NLP、客服机器人技术见长的厂商。

3.3.构建基础AI平台能力，助力全流程风控体系建设

在覆盖贷前、贷中、贷后的全流程风控体系建设中，A卡(Application Score Card/申请评分卡)、B卡（Behavior Score Card/行为评分卡）、C卡（Collection Score Card/催收评分卡）等应用于不同阶段的评分卡模型的构建至关重要，而不同的业务线、获客渠道、应用场景，对评分卡模型的具体需求也千变万化。

但是，对于部分技术能力较弱的银行来说，完全自主开发风控模型，在人才、技术上的投入都十分高昂。但如果完全依赖外部评分卡模型，缺乏对模型的自主掌控能力，则十分不利于银行提升自主风控能力，也难以支撑业务的快速发展和变革。

因此，采取低代码、可视化的自动机器学习平台，以有效降低评分卡模型的开发门槛，提升开发效率，成为许多银行在构建全流程风控体系过程中的共同选择。

度小满金融磐石Etron建模平台，助力银行搭建金融大脑

当下，人工智能逐渐成为影响金融机构发展的核心因素。以银行为例，国内各大银行或是设立金融科技子公司，或是通过与科技巨头合作，均在不断加大对人工智能应用的投资，加快金融科技战略转型步伐。

某银行是国有四大行之一。该行在开展智能银行的建设过程中，需要搭建金融大脑，智能建模平台是其中重要的组成部分。由于该行在这一领域的建模经验较为不足，采取自研的方式成本高、时间长，性价比较低。因此，该行和第三方金融科技服务商度小满金融合作，共同搭建全行级别的智能建模平台。度小满金融大脑利用大数据、AI等技术构建听说读写等感知能力，以及学习分析预测等思维能力，为该行提供大数据风控服务，覆盖全流程风控环节。

度小满金融是头部金融科技公司，为金融机构提供覆盖金融业务全流程的AI Fintech解决方案，构建了包括智能获客、大数据风控、身份识别、智能投顾、智能客服等多项核心能力，并打造了磐石一站式风控平台。目前，度小满金融服务对象已覆盖了70%的金融机构。

构建磐石Etron建模平台，覆盖风控业务全流程

磐石Etron建模平台是度小满金融自主研发的智能模型训练平台，提供包括自动化特征提取、模型构建与评估、模型一键发布和模型生命周期管理等一整套的机器学习建模功能。平台为银行提供统一的AI建模及实时模型预测能力，银行利用本平台可以高效处理数据，自动化构建风控模型，将AI技术快速应用到实际业务中。

合规的数据来源是建模平台的基石。度小满金融的数据来源包括行内数据、用户授权的自有业务数据、公开的风险数据等。度小满金融利用完善的授权穿透机制、全流程匿名化处理机制和专业的法律保障机制，保证数据合规性。

具体来说，度小满金融从银行等合作机构中获得数据，利用多种匿名化技术对数据进行处理，度小满安全应急响应中心提供ID转化服务，将外部数据转化为具有内部匿名化标识的ID，最后由度小满数据管理平台（DMP）将处理过的数据对外输出。对外输出的数据不含个人信息，保障了数据的安全性和合规性。

目前，度小满数据管理平台（DMP）平均查询量达350万/日以上。

磐石Etron建模平台为该行提供定制化建模服务。磐石定制建模依托度小满的数据、技术以及业务经验优势，帮助该行根据自身的业务及客群需求，准确快速的评估借款人的资质情况，提升风险经营能力。从项目流程来看，度小满金融定制化建模服务主要包括四个流程：

-建模预评估。度小满金融根据行方需求构建风控模型，银行利用历史数据对模型进行测试，将模型结果与用户实际还款表现进行匹配，通过PS值和AUC值评估模型准确性。

-定制建模。银行利用磐石自动化建模平台建模，并一键部署评估成功的模型。

-模型上线。一方面，磐石自动化建模平台通过机器学习的方式将弱区分度数据聚合为强区分度数据，满足精细化运营业务要求。另一方面，磐石自动化建模平台结合人工业务经验，建立风控策略模型，满足银行基本业务需求。

-监控与迭代。主要包括对模型运行状态，如调用次数，响应时间等指标进行监控及预警；对模型变量进行监控，包括模型变量的分布，最大最小值，平均值等。磐石自动化建模平台还可扩展成ELK平台，实时监控所有模型相关的核心指标，支持模型生命周期一体化操作，包括模型更新迭代和下线。

在功能方面，磐石 Etron建模平台提供标准化的在线自动化建模流程：包括数据管理、特征加工、样本拆分、模型训练、模型管理、数据监控六大核心功能。度小满磐石自动化建模平台从收入水平、行为偏好、账龄等级等特征大类出发，将数据划分为10000多个维度，对数据进行标准化处理后，将样本拆分为训练集和测试集，利用XGBOOST等机器学习算法对模型进行训练，并持续对模型稳定性进行监控。

通过度小满磐石自动化建模平台，该行有效提升了模型效果和业务效果。KS值是银行信贷风控常用的模型评估指标，一般KS在0.3以上，说明模型的风险区分能力强。通过引入度小满金融的磐石自动化建模平台，该行模型的KS值为0.35，模型效果较好。

另一方面，通过将模型应用到贷前、贷中和贷后环节，该行有效提升了获客和产品匹配能力，降低坏账风险。

具体而言，在贷前阶段，该行通过人脸识别，OCR等方式，进行贷前申请反欺诈识别，减少新增坏账。

在贷中环节，利用模型对客户流失和异常客户行为建立触发机制，自动化判断是否需要人工关怀接入。同时，通过贷中营销模型，能够针对用信率较低的客户，进行二次营销，提高了用信率，且能够对优质客户进行交叉营销，提升了复购率。

在贷后环节，基于客户的还款能力和还款意愿，度小满金融帮助该行在前期判定客户还款概率和逾期风险，减少存量贷款的逾期率。并根据对客户投诉率的判定，行方可调整相关的服务人员和应对策略，提升客户体验。此外，度小满协助该行建立差异化催收模型，对于风险较低的客户，通过短信或者智能语音机器人直接外呼；对高风险客户，则可采取为委外外呼、不良资产处置等策略，有效提升了催回率。

4. 打造高价值、高效能的数字化IT团队

基于对国内商业银行的调研与分析，爱分析认为，信息化时代的银行IT部门的组织架构一般存在两个特征：

1）独立于业务部门，缺乏业务理解能力，被动响应业务需求

过去，银行的业务流程相对比较固定。因此，IT部门一般独立于业务部门，而且在与业务部门的日常配合中，由于缺乏真正懂得业务需求的人员，因此往往是被动响应的角色。

比如，以往银行IT部门的一项重要职责是负责固定报表的产出，而传统固定报表的主要定位是面向行内高层领导，提供过去一段时间内的业务情况的可视化展现，需求较为固定，时效性要求较低。

2）敏捷化程度不足，应用交付与IT运维效率低下

过去，银行缺乏面向终端用户的互联网渠道，应用交付、IT运维主要面向银行内部，因此银行IT部门往往以追求可靠性、稳定性为首要目的，更倾向于采取“稳态IT”模式。

比如，当业务部门发现IT系统存在某项功能缺陷，需要将需求提交给IT部门，由IT部门确定具体需求并排期，而且在测试、集成、发布、部署等环节需要经历大量反复沟通确认，以及对测试环境、准生产环境、生产环境的手动配置，才能完成应用上线。

随着数字化时代的到来，银行业务出现的几点变化，对传统IT部门的组织架构提出了严峻的挑战，主要表现在以下三方面：

1）数据服务的场景化、敏捷性要求

在数字化时代，全银行、各部门都需要基于数据分析进行业务决策，需求的场景化、碎片化、个性化越来越明显，时效性要求也越来越强。

由于传统IT部门缺乏懂得业务的人员，而传统的业务部门也缺乏能够快速将需求转化为数据服务的技术人员，因此难以应对业务的新变化。

2）应用交付的高效能要求

在数字化时代，手机银行等数字化渠道的功能完善性和体验性，以及各类周期性营销活动的吸引力，都对银行客户粘性的提升发挥越来越重要的作用。而无论是功能和体验的完善，还是营销活动的上线，都需要应用的小范围、高频率的迭代和优化。

但是，采取传统“稳态IT”模式的银行，显然难以及时响应数字化时代的业务需求，面对天然采取“敏态IT”模式的新型金融机构，则更加缺乏竞争力。

3）IT运维的稳定性与可靠性要求

在数字化时代，为了满足数字化应用的高可用性，分布式和微服务架构在银行IT架构中的比例越来越高，银行的IT架构呈现复杂化趋势，带来的影响是关联性故障增多，IT基础设施和应用的运维难度增加。

但是，过往依靠单一维度的监控数据，并辅以经验判断和人工操作的运维方式，难以应对越来越高的稳定性、可靠性要求。

为此，银行应当面向大数据、AI算法、应用交付、IT运维等四类IT团队，构建敏捷中台体系，实现IT团队的数字化、敏捷化转型：

1）数据中台：为了实现数据服务的场景化、敏捷化转型，银行需要建设数据中台，对业务系统产生的数据进行汇集，通过数据仓库、大数据平台对数据进行统一治理和资产化管理，从而提炼数据的业务价值，向业务部门和业务系统提供自助式报表分析、自助式AI建模、标签引擎、API服务等多种数据服务。

2）AI中台：尽管AI模型服务作为一项重要的数据服务，通常是数据中台的一部分，但是AI模型交付同样存在越来越高的敏捷性需求。因此，许多领先的银行将AI中台从数据中台中独立出来。AI中台是一套完整的AI模型全生命周期管理平台和服务配置体系，能够基于数据平台服务，对AI算法、模型服务的共享复用，对AI研发相关角色进行管理，实现研发流程的标准化、自动化，从而为前台业务提供AI构建的敏捷化能力支持。

3）应用中台：为了提升应用交付效能，银行需要基于DevOps理念和云原生技术体系建设应用中台，为IT部门提供涵盖编码、构建、测试、部署、发布等应用交付全生命周期的敏捷化管理能力，支撑IT部门的敏捷转型，并为业务部门提供更敏捷的应用交付能力。

4）运维中台：为了提升IT运维过程的稳定性、可靠性，银行需要基于AIOps技术建设运维中台，对来自APM、NPM、CMP等IT运维软件产生的运维数据进行统一治理和资产化管理，基于AI模型对故障进行自动定位、分析和恢复，以及提供预测性分析；此外，银行还需要基于AIOps能力，并融合ITIL理念，站在业务视角重构IT服务流程，从而为业务部门提供更敏捷的IT响应能力和更可靠的稳定性保障。

4.1 数据中台：构建数据驱动的数字化银行

数据中台的建设是银行数字化转型的基础，也是数据服务得以实现敏捷化、场景化的前提条件。当前，银行在数字化转型过程中面临的挑战包括：

1）数据孤岛现象严重：业务系统众多，各类数据平台相互独立，孤岛现象严重，难以支持跨系统、跨部门的数据分析和共享。

2）数据资产化管理能力薄弱：数据仓库主题模型与业务需求脱节，难以发挥数据的业务价值；缺乏统一数据运营体系和数据质量保证体系，导致数据业务价值大打折扣，最终难以支撑数据服务的场景化需求。

3）数据服务能力不足：缺乏面向业务部门或中台部门的自助式报表分析和AI建模工具，对IT人员技术支持的依赖度过高，导致基于数据的决策过程过于冗长，形成效率瓶颈；大量数据服务需要依赖于跨部门的数据联动，或者被多部门同时使用，但许多银行的数据服务存在各部门割裂的情况，难以支撑跨部门的数据联动或场景化应用。

为此，银行在建设数据中台中，一般需要经过以下五个环节：

1）咨询规划与顶层设计：对银行业务架构进行全面梳理，对数字化场景进行定义和拆解，明确各个场景所涉及的部门、面临的业务挑战、对厂商的能力要求，以及最终产生的业务价值，并规划数字化的实现路径。这一过程往往需要由数字化领域的咨询公司来协助银行完成。

2）数据平台化：对异构数据源进行分析和梳理，构建新的数据仓库或数据平台，对数据进行接入和处理，并对原有数据仓库、数据平台进行融合和互通。

3）数据资产化：构建可扩展的数据模型，并基于元数据管理、数据血缘分析、数据质量等方式，构建数据开发标准规范，从而提升数据的业务价值，为数据开发过程降本增效；

4）数据服务化：通过数据API、可视化大屏、自助式报表分析、自助式AI建模、标签引擎等数据服务，将数据资产应用在各个业务场景中，形成数据应用。

5）数据运营与组织保障：为数字化团队组织的数据运营、工作协同、风险分担和收益分配制定统一标准，从而将数字化观念融入到组织架构中。

袋鼠云数栈“DTinsight”，为上市银行量身打造“分行数据集市应用云平台”

当前，该银行各分行的业务系统由总行统一搭建，数据也统一存储在总行的数据仓库中，即“数据大集中”。该银行在全国设有40多个分行，每个分行都存在数据分析的需求，分支机构如何去解决在数据上收以后本地数据应用的需求，就成为一个比较严峻的问题。

面对分行的数据分析需求，过去该银行采取的模式是“总行下发、分行建库”，即总行每天在数据仓库中将不同分行的数据进行切分，然后通过网络传输给各个分行，由分行自行建设独立的数据仓库，独立存储、独立运维、独立管理、独立进行数据处理与分析，如下图所示。

“总行下发、分行建库”模式带来五大弊端

“总行下发、分行建库”的模式带来的弊端包括以下五个方面：

数据治理压力大

总行具备较为丰富的大数据人才，能够进行完善的数据治理工作。但是，各分行之间的技术能力差异明显，并非所有分行都有完善的大数据架构的开发和运维经验。

因此，技术能力不足的分行承受着较大的数据治理压力。

数据存在滞后性

总行需先完成数据提取、数据切分、数据传输、数据载入等多个流程环境，再分别下发数据至各分行，传输链路较长。这带来的问题，一方面是海量数据传输对网络质量要求较高、压力较大，另一方面是数据传输存在滞后性，分行常常在中午或下午才能拿到前一个工作日的数据，数据滞后比较严重，影响分行数据产出时效性。

经验成果难共享

过去，各分行一般自行建设或购买BI等数据分析工具，使用的工具在技术、供应商等方面千差万别，使得某些领先的分行研发出的数据分析经验或成果，很难无缝地分享给其他分行。

数据质量难保证

由于总行有大量业务系统，而各个分行也有大量独立建设的业务系统，而这些系统间缺乏统一的数据校验、质量保证机制，导致数据进行关联分析的时候，存在大量的“脏数据”，影响数据业务价值的表达。

数据安全受挑战

尽管总行有完善的数据安全管理机制，但是一旦将数据下发给分行，就无法对下发到各分行的数据进行持续安全管控，造成了一定的数据安全隐患。

数据中台，开启银行分支机构大数据应用新模式

为了应对这些挑战，该银行总行决定在全行范围内建设“分行数据集市应用云平台”，并选择了袋鼠云作为建设合作伙伴。

袋鼠云成立于2015年11月，核心产品是云原生一站式数据中台PaaS“数栈DTinsight”，并提供数据中台解决方案、数据可视化服务、数据化运维解决方案，致力于全方位帮助客户建设数字化基础设施，实现数字化转型。

基于数栈DTinsight，袋鼠云与该银行围绕分级租户、数据下发、模型构建与加速、可视化分析等方面合作定制开发，打造上线了“数据集市应用云平台”。数栈DTinsight功能模块如下图所示：

数据平台化：构建分级租户模式

在数据平台化阶段，该银行首先要解决“总行下发、分行建库”模式带来的总分行、各分行之间的数据共享难题。

为此，袋鼠云与该银行在数据仓库层面进行了联合的定制开发，包括分级租户、数据下发、平台构建、模型构建与OLAP加速、可视化分析等四个部分。

分级租户

袋鼠云首先基于Cloudera Impala在银行总行搭建了面向全行的公共数据仓库，并与银行进行联合定制开发，构建了分级租户模式的大数据应用平台。

在定制开发过程中，袋鼠云基于总行公共数据模型表，构建了面向不同级别分行的多租户模式。在这种模式下，分行租户仅能访问被授予权限的功能，比如BI报表、数据API、数据模型等，以及含有本分行自有数据的私有库，如下图所示。

最终，分行仅需访问总行的大数据应用平台，就可以进行权限独立的大数据分析，各分行独立管理，可实现既不会相互干扰，又为未来的共享场景打造基础。

租户数据下发

分级租户建设完毕后，当总行有新的公共数据需要下发给分行时，无需再通过数据传输的方式实现，仅仅需要在总行公共数据模型表中，为特定分行创建专属的视图表，而多个视图表构成了可供分行访问的公有库。

但是，各分行仍然拥有私有库，其中的数据则需要分行自行上传并进行开发。

模型构建与OLAP加速

所有分行都集中到总行服务器上进行数据分析，对报表分析等OLAP过程的性能提出了极高的要求。

为此，袋鼠云将查询加速引擎Kylin集成到系统中，并且定制开发了与原生Kylin类似的Cube建模页面，帮助该银行IT人员快速建立Cube模型，从而实现OLAP分析的加速。

可视化分析

传统的分析报表、可视化大屏缺乏自助式分析能力，使用门槛较高，业务人员的新需求常常需要依靠IT人员进行技术支持。

为此，袋鼠云基于Impala数据仓库、Kylin Cube等开源技术，协助某BI厂商实现了自助式数据集，无需IT人员再重复构建数据模型，从而为业务人员提供低门槛的自助式分析能力。

数据资产化：基于数据质量工具，提升数据业务价值

对该银行来说，如果在大数据分析应用中，数据来源的质量无法得到保证，那么数据分析结果的最终价值同样会大打折扣。因此，该银行希望有效地对数据质量进行管理，而这也是数据资产化管理的重要组成部分。

为此，袋鼠云为银行提供了数据质量DataValid产品模块，并与离线开发BatchWorks进行有效协作，帮助银行开发人员在数据抽取、处理过程中，对数据质量进行有效校验，并提供面向业务人员、IT人员的质量管理页面。

比如，银行业务中的一张客户信息表会包含性别、身份证号、年龄等信息，而银行开发人员在使用BatchWorks对交易型数据库中的数据进行抽取时，可利用DataValid对客户信息进行校验，如性别是否符合身份证内容、身份证号格式是否错误、年龄是否超出限定年龄范围等。一旦发现校验失败的数据，平台既可以直接对数据进行过滤、信息补充等操作，也可以在将数据报送监管部门前，向相关人员发出预警出具校验报告后，完成快速数据报送。

数据服务化：基于数据共享服务EasyAPI，实现深度业务赋能

银行中，存在客户画像、反欺诈、绩效核算、财务报表等许多业务场景，而这些场景都依托于特定的业务系统。在这些业务系统的开发过程中，为了满足业务人员的需求，开发人员常常需要获取来自数据资产层的数据，并将其集成在业务系统中。

在传统的数据调用方式下，开发人员需要获取特定数据库的权限，并直接调用数据。但是，这种模式存在两点漏洞：第一，无法对数据的取用进行有效管理，难以保证取用过程的标准化与结果的准确性；第二，存在安全漏洞，无法对调用数据的人员的数据使用方式进行权限管理。

相比于从数据库中直接调取数据的模式，通过API的方式向特定业务系统的开发人员开放数据服务，是一种更加标准化、高安全性的数据服务方式。但是，API接口的开发过程仍然需要依靠开发人员，但API接口数量往往很多，且需求随时会发生变化，因此开发成本与周期较高。

因此，袋鼠云为该银行部署了数据共享服务EasyAPI。产品部署后，仅仅在杭州分行，就统一定义和管理了约100个API，每天调用次数超过1万次。

EasyAPI的主要价值有两点：第一，支持无代码开发，采用页面配置的方式快速生成API；第二，提供对API接口的统一管理能力，如API接口限制访问的次数和周期、授权方式等等。

数据应用集市云平台采用当下最前沿的金融大数据技术，结合银行的行业和运营特点，开创性地采用总分联动模式，简化数据开发、数据应用流程，为其带来多方面的价值：首先，减少各分行的软件、硬件采购与运维阶段的重复投入，节约成本；其次，从零散工具升级为数据中台一站式服务，从表/视图的交付模式改为交付“数据集”，减少学习成本，大大提高数据开发效率；再次，数据应用云平台为行内数据应用建设提供技术底座+上层工具，为营销、风控、客户体验等方面的综合效益提升，打下坚实的基础。

在数据中台建设的五个环节中，数据平台化、数据资产化、数据服务化是其三大核心环节，它们又被称为“数据价值化”的核心环节。

其中，数据服务化又是数据价值化的“临门一脚”，担负着将数据资产转化为实际的业务收益的任务。按应用场景来看，数据服务可以分为以下几种类型：

• 数据化监控：以可视化大屏或图表的方式展现，主要面向银行管理层和业务人员，以展现关键、优先级最高、最有吸引力的数据为目的，是历史最悠久的数据服务模式；
• 数据化运营：以自助式分析报表为主，即“敏捷BI”，主要面向银行一线业务人员，以全方位、多维度、深层次展现业务运营数据，从而辅助业务决策为目的，是银行数字化转型过程中最常见、最普遍、门槛最低的数据服务模式；
• 数据化赋能：随着银行的数字化业务越来越多，银行业务人员期望能够将数据服务融入到业务系统中，比如在业务系统中无缝访问数据分析结果，或者通过AI模型自动化地进行业务决策，这也是未来数据服务的主流发展方向；
• 数据化产品：将数据服务固化为一套完整的软件产品，从而以端到端的方式为银行不同部门提供一站式、易获取的数据服务，这是未来许多大中型银行在数字化转型中可能采用的方案。

在许多实际项目中，银行往往会将不同类型的数据服务融合为一整套解决方案。

比如，广州思迈特软件有限公司（Smartbi）作为一家致力于为企业客户提供一站式商业智能（BI）解决方案的厂商，依托其Eagle自助分析平台，与国内头部城商行南京银行共同建设了全行级的大数据门户，以端到端建设的方式，实现了多种数据服务的相互融合。

思迈特软件致力于提升和挖掘企业客户的数据价值，是国家认定的“高新技术企业”，广东省认定的“大数据培育企业”，其商业智能产品在银行业的客户众多，涵盖全球财富500强的10家国内银行中的8家，国内12家股份制银行中的8家，国内六大银行中的4家，三大政策性银行中的1家。

南京银行成立数字银行管理部，推动全行数字化转型及大数据分析体系建设

南京银行于1996年2月8日在南京成立，是一家由国有股份、中资法人股份、外资股份及众多个人股份共同组成的股份制商业银行。

2018年，南京银行为落实公司数字化转型战略，全面实现大数据体系对公司营销精准化和管理精细化的支撑，更好地发挥数据资产价值，成立数字银行管理部。

南京银行的数字银行管理部总经理丁晓平表示，数字银行管理部的定位是全行数字化转型的牵头推动部门，使命是促进南京银行各业务条线与部门的数字化转型。全行的数字化文化、数据治理架构、数据中台与智能中台体系的建设，包括在此基础上的可视化建模和机器学习、人工智能应用等，都是数字管理部的基础工作。

此外，数字管理部的特点是连接业务、数据和技术，连接金融和非金融生态，连接银行与产业，因此人员大部分也是来自于业务、技术、数据分析、算法工程等多重背景的复合型人才。

银行的数据分析发展路径分为五个阶段，分别是：统一各业务系统数据（数据整合）、用数据描述业务发生情况（用数据研判）、用数据分析业务发生的原因（用数据管理）、用数据预测业务发展趋势（用数据决策）、用数据驱动业务变革（用数据创新），如下图所示。

整体来看，南京银行处于第3、4阶段之间，即从用数据分析业务发生原因，逐步转向用数据预测业务发展趋势，这对于银行的数据资产化管理能力提出了更高的要求，建立全行级的数据分析平台迫在眉睫。

为此，2018年，南京银行同步发起涵盖22个项目的项目群，从而构建全行级的大数据分析体系，其中包含两个核心项目：

企业级数据平台建设：对原有数据体系进行重新梳理和构建，形成能够统一管理行内行外数据、非结构化与结构化数据的大数据平台；大数据门户与全行级大数据分析体系建设：建设集成全行、全部门业务数据的大数据门户，全行在同一平台上实现营销、风控、管理等不同类型分析，同时通过员工激励制度的建设，完成全行级的大数据分析体系的构建。

全行级大数据分析体系建设的三个阶段

南京银行的全行级大数据分析体系建设，分为三个主要阶段：

1）搭框架：梳理现有数据分析系统，构建统一的大数据门户首页

南京银行对现有的各独立的数据分析系统进行梳理与归类，并将其整合在Smartbi（广州思迈特软件有限公司旗下产品）的统一门户首页中，而门户首页则作为二级门户被集成在行内OA系统中。

整合之后，一方面，员工可以通过门户首页对各子系统进行统一单点登录，也可根据自身需求对大数据门户中的展现项进行个性化配置，而不再需要独立访问各子系统，并重复输入账号密码。

另一方面，管理员可以通过门户首页对员工的数据访问权限实现统一管理，而不再需要到各个子系统中进行管理。

2）深应用：增加高级分析功能，深化数据分析应用层次

在重新构建的数据仓库之上，南京银行建设了自助式分析、数据挖掘、知识图谱等高级分析功能。

通过自助式分析，业务部门可以降低对IT部门的依赖，实现数据分析维度的自助式定义和查询，提升了需求的响应速度。

通过数据挖掘和知识图谱，业务部门可以探索通过数据来预测未来发展趋势，以及推动业务创新与变革。

在这一阶段之后，南京银行形成了较为完善的全行级大数据分析系统，如下图所示。

上图中，门户层、应用层与分析展现层主要由广州思迈特软件有限公司来建设。

门户层：面向各部门员工的个性化统一入口，如全行经营概况、应用快速入口、最近访问、我的收藏、常用报表等个性化展现项；应用层：包括管理驾驶舱、自助式分析查询、统一报表、应用商店、移动BI等针对各类使用人群、应用场景的独立应用；分析展现层：包括报表报告、数据可视化、自助式探索分析、移动协同、机器学习等引擎与技术能力。

3）促转型：建立运营与激励制度，推动全行数字化转型

基于大数据门户的建设，南京银行通过建立有效的数据运营与员工激励制度，充分调动全行各部门的数据分析积极性，形成数据分析文化，从而推动全行各部门实现全面的数字化转型。

大数据门户顺利落地，全行各部门收益明显

大数据门户与全行级大数据分析体系顺利落地后，南京银行在以下几方面获得了明显收益：

更统一的门户入口，更便捷的访问方式：通过门户首页，一键访问所有数据相关的应用（查询、分析、建模、外部数据搜索、管理驾驶舱、报表、业务应用、数据地图等），降低了员工在记录账号、重复登录中的工作量，提升了其数据分析的体验和热情，降低同时了管理员的权限管理工作量；更便捷的数据服务：提供管理驾驶舱、自助分析、报表、外部数据查询等数据服务，满足了决策层、管理层、执行层的数据分析需求，明显缩短了数据分析的需求响应周期，加快了业务决策效率；更立体的数字化运营能力：消除了各部门、各分行、各系统之间的数据孤岛和系统割裂现象，实现全行级的数据联动分析，推动了全行构建更加立体的数字化运营能力。

4.2 AI中台：推动全场景AI模型快速落地

AI算法团队是银行在数字化时代的核心竞争力之一。AI算法研发作为一项人力与时间成本都投入巨大的工作，其敏捷化转型同样至关重要。这一过程中，银行往往面临以下几方面挑战：

1）缺乏AI生命周期管理体系

由于企业内的智能化场景尚处于方兴未艾的阶段，银行缺乏面向AI模型生命周期的标准化管理体系，难以进一步提升AI模型研发效率。

2）缺乏全行级AI协作与管理能力

许多银行各部门往往有自己独立的AI建模团队，采用的建模语言、工具和平台不尽相同。但随着银行的AI应用场景和涉及部门越来越多，使得AI团队在工作中存在大量线下协作和非标准化流程，甚至出现模型重复开发的情况，对AI团队的工作效率构成瓶颈。

3）数据中台难以完全覆盖AI生命周期管理需求

数据中台的特征是以数据为核心，对数据接入与处理、数据基础模型构建、数据血缘分析、报表分析、标签引擎等与强数据相关、强标准化的业务环节的需求，具备较强的满足能力。

但是AI研发包括特征工程、模型选择、参数优化、模型部署、监控优化等大量以AI模型为中心的环节，许多环节可能需要投入大量人力物力进行开发，与数据中台所应具备的“以数据为中心”和敏捷化的特点存在偏离。

因此，构建面向全行的AI中台十分必要。整体来看，AI中台应当包括以下几部分能力：

1）AI模型生命周期管理：涵盖业务场景分析、数据处理、模型学习、运行监控等环节。其中，业务场景分析主要是根据业务理解，定义业务目标和场景范围，设计实施方案；数据处理主要是对数据平台接入的数据进行分析和预处理，并进行采样与标注；模型学习是AI模型产生的主流程，一般包括特征工程、算法选择、参数调优、模型评估等子环节；运行监控主要是部署和发布已经通过评估的模型，并对其进行持续的性能监控和迭代优化。

2）算法封装：提供AI模型开发的标准化流程，对可复用的算法、方案封装为服务。

3）统一接口规范：对上层业务和管理模块提供统一的接口服务，并支持对模型进行动态编排。

4）开发流程与角色管理：对AI模型开发角色进行定义与管理，构建并优化开发流水线，提供不同角色间的开发协作管理能力。

5）数据平台接入：对来自数据中台、大数据平台、数据仓库的数据进行统一接入和预处理。

6）资源调度：对计算、存储等资源进行统一管理和弹性调度。

DataCanvas九章云极AI全生命周期管理，加速某股份制银行全栈数字化转型

某全国性股份制商业银行在金融科技与数字化转型方面的布局在业内居于领先地位。

区别于中小金融机构的碎片化、单一化的AI场景，该银行作为一家大型金融机构，倾向于从全行组织架构层面，布局成规模、成体系的AI平台与战略，对AI技术的自主能力有较高要求。

该银行对AI平台与AI算法的应用经历了很长的历史，行内沉淀了上千个AI模型。过去，该银行的许多AI模型都是基于外资厂商SAS的AI平台来进行开发，主要面临以下几点挑战：

1）开源算法需求旺盛：新兴的、碎片化的AI应用场景不断出现，但往往缺乏成熟的、商业化的AI建模方法，需要AI算法人员基于python等开源语言进行研发，而python也是市场上AI算法人才所掌握的主流技能；

2）银行对模型可控能力要求提升：近些年来，银行更加期望能够掌握风控模型中的底层规则，提升自身对模型的自主可控水平，因此需要AI算法从过去的“黑盒”模式转变为“白盒”模式；

3）外资厂商产品封闭性强：SAS等外资厂商产品的算子库高度封装，封闭性较强，且将最新开源算法封装为闭源产品的周期较长，无法满足银行的自主可控需求，无法支持分布式架构，而且影响新场景、新算法的落地速度；

4）模型缺乏统一生命周期管理：行内各部门均沉淀了大量AI模型，但全行缺乏统一的AI模型生命周期管理平台，管理不统一，降低了AI模型的开发效率和利用率。

为此，该银行决定遴选一家支持开源算法、采取开放式产品架构的国内厂商，共同建设全行级AI平台。AI平台将由大数据中心主导建设，最终应用于精准营销、风险管理、资金流向监控等多个场景的AI模型研发与管理。

在厂商遴选阶段，该银行主要考虑以下两个维度的指标：

1）平台功能性与体验性：通过初步的产品试用，详细评价特征库、算子库、场景模板库、自动化建模模板的完整性，自动建模、可视化建模、编码建模等建模方式的功能性和体验性。

2）PoC测试结果：由甲方客户选定PoC场景，提供真实的生产环境数据，基于厂商的平台创建AI模型，并在准生产环境中部署运行，最后根据不同厂商的模型效果来进行评选。

最终，九章云极DataCanvas数据科学平台在两个维度表现均较为出色，因此该银行选择DataCanvas九章云极作为AI平台建设合作伙伴。

北京九章云极科技有限公司（简称“九章云极”，DataCanvas）于2013年成立，核心产品是DataCanvas数据科学平台，定位于面向数据科学家、AI从业者的AI全生命周期开发与管理平台。

全行级AI平台建设，推动AI研发敏捷化转型

该银行全行级AI平台，分为大数据洞察分析平台、大数据应用支撑平台两部分：

1）大数据洞察分析平台

该平台基于九章云极产品DataCanvas数据科学平台，以Hadoop为底层架构，能够支持该银行全行的海量数据挖掘分析、AI模型研发，应用场景包括客户智能推荐、客户流失预警、大额资金风控等。

DataCanvas数据科学平台是面向数据科学团队的一站式数据分析平台，它是集数据准备、特征工程、算法实现、模型开发、模型发布、模型工程化管理于一体的机器学习平台，能够帮助企业快速构建数据分析应用。

2）大数据应用支撑平台

该平台基于九章云极产品DataCanvas RT，为来自应用系统的实时流式数据提供处理服务，并基于AI模型进行推理，主要应用场景包括电子银行客户足迹分析、客服大数据分析、零售信贷风险实时预警、资金变动营销等。

项目实施上线后，DataCanvas九章云极协助该银行在营销部门、风险管理部门等各业务部门，对AI平台进行培训与推广。

整体来看，该银行项目实现的价值与效果包括以下三点：

• 更低门槛的AI建模平台：业务人员可通过自动化建模功能和图形化拖拽等方式，快速构建AI模型，进一步降低平台的使用门槛；
• 更高的数据处理能力：通过构建分布式集群，实现每天超过1T/10亿条的数据处理能力，峰值可达50万条/秒，超出该银行对性能的预期；
• 推动“全栈数字化”建设：帮助该银行满足风险管理、资金流向监控以及精准营销等业务对于系统的实时性要求，支撑的业务场景从最初的6个增加到现在的14个，业务部门反应强烈，需求不断增加。

4.3 运维中台：打造高可用、高人效的数据中心

数据中心在银行内承担IT基础设施与应用运维的职责。随着数字化时代到来，银行数据中心的IT运维能力面临以下几方面挑战：

1）用户体验性要求提升：移动端、PC端等线上渠道成为服务银行客户的重要渠道。相比于传统的线下网点，线上渠道的用户体验敏感度更高，系统的不稳定对于用户粘性的提升带来极大挑战。而银行过去的运维能力则主要面向传统业务系统，难以满足数字化业务实时、敏捷、高效的运维和快速迭代需求。

2）应用基础设施复杂度提升：在过去的信息化时代，银行内系统以核心业务系统为主，应用架构往往采用传统物理硬件、虚拟机和集中式的单体架构。但在数字化时代，银行开始更多地采用云服务器、微服务架构，并与传统应用基础设施并存。应用基础设施复杂度的提升，使得故障定位、分析和恢复变得更加困难。

3）传统监控运维工具缺乏关联分析与智能化处理能力：过去许多银行都采购了对应用、网络进行监控的APM、NPM工具。随着云计算时代的来临，许多企业也采用CMP来统一管理IT基础设施。但是这些IT监控运维工具往往相互独立，采集的运维数据也相互割裂，难以进行关联分析，从而深度洞察故障成因，也无法支撑智能运维算法的构建与训练，从而实现故障的预测性分析与智能化处理。

面对这些挑战，许多领先银行在传统监控与管理工具之上，构建了具备AI能力的、面向复杂关联故障、具备更强的业务视角洞察能力的运维中台。

整体来看，运维中台应当包括以下几部分：

1）监控与管理工具集：包括用户体验监控、应用性能监控、网络性能监控、日志监控分析、基础设施管理与监控等模块，对各个维度的运维数据进行采集与监控；

2）运维大数据平台：基于Hadoop等大数据技术，构建运维大数据平台或数据湖，汇集和存储来自监控与管理工具的多维度运维数据，并基于各类机器学习算法提炼数据价值，从而构建运维AI模型；

3）统一事件管理平台：对来自监控与管理工具集的运维事件进行统一监控管理，基于运维AI模型对事件进行实时定位、根因分析、预测性分析与自动决策；

4）运维服务管理平台：基于对业务数据、运维数据的关联分析洞察，打通业务部门与运维部门之间信息鸿沟，促使运维部门为业务部门提供更加敏捷化的IT服务支持，同时帮助IT部门从业务视角洞察IT操作对业务的影响。

创新奇智ABC一体机，构建银行智能数据中心

某国内头部银行拥有服务器规模达1万余台的自营数据中心。数据中心分为几个子部门，包括负责资产采购和管理的设备部门，负责应用部署和运维管理的运维部门，负责资源使用、风险控制等业务性服务的电子业务部门。

当前，该行运维部门在运维管理中存在以下几方面的需求与挑战：

基础设施与业务系统的分布式改造与统一管理

过去，该行的IT基础设施与业务系统以集中式架构为主。但是，随着数字化业务的不断增长，该行为了提升其并发性、扩展性，需要对IT基础设施与业务系统进行分布式改造，还会对部分应用进行微服务化改造，并将其迁移到云计算平台上。

因此，该银行期望将较为敏感的核心业务，部署在自建数据中心的OpenStack私有云中，而将较为边缘的数字化业务，部署在外部数据中心内的腾讯TCE专有云中。

此外，分布式改造后的基础设施变得更加异构，物理硬件、虚拟机、OpenStack、TCE将长期并存，需要有统一的管理平台进行管理。

智能算力平台的快速构建

除了由OpenStack、TCE等云平台提供的传统算力，该银行还希望构建基于大数据、AI的智能算力，从而支撑各类AI应用，并服务于银行业务的智能化转型。

但是，智能算力包括硬件算力与AI软件平台能力两部分，而银行要想构建涵盖软硬件的全栈式AI能力，在产品选型、系统集成中耗费的时间、资金、人力成本都十分高昂。因此，该银行期望采用能够快捷部署的、端到端的AI算力构建方案。

多种算力资源的智能调度

构建分布式的传统算力与智能算力之后，该银行面临的问题在于数字化业务的工作负载波动性，带来的对算力扩容缩容实时性的要求。

但是，依靠传统的人工扩容缩容手段来应对这种波动性，存在效率低下、响应不及时等痛点。因此，该银行希望能够通过统一管理平台与资源调度算法对多种算力资源进行统一智能调度。

业务系统故障的智能定位与恢复

过去，银行内存在许多传统监控运维工具，比如APM、NPM、日志分析等工具。但是，数字化业务采用分布式和微服务架构后，故障成因会更加复杂、隐蔽和分散，各类关联性故障会越来越多。

因此，依靠人工对来自不同监控运维工具的多维度运维数据进行关联分析，对运维人员的运维经验、排查效率、操作准确性等要求过高，因此会投入较高的人力和时间成本，故障定位和恢复效率也无法得到充分保障，亟需借助统一的智能运维平台实现多维度运维数据的洞察分析。

此外，智能运维算法的实现，也有赖于底层的智能算力平台的搭建。因此，银行希望对智能算力平台、智能运维平台的构建进行统筹建设。

创新奇智两大优势促成合作

为了应对以上几点挑战，该银行考虑选择一家同时具备IT基础设施管理、智能算力平台构建、多种算力资源调度、智能运维平台构建等多种能力的厂商，从而构建统一的智能运维中台。

最终，该银行选择创新奇智来建设智能运维中台，主要看重创新奇两方面的优势：

一方面，创新奇智在金融业的数据中心有长期实践经验，非常了解金融业数据中心客户对运维、稳定性和安全性的诉求，能为客户提供很好的场景规划和设计咨询服务。

另一方面，创新奇智ABC一体机具备解决客户需求的多种产品功能，包括自动化机器学习平台Orion、多云管理平台、大数据日志管理平台，同时还提供数据中心智能运维服务，十分满足该银行的多重需求。

创新奇智（AInnovation）成立于2018年3月，是创新工场AI子公司，以“人工智能赋能商业价值”为使命，致力于用最前沿的人工智能技术为企业提供AI相关产品及商业解决方案，通过AI赋能助力企业客户及合作伙伴提升商业效率和价值，实现数字化转型。

基于多个产品模块，共同打造智能运维中台

创新奇智为该银行构建的智能运维中台，包括多云管理平台、智能运维平台、智能算力平台三部分。此外，传统算力平台中的OpenStack私有云也由创新奇智为银行建设。

1）传统算力平台

传统算力平台是银行传统业务、数字化业务的支撑平台，其中传统业务主要部署在行内自建数据中心的物理硬件、VMware虚拟机、OpenStack私有云中。

2）智能算力平台

智能算力平台基于创新奇智的ABC一体机所提供的智能算力硬件，其上搭载自动化机器学习平台Orion。

同时，创新奇智帮助该银行构建基于CDH（Hadoop发行版）的大数据平台，接入来自大数据日志管理平台的日志数据，以及来自其他运维监控工具（如APM、NPM等）的运维数据。

最终，创新奇智基于Orion，以及大数据平台中汇集的多维度运维数据，训练得到AI模型，从而应用于智能运维平台的运维管理场景中。

智能运维平台

智能运维平台主要发挥两方面作用：

智能洞察：帮助客户更好地洞察运维状态，甚至提前于监控系统发现潜在风险，实现提前预警。创新奇智针对历史出现的故障和对应日志出现频率，训练了一套日志划分等级模型，帮助用户更好地理解日志的信息含义；将日志按照主题、兴趣点进行归并，有效提升运维人员阅读的效率，让其快速了解系统情况；基于日志中的特殊特征，帮助客户及时发现监控系统还未监控到的异常，预测近期或中期会出现的问题，让用户提前做好预案，降低故障出现风险和挽回经济损失。

智能定位与处理：利用AI模型分析现象或故障之间的关联性，辅助问题定位，为运维人员提供操作建议，还可将特定运维服务场景纳入“主动自动干预”的范围。创新奇智构建了运维知识库，仿真了有长期经验的运维工程师的操作内容，把处理过的事故和解决方案进行匹配，形成知识图谱长期保存；当系统中出现新故障时，可以模式识别手段，检测出故障的类型，和库中样本进行比对，找出最适合的解决方案，以便运维人员做出相应反应；紧急情况出现时，可以自动化拉起响应和警告，以便相应人员能及时赶到现场。

多云管理平台

多云管理平台直接管理IaaS、PaaS层基础设施，并基于工作流与规则引擎，以及云配置管理数据库，为运维人员、业务人员提供多云管理服务门户。多云管理服务门户包括服务管理、运营分析、运维管理等板块。

服务管理：对虚拟机、容器、网络、存储、数据库等基础设施提供服务运营能力，用户仅需填写平台提供的服务目录，便可完成对应资源的申请；

运营分析：对各类云资源进行数据管理、数据统计，对现资源计量、配额管理、容量规划分析、生成资源统计报表等功能；

运维管理：管理员可以自定义服务提供目录，并对租户个人名下的资源进行权限管理、配置变更、资源回收等操作；

资源调度：按照用户预设来实现计算资源与业务负载之间的动态匹配，包括组内云资源自动伸缩策略，组间云资源动态可回收策略，云资源时分复用策略等。

智能运维中台为运维团队降本增效

整体来看，创新奇智搭建的智能运维中台，为该银行带来价值与效果包括以下三点：

• 部署工作量缩减：传统的智能算力平台搭建模式下，大数据、AI平台需要分别采购、安装、部署和调优等；但是在一体化设计基础之上，客户缩减了70%以上工作量。
• 运维人员规模缩减：智能运维平台的搭建，缩减了运维人员进行数据收集、分析和故障研判的工作量，因此在人力规模层面，单条业务线的运维人员规模从约20人缩减到6人的规模。
• 响应速度提升：智能运维平台的搭建，把过去需要平均4~8小时的的故障处理周期，缩短到2-4小时内。

5. 未来展望：开放银行构建无界金融生态

5.1 银行业竞争格局大变，开放战略已成必然趋势

正如第一章所述，数字化经营的核心要义之一在于以客户为中心。因此，客户的需求变化必然意味着数字化经营的内涵也不断发生变化。

事实上，天然开放的互联网文化正在持续塑造着客户的偏好。在互联网时代，各类来自新型金融机构的开放式金融产品，正在深度嵌入到客户的真实消费和经营场景中，使得金融客户群体的个性化需求得到了极大满足，“金融脱媒”现象因此更加明显。

但与此同时，商业银行自身相对封闭的经营理念，使得其经营模式、产品形态逐步脱离了客户的真实需求，由此造成客户粘性不断下滑，信贷业务增长乏力。

因此，以客户为中心的经营理念，不仅需要银行对内推进数字化转型战略，还需要对外实行开放战略，以积极、主动、开放的姿态，主动将自身的数据、服务能力与外部场景进行打通和融合，从而逐步消除传统经营模式下封闭、固化的经营模式边界，并丰富自身产品形态，最终构建“无界”的金融生态，“开放银行”理念的浪潮由此掀起。

根据Gartner的定义，“开放银行”是一种平台化的商业模式，通过与商业生态系统共享数据、算法、交易、流程和其他业务功能，为商业生态系统的客户、员工、第三方开发者、金融科技公司、供应商和其他合作伙伴提供服务，使银行创造出新的价值，构建新的核心能力。

整体来看，开放银行应当具备三个核心要素：以开放API为基础技术、以数据共享为价值本源、以平台合作为商业模式。

近些年来，各国纷纷推出针对开放银行的相关政策，推动银行践行开放战略。在国际范围内，英国、欧盟是开放银行理念的“先行者”。

早在2015年3月英国就成立了开放银行工作组OBWG，并于2016年3月发布了《开放银行标准框架》(OBS)，同时英国竞争与市场管理局 (CMA) 要求最大的 9 家银行(又称CMA9)限定时间落实 OBS。

与英国几乎同时，欧盟于2016年通过PSD2(Payment Service Directive 2 支付服务规划 2) 法令，规定在 2018 年 1 月 13 日起欧洲银行必须把支付服务和相关客户数据开放给第三方服务商。

与欧美相比，中国尚未发布针对开放银行领域的行业性政策。但中国人民银行于2020年2月发布的《商业银行应用程序接口安全管理规范》首次从技术角度对开放银行进行了明确规定，这也是中国数字经济转型进程中，具有重要的参照性、指导性价值的一份技术规范。

进入2020年以来，随着国家政策在数字经济领域的密集推出，开放银行在中国也将是大势所趋。

5.2 多种开放银行模式持续探索，金融服务为商业与产业生态赋能

有别于传统银行业务，开放银行以平台化为主要商业模式。在这种模式下，银行不再直接用产品与服务直接触达客户，而是在平台之上汇集多种商业生态，然后再借助这些商业生态，间接为客户提供各类金融服务。

开放银行的基础架构分为从下到上的三层，即银行、开放平台、商业与产业生态：

• 银行：主要指银行将存款、贷款、汇款等核心金融能力进行组件化、服务化，即核心能力被拆分成类似乐高积木的组件，从而为开放平台提供可配置的、高度灵活的基础金融服务。
• 开放平台：通过开放API连接银行与上层生态，从而将银行的基础金融服务能力，通过适应不同场景的API输出到各类场景中，从而为商业、产业生态进行金融赋能；
• 商业与产业生态：包含各类能够产生信贷、理财等金融需求的生态场景；就信贷业务来讲，商业生态主要指各类个人消费场景，如消费金融、汽车金融、保险、电商、生活服务等，产业生态主要指企业、企业主的各类经营性场景，如企业采购、销售、仓储、物流等；针对这两类生态，平台运营者需要为特定场景客户设计合适的金融产品。因此，从平台受众看，开放银行同样分为个人金融、产业金融两类模式。

此外，从开放平台建设的主导方来看，开放银行分为银行主导、第三方平台主导两种典型模式。

• 银行主导：由于大型银行自身往往已经具备庞大的金融生态体系，一般会选择由自己来主导建设开放平台，同时重点补足其在商业与产业生态资产端方面的能力；这种模式的典型案例有工商银行的“互联网金融开放平台”、建设银行的“开放银行管理平台”、浦发银行的API BANK等。
• 第三方平台主导：中小银行由于自身影响力不足、金融生态体系不完善，自行建设开放平台往往会面临成本高、效果差、难以导入优质资产的问题，因此往往选择加入第三方平台主导建设的开放平台；这种模式的典型案例有平安集团旗下金融壹账通的Gamma O，以及面向产业金融垂直场景的飞算科技“产业金融科技平台”等。

飞算科技“产业金融科技平台”的主要定位是链接有信贷需求的小微企业与希望寻找优质资产的银行。对小微企业、银行侧的价值主要体现在以下方面：

• 小微企业侧：核心工作主要分为两项。第一项是产业科技升级，通过联合一些CRM、ERP、SRM领域的合作伙伴，为小微企业完善信息化基础，从而沉淀内部数据，形成真实且维度丰富的金融判断素材；另一项是信用模型构建，基于前面积累的数据构建信用模型，并将符合风控要求的优质客户、优质资产推送给合作银行，由合作银行来为其提供信贷服务。
• 银行侧：通过科技输出帮助银行获取小微企业客户，模式上分为两种：一种是帮助银行直接批量获客，即银行与产业金融科技平台进行直接对接，通过平台进行批量获客；另一种模式是间接获客，即借助产业链中核心企业的关联关系，将其上下游的小微企业转化为银行客户。

整体来看，飞算科技“产业金融科技平台”的价值在于通过产业链深度介入、产业数据穿透，帮助优质小微企业沉淀数据信用资产、获得公认信用，同时助力金融机构实现资金的精准滴灌，是开放银行在产业金融领域的优秀实践案例。

结语

相比于其他行业，银行业金融机构的数字化转型具有动力充足、意识到位、设施完备、场景丰富等特点。

• 动力充足：银行业天然的数据化特征，使得数字化转型带给银行业的业务收益比较明确，这也推动了银行业金融机构对数字化技术的采纳；
• 意识到位：银行业金融机构的决策者、从业人员普遍具备较高的素质，普遍能够正确认知数字化技术的潜在价值；
• 设施完备：银行业金融机构在IT基础设施建设以及人才储备方面的良好基础，都为数字化转型的快速推进铺平了道路；
• 场景丰富：银行业金融机构尤其是商业银行，由于组织架构庞大、业务线众多、业务流程复杂，因此存在着非常广阔的数字化技术开拓与应用空间。

因此，在中国产业数字化转型的进程中，银行业的数字化转型具有两方面的特殊意义。

一方面，银行业已经为其他数字化进程相对落后的行业树立了标杆，其当下较为成熟的数字化实践往往具有相对普遍的参考价值。

另一方面，银行业又担负着开拓数字化新技术、新场景的前沿实践的角色，如知识图谱、联邦学习等新技术，以及数字化的内控合规、关联风险预测、关联欺诈识别等新场景的开拓同样十分值得期待。

未来，爱分析将持续关注数字化技术在各个行业的应用趋势，通过梳理应用场景、技术落地方法论与业务价值，为中国产业数字化转型持续助力。

关于爱分析

爱分析是一家中国领先的产业数字化研究与咨询机构，成立于中国数字化兴起之时，致力于成为决策者最值得信任的数字化智囊。

凭借对新兴技术和应用的系统研究，对行业和场景的深刻洞见，爱分析为产业数字化大潮中的企业用户、厂商和投资机构，提供专业、客观、可靠的第三方研究与咨询服务，助力决策者洞察数字化趋势，拥抱数字化机会，引领中国产业数字化升级。