在科技金融借助“互聯網+”迅速覆蓋各行各業的當下，我國銀行業金融科技化轉型成效驚人。相關統計數據顯示，目前國內大型商業銀行的電子渠道交易占比已超過80％。大數據應用代替傳統人工為銀行業帶來成本驟降的同時，大量沉淀數據也成為了各家銀行的寶貴資源，如何釋放數據的最大價值，數據如何為銀行提供精準營銷、風險管控、客戶畫像等服務，成為了每個銀行技術團隊亟待解決的核心問題。
業內人士認為，人工智能進入高速發展時期，語音識別、圖像識別、機器學習等不少細分領域涌現了大量突破性研究成果。而作為數據量龐大、風控需求精準的銀行業，人工智能有著天生的發揮優勢。基于大數據構建金融知識圖譜、基于社交網絡與銀行業核心數據識別并深度了解客戶。這些都是如今銀行業最需要實現落地的課題。
流程繁信貸慢 傳統銀行難點多
風險是銀行機構的固有特性，與銀行相伴而生。傳統信貸業務仍然是銀行盈利的主要來源，人工授信使得銀行成為人力資本最密集行業之一，大型銀行擁有大量人力資源和嚴格規范的管理流程來落實信貸風控，但中小銀行一般需要面臨資金投入有限、管理質量不高、對人工依賴性強等特色難題。某金融高管曾表示，銀行需要填寫各種資料，比較繁瑣，審批需要人工、電核，后來演變到線上。“關鍵是我們用什么方式讓這些盡量少得麻煩客戶，盡量準確地擋住欺詐人群。”該高管說。
相較于短平快的互聯網金融，傳統銀行從獲客到放貸，一般要經歷10個業務流程，流程多批貸難。某城商行零售總監表示，信貸業務主要通過線下進行，審批環節會篩掉10%的客戶。最終通過數據模型再次篩選客戶。對于數據來源，他表示金融機構不是平臺性企業，其實數據鏈是不完整的。要得到完整的客戶風險畫像，還得多方的數據來源來拼合。
同時信貸擔保間復雜的關系也是令每個銀行人頭疼不已的難題，而這些堪比大海撈針般的關系鏈往往才是決定信貸會否失控的關鍵。除了在行業里經營多年客戶關系的資深員工，新員工想要真正熟悉自己的客戶不僅需要時間的積累，更需要深入的調研，這些學習成本對銀行來說也是必不可少。
大數據應用金融 銀行實現彎道超車
大數據在銀行的應用起步比互聯網行業稍晚，在網貸行業，經過2016年的監管升級后可以看出，強有力的監管保證了科技金融的可控。銀行業在后發優勢中學到了寶貴的經驗，近年來，各家銀行已經能夠成熟地運用大數據幫助銀行進行風險預警，例如用大數據建模篩選信貸客戶，用行為模型做貸后管理。
同時，國內不少銀行已經開始嘗試通過大數據來驅動業務運營，如中信銀行信用卡中心使用大數據技術實現了實時營銷，光大銀行建立了社交網絡信息數據庫，招商銀行則利用大數據發展小微貸款。中國社會科學院金融所銀行研究室主任曾剛表示：“很多民營銀行選擇了用互聯網方式進行業務拓展，這種輕資產模式也被認為是新銀行進行彎道超車的較好載體。”
在經濟結構調整的大環境下，多家上市銀行在運用大數據對貸款投向進行調整上持續加大力度。2017年中報數據顯示，上半年25家上市銀行合計實現營業收入19612億元。另外，上半年五大行實現歸屬于母公司的凈利潤為5426億元，比去年同期增加231億元，同比增速4.45%。通過大數據應用后的銀行業交出了靚麗的“中考”成績單。
大數據應用依然有很多的障礙需要克服，比如銀行內各業務的數據孤島效應嚴重、大數據人才相對缺乏以及缺乏銀行之外的外部數據的整合等問題。但我們也應該看到，銀行的中高層開始重視大數據，未來銀行業的大數據應用將迎來突破性的發展。
知識圖譜+NLP 大數據過渡人工智能
從大數據過渡到人工智能是科技發展的必然趨勢，除了金融業，其他行業如零售、制藥業都將在人工智能中尋找新的突破點。
在國務院印發的《新一代人工智能發展規劃》中，著重提出了面向2030年我國新一代人工智能發展的指導思想、戰略目標、重點任務。人工智能在大數據應用的基礎上開始逐漸滲透到金融業，如何從理論到實際運用，文因互聯數據科學家丁海星表示：“金融領域將運用到人工智能技術的三大方面；一、深度學習；二、知識圖譜；三、自然語言處理（NLP）。”
深度學習技術是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。
知識圖譜作為一種大規模的知識表示形態，其核心是以圖的方式存儲知識并向用戶返回經過加工和推理的知識。可以認為是傳統數據庫的升級版。對金融領域，事件的發生是有征兆的，通過對事件進行捕捉形成事理推理型的知識圖譜，可以描繪事件發生的順承關系和因果關系。
NLP是自然語言理解的簡稱。它是計算機科學，人工智能以及語言學交叉的一門學科。主要解決人和計算機如何通過自然語言進行交流的問題。全球范圍內，包括中國BAT等各大互聯網公司都在研究自然語言處理、知識圖譜和深度學習，行業目前正在爭奪落地場景。
人工智能賦能銀行新模式
人工智能將以怎樣的方式實現落地？海致金融業務副總裁楊娟表示，通過多年來對銀行客戶的合作開發中的經驗和痛點，人工智能現階段將通過以下四個場景幫助銀行縮短業務流程，提高業務效率。
首先是數據采集與解析。銀行的數據類型和數據特點是數據庫格式的、結構化的、高價值的數據，這個相對于互聯網數據而言體量小，面對銀行數據孤島的局面，互聯網海量數據的采集和解析將豐富銀行數據的來源，互聯網數據中包含大量非結構化數據，往往這些數據與客戶相關，例如客戶的社交網絡信息，同時這些信息數據也包含相關潛在客戶。非結構化數據將通過NLP解析后作為信源補充，從而進一步為銀行搭建完善的金融圖譜。
其次是金融圖譜分析與挖掘。銀行客戶間擔保關系可以通過知識圖譜進行關聯，從而及時甄別出違規擔保圈以及擔保的風險點，動態預警擔保風險信號。除了貸前的風險控制，知識圖譜也可以在貸后發揮其強大的作用，比如在貸后失聯客戶管理的問題上，知識圖譜可以幫助我們挖掘出更多潛在的新聯系人，從而提高催收的成功率。
第三是客戶智能標簽的建設。通過算法導入客戶數據將深度學習和專家經驗相結合，從而建立起客戶標簽體系。在此基礎上可以提煉出客戶風險價值以及營銷價值。智能標簽的深度學習接近與阿爾法狗遍歷學習大師棋譜后自我博弈的過程，在此過程中通過神經網絡的層與層的遞進，逐漸演化出貼合企業客戶的標簽。
第四是信貸文本智能解析。楊娟表示：“人工審閱一條審批意見平均花費時間高于5分鐘，那12000多份報告的話，人工審閱就需要一千個小時，現在通過我們NLP和機器學習技術的話，這一萬多份報告5分鐘就可以處理完。”復制黏貼占據了金融從業者很大一部分的時間，在未來幾年內，NLP可以替代掉大部分低端重復的工作，將金融從業人員從繁雜的信息搜集、清洗、核對等工作中解脫出來。
對于銀行未來智能化轉型的趨勢，楊娟表示：“大數據加營銷風險的模型配合圖分析和圖挖掘，與銀行的內部客戶賬戶交易去進行一個融合，能夠為銀行帶來營銷、風險預警、自動化處理等全方位的效率提升，所謂的AI取代的是人的一部分工作，而專業人員將會被解放出來，從而能夠以更好地效率服務更多的客戶。當然，這也是一點一點發生的，是一個漫長的過程。”
京公網安備 11010502049343號