在宏观经济增速放缓和互联网金融发展的双重压力下，银行已普遍开始了数字化转型，并向智能化方向迈进。不过在智能化转型过程中，银行也普遍面临数字资产建设能力不足，数据治理和AI模型开发自动化程度低等问题。银行需要搭建起适应未来的敏捷响应的智能中枢。
近年来，中国经济已进入中高速增长的“新常态”，受疫情影响，2020年，中国GDP总量更是仅实现2.3%的增长。
经济增长放缓的大背景之下，金融行业ROE持续下滑、营收和利润停滞不前。2020年，中国商业银行预计实现净利润2万亿元，同比下降1.8%，近十年来首次负增长。与此同时，银行业不良贷款比率高位攀升，2020年三季度末，中国商业银行不良贷款余额2.84万亿元，较上季末增加987亿元；商业银行不良贷款率1.96%，较上季末增加0.02个百分点。
银行业净利润出现负增长，说明新增用户的增长速度已变缓，银行正式进入了“存量时代”。银行客户经营的重点正从扩展“增量用户”向争夺“存量用户”发展。
此外，伴随着互联网金融的发展，简单、便捷的数字化金融产品和服务已经成为了用户的普遍选择。用户对金融产品的需求变得更加多样，并且用户旅程更加线上化，希望能够随时随地获取个性化服务。
面对“存量时代”的挑战，大部分银行已普遍展开了数字化转型，并已开启智能化建设的旅程，希望借助大数据、人工智能等先进技术，能够实现更加精准的客户触达、提高风控能力，从而提升运营效率、实现业务增长。
01 智能化是未来银行业务的基本特征
对于未来银行的业务形态发展趋势，目前业界有各种各样的提法，包括“开放银行”、“API银行”、“生态型银行”、“Bank 4.0”等，以及浦发银行去年9月在一份报告中首次提出“全景银行”的构想。
尽管概念繁多，但对未来银行业务形态的判断至少有以下两方面的共性趋势。
首先，互联网的普及使得客户获取金融产品和服务不再局限于传统的银行网点，未来银行需具备借助互联网等工具，在任何场景（如通过自建渠道、第三方渠道等）向用户提供服务的能力。此外，由于客户的需求可能在不同时间点反复出现，未来银行需能够利用AI等技术不断预测、捕捉并及时满足用户的持续需求。
其次，随着前端产品的场景化，客户对金融产品和服务也呈现个性化、差异化、定制化的趋势。未来银行需以数据和人工智能为驱动，智能地感知各类用户需求，广泛汇集行内外数据，构建各类需求模型，精准向客户匹配和推荐相关产品和服务，以提升单客价值。
总结来看，智能化将成为未来银行业务的基本特征，未来银行需能够建立起对用户个性化需求进行快速响应的业务体系。而在风险防控方面，银行也需要打破目前基于知识经验的风控体系，能够基于行内外数据，通过人工智能技术搭建风控模型，建立起覆盖贷前、贷中和贷后的实时反欺诈能力。
02 银行智能化应用落地面临缺乏敏捷性的挑战
智能化的业务形态，意味着未来银行的前端业务决策将越来越多地由数据和算法模型驱动，而非简单的交易规则驱动，底层需要一整套包含数据资产开发、AI模型开发和持续运维的技术架构作为支撑，可以称之为“智能中枢”。
目前，数字化建设步伐较为领先的银行已加快了智能化建设的步伐，从营销到风控等领域搭建起一系列的智能化应用。
从价值链上看，银行营销一般涉及用户场景、用户洞察、用户触达、用户转化和用户运营五大环节。在这些环节中，AI技术都已有一定的渗透。例如，在用户洞察环节，银行普遍面临对消费者数据开发不足的问题，AI技术的加持能够通过制定营销计划、智能推荐等实现更深层次的客户洞察。具体做法是，构建整合的大数据管理平台，基于海量内外部的数据源（包括用户的消费行为、社交媒体行为等弱金融属性数据）构建用户画像，形成个性化的标签，实现更精准的用户触达。
在风控方面，在不良资产率不断攀升的现实下，很多银行尝试利用AI技术提升风控水平和管理效率。在这方面，目前银行的普遍做法是，建立基于大数据的风控系统，从贷前准入、贷中监测和贷后管理环节入手，利用AI实现实时反欺诈、智能审批、智能预警和自动搭建黑名单等。例如，在贷前准入环节，随着互联网的发展，银行普遍面临欺诈手段更加隐秘和多样化的挑战。基于设备指纹、活体检测等身份识别数据，结合社交类和网络类数据，通过建立实时反欺诈模型，能够有效识别隐秘的欺诈行为。
然而，总体上看，当前银行智能化应用还处在初期，核心问题在于对业务的敏捷响应能力仍然不足。
一方面，为了响应市场环境的变化，银行智能化业务的迭代速度在不断提升，意味着算法模型的生命周期缩短，需要更快地迭代更新。例如，在去年的双十一，阿里突然宣布将活动周期从一周提至两周。消息宣布后，跟阿里签署合作的多家银行随即面临困境：此前这些银行对接阿里的财务系统、营销系统等均按照一周时间准备，时间的拉长给后者相应的后台系统对接、数据分析、营销推广等工作造成极大挑战。这实际反映出，当前银行面对类似突发情况，仍无法快速响应业务需求的现状。
而另一方面，智能化应用的开发涉及一整套复杂的工作流程，需要业务人员和IT人员共同参与，将业务问题转化为智能化应用开发需求，再进行相应的数据资产开发和AI模型开发，最后进行模型测试、部署和持续迭代。事实上，由于整个智能化应用落地的流程涉及到诸多环节，且自动化程度较低，一般来说智能化应用开发会有长达数月的开发周期，导致银行的智能化应用落地面临成本高、周期长的问题，无法做到敏捷响应。
具体来看，智能化应用开发敏捷性不足的主要原因包括以下两大方面：
第一，数据资产建设能力不足，导致数据价值难以有效发挥。传统上，基于数据仓库的数据存储模式，数字资产分散在各个不同的部门和系统中，海量的数据资产没有相应的识别与处理系统，经营管理者不清楚哪些是数据资产，数字资产复用性低、浪费现象严重。
数字资产建设能力的不足，带来了两个方面的问题。首先，科技部门对业务部门的需求响应慢，由于前期没有沉淀好相应的数据资产，科技部门往往根据业务部门的某个具体需求进行资产定义和资产开发工作，整个过程十分漫长。
其次，数据资产建设能力不足，影响了上层AI应用的落地。数据质量对于上层AI应用的开发至关重要，AI模型的搭建涉及前期包括数据资产化过程的数据治理工作，数据资产体系的丰富度，如根据相应的主题提前对数据进行归类，可为AI应用开发打下良好基矗
第二，从数据治理到AI应用开发全过程中，面对从风控到营销等智能化应用场景，银行普遍缺乏AI模型全生命周期的工程化能力。从数据治理、数据特征工程、模型训练到模型评估和管理等环节，自动化程度低，大量依靠人力外包开发，导致AI应用开发的流程漫长，业务敏捷性差。
比如在数据治理阶段，数据对标、数据清洗等工作目前主要依赖人工进行；AI开发方面，目前AI建模仍然是一个十分复杂的过程，业务人员缺乏相应的工具自主搭建。
03 打造敏捷响应的智能中枢
面对上述挑战，未来，银行需要搭建起更加敏捷的智能中枢，需要在数据资产建设和智能自动化的工程落地能力方面重点发力。
在数据资产建设方面，银行需要建立起能快速响应业务需求的数据资产开发、管理和服务体系，更敏捷地支撑AI模型开发，实现数据与智能化业务应用的快速打通。在智能的工程落地方面，需要能够利用无代码、自然语言处理、超自动化等技术对现有的BI技术进行升级，实现数据处理和数据治理的全自动化；而在AI开发和应用方面，基于AutoML技术，实现AI模型的快速搭建。
由此可见，智能中枢将是一个由多个组件构成的技术架构体系，涉及从数据到上层应用的众多系统。基于智能中枢，银行将能够实现对业务流程的改造，搭建起对前端业务敏捷性响应的技术架构体系。随着数据资产体系的完善和智能自动化技术的广泛应用，营销方面，银行将能够充分利用好行内外数据，实现真正的千人千面功能、个性化的服务和精准的营销推荐；风控方面，也才能够做到将智能风控实时地贯穿于信贷业务的贷前、贷中和贷后全流程管理中。
基于这样的理念，目前已有部分厂商打造了相应的解决方案，山景智能是其中的典型案例。山景智能搭建了三大产品体系：Stella智能数据中台、Nebula智能AI中台以及Awake智能业务中台。
图：山景智能的三大产品体系
来源：山景智能
如图所示，Stella、Nebula以及Awake三大产品体系是基于一套体系进行设计的，三者相互协同，构成了一个完整的“工作流”。
首先，Stella是银行内部数据资产和ETL任务的管理平台，将分散在各种异构数据库中的原始数据，系统化地生成数据资产服务，为银行提供管理企业数据并形成数据基础服务的能力。
在数据资产化的基础上，Nebula为银行提供AI模型工程化的平台，利用AutoML技术实现建模的全自动化，包括数据自动清洗、多表自动聚合、自动特征工程、模型自动选择、调优和自动模型融合。最后，Awake将数据服务和AI模型服务包装成可编排的组件，供银行业务部门自由组合、创造数据和智能驱动的个性化产品，并能在短时间内上线。
1）重视数据资产建设，奠定AI开发基础
针对数据资产这一问题，目前银行主要通过搭建数据中台的方式解决。数据中台能够通过元数据治理，基于业务需求搭建起标签体系，完善对数据资产的描述，从而加强数据资产能力建设。业务人员通过标签即可实现对数据的利用，提升IT人员响应业务需求的敏捷性。
以某国内某股份制商业银行为例。此前该银行基于传统数据仓库架构搭建了大数据平台，然而却面临数据入库后如何挖掘数据业务价值并快速响应业务部门取数需求的问题。该银行选择了山景智能作为合作伙伴，搭建了一套业务中台和数据中台，通过数据资产化将行内此前数据治理的成果串联。
数据中台的搭建帮助该银行建立了统一的数据资产，实现资产可复用；数据中台实现了SQL的自动生成，科技开发人员不再需要用繁琐的代码实现业务需求，提升了交付速度。总体上，数据中台帮助该银行实现了数据需求的敏捷交付，交付速度从月降到了天，同时也支撑了智能营销和智能风控等AI上层应用。
2）提升工程化水平， 助力AI应用快速部署落地
当前，面对海量的智能化应用场景，银行一般采取单点部署AI应用，即烟囱式的建设的思路。这不仅导致AI落地速度慢，而且开发成本居高不下。银行需摒弃这种烟囱式的AI开发思路，转而通过提升工程化能力，推进AI应用的快速落地。
以银行营销为例，营销的链条包括用户场景、用户洞察、用户触达、用户转化和用户运营， 如果针对每个环节的智能化建设都采取单点开发的模式，不仅AI落地速度慢，而且造成极大资源浪费。
目前，一些领先银行通过搭建AI中台的方式，推进AI应用的规模化建设。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。
基于山景智能Stella、Nebula以及Awake三大产品体系，构建营销相关的智能化应用将变得更加高效，大致包括以下流程：在接入营销相关数据后，通过Stella数据智能中台构建的数据资产库将涵盖营销链条中所有子集。基于数据资产库，Nebula智能AI中台从中自动进行AI特征提取，利用AutoML实现各类模型的自动搭建。
当客户需要构建营销相关的某个智能化应用时，只需通过Awake智能业务中台，通过简单的配置工作，包括服务编排和工作流建立等，即可实现AI应用的一键部署。
以山景智能近期与某银行合作的智能营销项目为例。该项目涉及一款新上线的信用贷款产品，作为该银行近期业务拓展的主攻产品，行方希望能够快速提升产品业绩，并希望短期内在客户营销效率方面能有较大提升。
过往，该银行开展营销活动过程中，营销客户名单一般是业务人员基于经验进行分析后用规则筛选获得，分析及筛选的过程耗时较长，且营销效果一般。
山景智能向该银行提供了基于三大产品体系中的自动建模组件作为解决方案，从需求分析、数据处理到完成模型并提供名单，整个过程仅用了10天。应用基于AI模型生成的名单进行营销，营销响应率较过往提升了4倍。
04 整体统筹规划，加快推进智能中枢建设
未来，随着移动互联网的进一步发展，用户对银行产品的需求将呈现更加个性化、差异化的趋势；同时，技术的进步也使得风险控制变得更加隐秘化和复杂化，银行需要尽快建立起以智能中枢为核心的基础技术架构体系，以实现对前端业务的敏捷化响应。
过往，银行的数字化规划更多是基于“烟囱式”的思路进行，从底层平台搭建、数据治理到上层应用开发往往以单独项目进行部署，不同模块之间的协同效果比较欠缺。未来，银行应以业务需求和应用场景为导向，从项目建设伊始就应该做好统一规划，推进智能中枢建设。
作为统一规划的一部分，银行尤其需要强调将AI中台和数据中台两大中台作为有机整体进行考量。在此基础上，银行在推进智能中枢建设的过程中，应着重关注数据标准和质量、数据资产化、全域数据自动化建模、模型发布、运行管理和业务编排几个方面的关键能力建设。
当然，智能中枢的搭建也并非从头开始，此前大部分银行在数字化建设过程中已建立了庞大的架构体系，例如大数据平台、数据湖等。银行可以充分利用已有的底层能力，依托这些成熟的基础设施之上快速构建智能中枢。
总而言之，智能中枢的搭建将是一个系统性的复杂工程。在技术实现路径已较为清晰的情况下，更为重要的是意识和思维的转变，那些敢于突破自身、敢于创新的银行将能最快搭建起适应未来的技术架构体系，赋能业务发展，最终在激烈的行业竞争中胜出。
