時至2019，無論是零售轉(zhuǎn)型還是科技轉(zhuǎn)型，對銀行而言已經(jīng)是一門顯學。但時光倒流至5年前，真正意識到兩者之間底層關(guān)聯(lián)的銀行卻并不算多。

從2009年到2013年，伴隨著宏觀經(jīng)濟增速的整體放緩，銀行們的規(guī)模增長紅利也已不可持續(xù)。而此際“余額寶”橫空出世，對銀行存款端進行了一次“敲山震虎”。

深刻領(lǐng)教了流量的威力和跨界競爭的能量之后，零售用戶的潛在能量也觸發(fā)了銀行們的轉(zhuǎn)型思考：失去了零售端，就意味著失去了獲取低成本資金的可能，長遠來看，這決定了銀行是否需要冒進發(fā)展高風險業(yè)務，影響著一家銀行的資產(chǎn)結(jié)構(gòu)。

銀行們開始真正意識到，商業(yè)力量的天平上，對C端流量的把控力正成為重要砝碼，于是，迄今為止銀行們最為重要的兩項轉(zhuǎn)型任務正式開啟：戰(zhàn)略方向的數(shù)字化升級和業(yè)務端的零售轉(zhuǎn)型。

銀行必須在更高階的維度上打通支付結(jié)算、現(xiàn)金管理、供應鏈金融、電子商務、資產(chǎn)交易等既有服務內(nèi)容，提供更完整的服務閉環(huán)，給客戶體驗和價值感的全面升級，才有可能在這場從低頻向高頻轉(zhuǎn)型的金融攻堅戰(zhàn)中獲得成功。

而這一戰(zhàn)略目標顯然無法一蹴而就。銀行們很快就發(fā)現(xiàn)，技術(shù)升級這并不是一個簡單的命題。銀行需要的是一個綜合的整體技術(shù)解決方案。銀行們囿于長期以來的金融基因，科技轉(zhuǎn)型勢必要借助一些外力。然而，尋找科技外援亦不是一件容易的事情。

瞄準銀行轉(zhuǎn)型痛點，試圖掘金這一商機的科技公司并不在少數(shù)。從螞蟻金服、平安金融壹賬通等巨頭為背景的金融科技企業(yè)，到氪信科技、同盾科技等近年涌現(xiàn)的科技新銳，大大小小不一而足。

不過，紅海市場的好處就在于，江湖一片混沌，并不是巨頭就一定會勝出，甚至，在一定的情境下，巨頭因為牽涉了更多戰(zhàn)略層面的博弈，無法成為銀行們的最優(yōu)選擇，這為一些中小規(guī)模的創(chuàng)業(yè)型企業(yè)提供了機會。

而當所有技術(shù)服務商在強調(diào)大數(shù)據(jù)、智能科技、云計算等高大上科技詞匯時，如何從中遴選出一個靠譜的合作方，每家銀行又各有打算。

1

先來說說銀行在零售轉(zhuǎn)型過程中需要直面的現(xiàn)狀。

麥肯錫曾在2017年的全球銀行業(yè)報告中總結(jié)，數(shù)字經(jīng)濟時代，生態(tài)圈模式給銀行帶來的四大挑戰(zhàn)：

客戶脫媒——銀行正在失去同顧客接觸的機會，因為人們轉(zhuǎn)向非銀渠道，如消費信貸;

解綁——銀行提供的眾多產(chǎn)品服務正在被肢解，因為顧客可選擇更優(yōu)客戶體驗的單一服務提供商，如支付寶、微信支付等第三方支付;

商品化——銀行的差異化越發(fā)艱難，因為消費者可以便捷地在線上獲得理財產(chǎn)品的比價信息，如陸金所等;

隱形化——銀行正在失去品牌認知度，即使顧客在享受銀行的服務，也可能對銀行的存在全不知情，如微粒貸中提供聯(lián)合貸款的銀行們。

這段總結(jié)完美呈現(xiàn)了銀行在轉(zhuǎn)型道路上所遭遇的窘境。零售轉(zhuǎn)型在更大程度上暴露了傳統(tǒng)銀行在風控與獲客上的技術(shù)短板，迫使銀行從單純的資金密集型向技術(shù)密集型生態(tài)遷移。技術(shù)的力量很有可能在這新一輪的轉(zhuǎn)型升級中終結(jié)傳統(tǒng)銀行業(yè)的同質(zhì)化競爭，決定未來銀行的競爭格局。

銀行們并非沒有危機感，恰恰相反，從各家銀行2018年報的披露信息來看，對科技研發(fā)投入的重視程度空前。

招商銀行和平安銀行在零售端的轉(zhuǎn)型步調(diào)較為激進，而其科技投入亦不手軟：前者科技投入達到65.02億元，同比增長35.17%，占營業(yè)收入比重提升了0.46個百分點;后者IT資本性支出25.75億元，同比增長82%，全行科技人力較上年末增長逾44%。而包括中農(nóng)工建交在內(nèi)其余各家上市銀行，雖無明確數(shù)據(jù)，但從業(yè)績描述來看，“金融科技”的成分也在不斷提升。其中，作為銀行直接觸達客戶、提高用戶粘性的渠道，銀行對APP建設的重視程度大大提高，下載量和月活用戶數(shù)成為評判銀行業(yè)績的重要指標。工商銀行和建設銀行在2018年底App下載用戶數(shù)均已突破3億。

不過顯然，這一切還遠遠不夠。

某種程度而言，零售江湖里的用戶，成熟度已經(jīng)超越了銀行。在過去十余年的時間里，早已被互聯(lián)網(wǎng)巨頭調(diào)教過的用戶們，對產(chǎn)品和服務體驗的要求已經(jīng)很難被輕易滿足。

與此同時，銀行們在風控端面臨的形勢也日益嚴峻。

銀行傳統(tǒng)的風控思路多以個人為主體，對于復雜的洗錢團伙和長期歷史數(shù)據(jù)的追溯識別效果不佳，導致了誤報率居高不下?！白ゲ粶省焙汀白ゲ蝗眱纱笸袋c長期存在。而眼下，監(jiān)管層對于反洗錢反欺詐的重視程度節(jié)節(jié)攀升。今年4月，金融行動特別工作組(FATF)公布了《中國反洗錢和反恐怖融資互評估報告》，再度強調(diào)了金融機構(gòu)和特定非金融機構(gòu)合規(guī)和風險管理水平有待提升。

表面看來，銀行當下的痛點只是前端精準營銷和后端智能風控，但銀行真正需要的，則是一套能夠從產(chǎn)品、服務、用戶體驗到數(shù)據(jù)、模型算法的完整技術(shù)解決方案。

而一切技術(shù)解決方案的底層算法基礎(chǔ)依賴的是數(shù)據(jù)。移動支付年代，使用支付寶和微信支付已經(jīng)成為國民習慣，這確實給銀行帶來了一定程度的數(shù)據(jù)斷裂、連續(xù)性不強的問題。不過，這并不意味著銀行就毫無翻盤機會。在AI技術(shù)的策動下，存量數(shù)據(jù)亦有變廢為寶的機會。

2

一個有意思的問題是，所有的商業(yè)模式都在強調(diào)大數(shù)據(jù)、智能科技、云計算等高大上科技詞匯，如何從中遴選出一個靠譜的合作方?

長久以來，大中型規(guī)模的銀行招投標過程中，十分看重競標公司的規(guī)模和行業(yè)地位。一個重要的原因在于，銀行的內(nèi)控機制較嚴，流程規(guī)范顯得尤為重要，因此，一旦選定合作方更換成本相對較高。AI金融合作伙伴則更是如此，一旦選定，后續(xù)要更換合作方，可能還要為前人“排雷”，選一個門當戶對規(guī)模大資質(zhì)好的AI金融合作伙伴似乎是相對比較保險的方案。

但有意思的是，多家大行在選擇技術(shù)合作方時突破了“門當戶對”的既定范式。

圖片來源：億歐

氪信科技、同盾科技、第四范式都是較為典型的樣本。以氪信科技為例，2015年開始，氪信科技先后與民生銀行、招商銀行及四大行展開合作，從最初為民生銀行提供小微風控直至滲透到招行的零售風控、反欺詐延伸到營銷、催收等各個層面，目前已成為四大行的合作方，解決數(shù)億賬戶體量帶來的智能金融業(yè)務挑戰(zhàn)。

一家銀行網(wǎng)金部門負責人告訴十字財經(jīng)，相較以往，銀行作出這一選擇的背后有著更為細致深刻的考量。

“淺層的數(shù)據(jù)合作和技術(shù)外包顯然不是今天的銀行們真正需要的。巨頭們的技術(shù)肯定沒有問題，但現(xiàn)在來看，互聯(lián)網(wǎng)巨頭們達成深層合作的主體以中小銀行為主，規(guī)模大一些的銀行其實比較忌憚和巨頭合作。無論是基于數(shù)據(jù)還是一些更高層面的戰(zhàn)略博弈。而中小科技公司的競爭也十分殘酷，要拿下大銀行的訂單，得提供更優(yōu)的價格和更好的服務姿態(tài)，實際上需要不弱于巨頭的技術(shù)能力和超越巨頭的服務能力?！痹撊耸靠偨Y(jié)稱，要全方位勝出，關(guān)鍵的核心三要素：數(shù)據(jù)、模型算法、定制咨詢能力，三者缺一不可，“數(shù)據(jù)層面，大家談論金融大數(shù)據(jù)，主要的痛點是在強調(diào)金融數(shù)據(jù)之外的‘另類數(shù)據(jù)’。大家的數(shù)據(jù)源都差不多關(guān)鍵是數(shù)據(jù)處理能力。因此，模型算法的有效性和定制咨詢能力往往成為銀行選擇合作方的關(guān)鍵?！?/p>

公開數(shù)據(jù)顯示，央行征信記錄基本空白的人群接近十億，這類人群仍是一塊金融處女地，但前提是銀行有處理非金融屬性“另類數(shù)據(jù)”并對其進行金融定價的能力。

知識圖譜解決數(shù)據(jù)痛點生成金融畫像的過程

“銀行風控專家最痛苦的地方，就是另類數(shù)據(jù)無法按照以前納入以往的評分體系。傳統(tǒng)的銀行風控建模要素都與資金流信息強相關(guān)，比如工資多少、納稅多少。但像個人移動互聯(lián)網(wǎng)行為數(shù)據(jù)，卻難以根據(jù)傳統(tǒng)經(jīng)驗將其納入特征變量。AI技術(shù)能夠把這些覆蓋高但關(guān)聯(lián)稀疏的風險弱數(shù)據(jù)，提煉成上千維度的場景化金融屬性特征變量。而傳統(tǒng)銀行擁有海量的客戶存量數(shù)據(jù)，這是銀行獨特的優(yōu)勢，也是一個非常大的富礦，通過復雜集成建模來精準刻畫用戶的信用風險，能夠做出識別率非常高的模型?！彪葱趴萍紕?chuàng)始人兼CEO朱明杰向十字財經(jīng)介紹，“更重要的是，這兩年監(jiān)管對反洗錢和可疑交易監(jiān)測要求很嚴格,以前國內(nèi)監(jiān)測個人的欺詐風險，主要是基于規(guī)則和個人上報，風險運營部門會用很多人工去找。但事實上，非結(jié)構(gòu)化的、非金融的數(shù)據(jù)量激增，銀行每天要處理的交易流水量，早已超出了人的經(jīng)驗范疇和處理能力邊界。就需要用人的規(guī)則和以前發(fā)生過的欺詐事件訓練機器去抓。我們成功使用圖卷積神經(jīng)網(wǎng)絡GCN去處理海量交易數(shù)據(jù)，用于群體風險識別，通過列式計算引擎能夠在15分鐘內(nèi)處理百億級別數(shù)據(jù)，這在以前是很難想象的?！?/p>

而事實上，所謂一站式解決方案，要求AI金融合作伙伴擁有足夠豐富的產(chǎn)品和各個子領(lǐng)域能夠落地的解決方案。并且需要雙方對于彼此在技術(shù)的邊界或業(yè)務的要求上有足夠深的了解。這不僅是一種能力上的要求，也決定了AI金融究竟能走多遠。

“比如，你做的模型是一個黑盒，沒有辦法解釋。但我不能只給金融機構(gòu)一個結(jié)論，金融機構(gòu)一定不能接受的，他需要知道為什么。這就好比AI應用在醫(yī)療領(lǐng)域，你不能只告訴病人AI模型診斷說要切掉一條腿，你一定要告訴他為什么?！敝烀鹘苷f道，目前業(yè)內(nèi)對于通用模型的可解釋性還沒有出現(xiàn)特別好的解決方法，但在具體的金融場景里，氪信結(jié)合專家經(jīng)驗已經(jīng)獲得了一些技術(shù)突破，相關(guān)論文也發(fā)表在了AMCIS等學術(shù)會議中?！霸诰唧w的金融場景里，我們可以在某種程度上給出解釋，比如用低維模型擬合高維模型，或是將AI模型里最重要的幾個特征變量找出來，解釋給業(yè)務專家聽?！?/p>