中國電子銀行網12月7日訊，中國金融認證中心（CFCA）攜手成員銀行舉辦的第十三屆中國電子銀行年度盛典在北京舉行。百余家銀行電子銀行部、網絡金融部和科技部相關領導，以及金融科技公司、學術界的大咖參會，并就“科技賦能金融 智慧引領未來”的主題共謀智慧金融的發展之策。中國電子銀行網全程直播了本次活動。

　　TalkingData首席布道師、清華大學大數據產業聯合會專家組成員鮑忠鐵在會上就“數據賦能智慧金融”做出闡述。鮑忠鐵表示，所有的智慧金融以及數據賦能，背后核心的目的是要提高金融行業的效率。

　　如何提高金融行業效率呢？

　　首先，要了解業務運營的各部分指標，指標可以讓金融從業者及時地了解整個銀行業務過程中出現了哪些問題，從而及時做出決策，降低決策失誤的成本，提高效率；其次，分析行為數據，比如通過App的行為分析、產品體驗的熱點圖、活動的趨勢分析圖以及用戶購買的路徑圖、還有產品轉化的轉化漏斗等，了解客戶喜歡哪個路徑，可以把想推薦給客戶的產品放在客戶最喜歡的路徑上，轉化漏斗的分析可以將每個環節上漏損的客戶挖掘出來做第二次營銷。最后，通過數據發現商業機會。

　　對于數據賦能的主要指標，他提出了三個關鍵點。

　　第一，降低休眠客戶的比例。

　　第二，提升客戶的資產AUM。

　　第三，提升客戶的活躍度。

　　以下為演講內容：

　　鮑忠鐵：大家好，首先感謝主辦方，CFCA的活動現在基本上成為整個電子銀行業最權威的活動了。我之前一直在外資銀行工作，之后加入了TalkingData這家大數據公司，今天跟大家分享的是數據賦能智慧金融的主題。

　　我們看一下智慧金融的外延和內涵，外延就智能技術在金融行業的應用，內涵其實就是利用金融科技解決具體的業務問題。無論數據也好、科技也好、智能也好，最終是要幫我們提升業務的。

　　以前大家認為外資銀行會對中國的銀行業造成很大沖擊，十多年過去之后這種情況沒發生，背后的原因就是中國的銀行業對科技的投入。體現在兩個方面，一個是核心系統的改造和升級，另外一個重要原因就是電子銀行的發展。

　　智慧金融時代，銀行面臨著一些挑戰，比如說沉睡的客戶比例高、客戶活躍率低、營銷效率低、單客收入低、網點客戶的年齡高、數據的應用成本高。

　　今年，我們調研了美國的32家金融科技公司，以及多家人工智能的公司，其實大家都在做的一件事情就是提高效率。所以智慧金融其背后核心的目的是要提高金融行業的效率。

　　那怎么去提高效率？怎么做才能讓數據賦能智慧金融？彼得?德魯克曾說過，沒有度量的管理是無效的，所以要提高金融行業內部管理效率，核心是要了解業務運營的各部分指標，比如說產品指標、渠道指標、用戶指標、活動指標，甚至運營指標。指標做什么用呢？指標可以讓我們及時地了解整個銀行業務過程中出現了什么問題，從而及時決策。降低了決策失誤的成本，提高效率、降低成本。這是第一部分。

　　第二部分，分析行為數據。像2017年諾貝爾經濟學獎的獲獎者（理查德?塞勒） 的主要研究領域之一就是行為經濟學。App的行為數據在很多場景下可以幫助我們有效地營銷

　　通過App的行為分析、產品體驗的熱點圖、活動的趨勢分析圖以及用戶購買的路徑圖、還有產品轉化的轉化漏斗等，了解客戶喜歡哪個路徑，可以把想推薦的產品放在這個路徑上，提升銷售率。銀行也可以將轉化漏斗中每個環節上漏損的客戶挖掘出來做第二次營銷。

　　第三部分，談到數據賦能，要像互聯網行業一樣做數據運營，體現為用戶畫像、場景標簽，千人千面，從數據中發現商業機會。這里羅列了八大類場景標簽，我介紹一下行為經濟學第一個原則——那些給客戶帶來正向行為的行為永遠會被重復，也就是金融產品的復購率?，F金貸的復購率能達到80%，一個現金貸用戶一年要在現金貸平臺借貸8次，金融產品的復購率是最大的金融賦能的場景。另外對于海量數據，機器學習也是數據資產變現的一種有效方法。

　　第四部分，建立營銷閉環。金融行業中的營銷效率經常是比較低的，為什么呢？因為拿不到數據，無法實現數據的閉環。在數據賦能、數據應用的過程中，閉環是必不可缺的，我們要有閉環的金融思路和工具去分析整個營銷活動哪個地方做得好、哪個地方做得不好，并且要實時分析和指導運營。

　　最后一部分，數據科學平臺。當完成前四部分之后，用了大量強相關的數據做數據分析，此外我們還有很多客戶的弱相關數據，比如說LBS數據、行為數據、社交心理數據，這些數據不能用數據分析去解決。那怎么辦呢？我們就會用機器學習或者說數據科學平臺去解決。我們常用的SAS平臺和SPSS大多數都是在做風險管理，在營銷上的效率是比較低的。國外有開源的算法，比如說GBDT、XGboost、SR、RF、Lookalike、聚類，這些開源算法在做營銷預測的時候和潛在客戶尋找的時候，是有很高效率的。最后，要降低數據應用的門檻。過去數據應用都集中在數據分析中，放在數據科學家手里。我們要為業務人員降低數據應用的門檻和成本。包括模型、算法以及一些分析指標的自動化，通過數據平臺去做，讓業務人員直接可以用到數據科學、數據工程的能力。

　　因為時間的關系，數據賦能的主要指標我談三點。

　　第一點，要降低休眠客戶的比例。

　　第二點，要提升AUM?，F在看到很多電子銀行的AUM是低于30萬的，市場上AUM做的好的電子銀行，或者第三方理財金融機構，可以達到80萬的AUM。

　　另外，發現活躍客戶。App手機銀行上活躍用戶，其業務收入是不活躍用戶的1.5倍；信用卡方面，活躍客戶的業務收入是不活躍客戶的3.83倍。數據賦能是為金融提供服務的，最終是要幫助我們實現業務目標。

　　講幾個具體的數據賦能案例比如說有一些下載了App但沒有綁卡的、有的點擊了“我的產品”但沒有申請的、還有在申請過程中退出的這些客戶，都可以挖掘出來進行二次營銷。針對已下載但沒綁定的用戶利用推廣的方式去營銷的話，轉化率可以達到10%；針對潛在的理財用戶，比如說點了貸款、理財但沒有申請的客戶，通過電話營銷可以達到5%到15%的轉化率。

　　在這里提兩個問題給大家。我一直在想電子銀行的定位，電子銀行到底是渠道部門還是銀行的業務部門？這是第一個問題。

　　第二個問題，隨著電子銀行的發展，與網點的關系是什么關系？是魚和水的關系？還是相互競爭的關系？

　　第一個問題現在已經有答案了，工行在前幾天已經宣布把網絡金融部完全轉化成獨立的業務部門，獨立核算、獨立費用、獨立科技和資源配置，只有這樣才有競爭力。第二個問題請大家幫我想一下。

　　舉個真實的案例，我們發現在很多App用戶會在晚上看理財產品，但沒有購買。這個時候需要在最后一公里推他一下。一家銀行在這樣的情況下推送了這個理財產品的購買，觀察了一周以后，有20%的客戶購買了這個產品。

　　再講一個案例是機器學習的應用。通常，在銀行中20%的客戶擁有80%的資產。其實TalkingData做過數據分析，3%的客戶擁有73%的資產。銀行希望找到更多的潛在價值客戶，即所謂的頭部客戶。通過機器學習，我們幫助這家銀行高價值挖掘潛客，在三個月之內銷售了40億的理財產品，讓這家銀行非常驚喜。在銀行業，其實數據價值還沒有被挖透，單客價值還有很多提升空間。

　　下面是模型的應用，結合第三方的行為數據，再結合銀行自身的內部交易數據，經過兩三個模型的迭代，用機器學習的方法對單個模型進行運算，提升模型的整體效率。數據科學或者說人工智能，未來在金融行業里應用的領域會越來越廣、應用的效果會越來越多。但是我們發現，人工智能也好、智能企業也好，現在最大的能耗是在做標簽數據，即根據其業務原理和專家規則進行數據標注。這個占了30%以上的成本。

　　我研究了很多互聯網金融企業，發現做數據資產變現的秘訣就這么三個關鍵詞——要不停地、主動地、精準地營銷。核心是什么？核心是不停地，大家可以觀察一下互聯網企業，就會發現這些互聯網企業會不停地營銷客戶?，F在是信息爆炸的時代，如果不高頻地接觸客戶的話，產品轉化率不會太高。

　　如果要提高數據賦能的效率，如果要提高數據應用的效率，如果要找到商業機會的話，一定要有一個智能數據平臺，把數據整理好、加工好、標注好做應用，為所有的數據服務提供有標注的數據、有業務邏輯的數據。它可以做行為數據的分析、行為數據的營銷，它也可以做用戶畫像、場景標簽的建立，也可以做實時數據的分析，做營銷活動管理和監測，實現營銷閉環。數據科學平臺還降低了整個數據應用的成本，讓業務人員也能用到數據科學的能力和工具。

　　智能數據平臺解決了一個問題——過去所有的工具會有兩面性，技術人員看的是一面，業務人員看的是另外一面；技術人員會關注元數據、數據流、數據算法、數據模型，關注數據處理的效率；業務人員更多關注業務場景、業務指標、營銷人群、轉化率。智能數據平臺就是技術和業務的融合，連接了兩個不同的數據世界，幫助數據人員掌握已有的數據、掌握已有的工具，能更低成本地運用數據，更高效地完成指標。

　　最后介紹一下TalkingData。TalkingData是獨立第三方移動數據服務平臺，在國外也有分支機構。我們著重引入先進的金融科技技術，特別是包括數據處理、數據加工、數據標簽在內的數據科學技術引入到中國，幫助我們所有的客戶能低成本高效地挖掘數據的價值，用數據賦能金融。

　　我今天的演講就到這里，謝謝大家！

責任編輯：松崎