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

從2009年到2013年，伴隨著宏觀經濟增速的整體放緩，銀行們的規模增長紅利也已不可持續。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了銀行們的轉型思考：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展高風險業務，影響著一家銀行的資產結構。

銀行們開始真正意識到，商業力量的天平上，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型任務正式開啟：戰略方向的數字化升級和業務端的零售轉型。

銀行必須在更高階的維度上打通支付結算、現金管理、供應鏈金融、電子商務、資產交易等既有服務內容，提供更完整的服務閉環，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型的金融攻堅戰中獲得成功。

而這一戰略目標顯然無法一蹴而就。銀行們很快就發現，技術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解決方案。銀行們囿于長期以來的金融基因，科技轉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。

瞄準銀行轉型痛點，試圖掘金這一商機的科技公司并不在少數。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，到氪信科技、同盾科技等近年涌現的科技新銳，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略層面的博弈，無法成為銀行們的最優選擇，這為一些中小規模的創業型企業提供了機會。

而當所有技術服務商在強調大數據、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型過程中需要直面的現狀。

麥肯錫曾在2017年的全球銀行業報告中總結，數字經濟時代，生態圈模式給銀行帶來的四大挑戰：

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

解綁——銀行提供的眾多產品服務正在被肢解，因為顧客可選擇更優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——銀行的差異化越發艱難，因為消費者可以便捷地在線上獲得理財產品的比價信息，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，如微粒貸中提供聯合貸款的銀行們。

這段總結完美呈現了銀行在轉型道路上所遭遇的窘境。零售轉型在更大程度上暴露了傳統銀行在風控與獲客上的技術短板，迫使銀行從單純的資金密集型向技術密集型生態遷移。技術的力量很有可能在這新一輪的轉型升級中終結傳統銀行業的同質化競爭，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，對科技研發投入的重視程度空前。

招商銀行和平安銀行在零售端的轉型步調較為激進，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%。而包括中農工建交在內其余各家上市銀行，雖無明確數據，但從業績描述來看，“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成為評判銀行業績的重要指標。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，成熟度已經超越了銀行。在過去十余年的時間里，早已被互聯網巨頭調教過的用戶們，對產品和服務體驗的要求已經很難被輕易滿足。

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據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，監管層對于反洗錢反欺詐的重視程度節節攀升。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》，再度強調了金融機構和特定非金融機構合規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，則是一套能夠從產品、服務、用戶體驗到數據、模型算法的完整技術解決方案。

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

2

一個有意思的問題是，所有的商業模式都在強調大數據、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，大中型規模的銀行招投標過程中，十分看重競標公司的規模和行業地位。一個重要的原因在于，銀行的內控機制較嚴，流程規范顯得尤為重要，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，后續要更換合作方，可能還要為前人“排雷”，選一個門當戶對規模大資質好的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，解決數億賬戶體量帶來的智能金融業務挑戰。

一家銀行網金部門負責人告訴十字財經，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。

“淺層的數據合作和技術外包顯然不是今天的銀行們真正需要的。巨頭們的技術肯定沒有問題，但現在來看，互聯網巨頭們達成深層合作的主體以中小銀行為主，規模大一些的銀行其實比較忌憚和巨頭合作。無論是基于數據還是一些更高層面的戰略博弈。而中小科技公司的競爭也十分殘酷，要拿下大銀行的訂單，得提供更優的價格和更好的服務姿態，實際上需要不弱于巨頭的技術能力和超越巨頭的服務能力?！痹撊耸靠偨Y稱，要全方位勝出，關鍵的核心三要素：數據、模型算法、定制咨詢能力，三者缺一不可，“數據層面，大家談論金融大數據，主要的痛點是在強調金融數據之外的‘另類數據’。大家的數據源都差不多關鍵是數據處理能力。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鍵?！?/span>

公開數據顯示，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“另類數據”并對其進行金融定價的能力。

（知識圖譜解決數據痛點生成金融畫像的過程）

“銀行風控專家最痛苦的地方，就是另類數據無法按照以前納入以往的評分體系。傳統的銀行風控建模要素都與資金流信息強相關，比如工資多少、納稅多少。但像個人移動互聯網行為數據，卻難以根據傳統經驗將其納入特征變量。AI技術能夠把這些覆蓋高但關聯稀疏的風險弱數據，提煉成上千維度的場景化金融屬性特征變量。而傳統銀行擁有海量的客戶存量數據，這是銀行獨特的優勢，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?！?氪信科技創始人兼CEO朱明杰向十字財經介紹，“更重要的是，這兩年監管對反洗錢和可疑交易監測要求很嚴格,以前國內監測個人的欺詐風險，主要是基于規則和個人上報，風險運營部門會用很多人工去找。但事實上，非結構化的、非金融的數據量激增，銀行每天要處理的交易流水量，早已超出了人的經驗范疇和處理能力邊界。就需要用人的規則和以前發生過的欺詐事件訓練機器去抓。我們成功使用圖卷積神經網絡GCN去處理海量交易數據，用于群體風險識別，通過列式計算引擎能夠在15分鐘內處理百億級別數據，這在以前是很難想象的?！?/span>

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品和各個子領域能夠落地的解決方案。并且需要雙方對于彼此在技術的邊界或業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一個結論，金融機構一定不能接受的，他需要知道為什么。這就好比AI應用在醫療領域，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，目前業內對于通用模型的可解釋性還沒有出現特別好的解決方法，但在具體的金融場景里，氪信結合專家經驗已經獲得了一些技術突破，相關論文也發表在了AMCIS等學術會議中?！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，解釋給業務專家聽?！?/span>

責任編輯：Rachel