中信银行：用 AI 搞定普惠型财富管理的高成本问题

Original 高玉娴 InfoQ数字化经纬

2024-09-16

嘉宾 | 黄河中信银行财富管理部副处长

编辑 | 高玉娴

策划 | 李忠良

随着客户需求日趋个性化、多元化，财富管理已经成为零售银行竞争的主战场。为了抢占市场先机，中信银行将财富管理定位于新零售的核心，并在 2021 年设立了财富管理部，牵头推动全行的财富管理业务。

在中信银行看来，做好财富管理的关键在于对客户关系的深度经营。而打造普惠型的财富管理，则是中信银行构建深度客户关系，布局新零售的主要抓手。换言之，除了维护传统的中高端客户外，近几年来，中信银行也逐渐面向包括基础客户在内的全量客户提供服务。

然而，所谓“全量”的规模达到了亿级，对于银行而言，服务成本极高。如果采用传统人对人的交互和服务模式，不但人力不足、效率不高，并且客户体验也非常差。

为此，中信银行借助数据和 AI 能力实现了对普惠财富管理的赋能。一方面，对于高度基于规则的服务，机器完全可以替代人工，甚至可以实现现更好的效果，从而覆盖更多的客户；另一方面，对于大众富裕客群 / 中小企业，基于技术和算法的智能投顾服务可以降低传统人工投顾的成本，提供“轻财富顾问服务”

在日前举办的 FCon 大会期间，中信银行财富管理部副处长黄河接受了 InfoQ 采访，分享了中信银行财富管理数字化转型的具体实践。

作为关键人，黄河参与了中信银行零售银行的数字化转型规划与推动，通过在客户旅程重塑、超渠道、个性化经营、数字化运营等领域推进产品化与工具化，助力了银行零售数字化能力的升级，在数字化营销和数字化管理领域应用非常深刻的洞察和丰富的经验。

以下是对话全文（经 InfoQ 进行不改变原意的编辑整理）：

InfoQ：当前财富管理行业面临的主要挑战是什么？中信银行是如何识别和应对这些挑战的？

黄河：财务管理目前正处于净值化时代，但市场上由于专业人才稀缺，供给缺陷难以满足客户的广泛需求。因此，我们目前正在打造普惠型的财富管理。除了维护中高端客户外，也希望面向全量客户提供支持。

我们认为，在客户服务和需求维护上，应该回归到客户在不同人生阶段的需求展开，比如投资理财、小额分散交易、消费金融和信贷需求以及财富管理等等。

具体做法上，中信银行以“三全五主”作为战略引领，以 AI+ 金融为实现路径。所谓“三全”指的是全客户服务、全产品供给和全渠道触达，“五主”旨在深化主结算、主投资、主融资、主服务、和主活动的客户关系。在 AI+ 金融方面，主要采用数据和 AI 自动化替代人工，实现客户下沉和效率提升。同时，通过智能化工具赋能一线服务提供者，从而降低成本。

InfoQ：数字化策略在其中具体是如何赋能和落地的？

黄河：为了支撑全客户、全产品、全渠道的精准适配，我们进行了体系化的工作，具体包括客户数字化、产品数字化、渠道数字化、营销数字化、管理数字化以及组织数字化。

第一，客户数字化解决的是客户洞察的问题的，比如，我们在系统建设上有标签工厂、商机系统以及客户线上行为分析。

第二，产品数字化的目的是将所有产品数据化，然后再通过算法去做客户 KYC（Know your customer）和 KYP (Know your product) 的精准适配。

第三，渠道数字化包括两个层面：首先，银行渠道众多，其中线上经营是主战场，远程在线渠道主要定位在断点承接和商机挖掘，线下网点渠道则专注于情感链接，提供专业服务；其次，如何实现全渠道协同，这个问题实际上要解决的是，在客户旅程中对应哪些节点应该采用线上轻打扰的方式触达，哪些节点应该采用线下强干预的方式触达，这要结合客户体验、转化效率和服务成本综合考虑和决定。

第四，客户数字化、产品数字化和渠道数字化三方面如何串联在一起，我们认为，这需要在营销层面去实现。也就是说，通过营销数字化，打造精细化运营体系，解决客户千人千面千时的问题，即——在特定时间、通过何种方式交付给他们产品。

第五，管理数字化的核心是要确保所有动作都瞄准我们的“北极星指标”（即第一关键指标，是指当前阶段与业务 / 战略相关的绝对核心指标），在这个过程中，我们需要将最顶层的北极星指标向下拆解到获客、经营、销售、渠道管理等各个团队，不同渠道和团队需要背负不同的指标，但它们最终都会指向“北极星”。这样一来，每个团队的行为举措都会对应的过程指标进行监控，从而形成管理穿透。

第六，组织数字化聚焦的是业技融合，如何使得业务和技术在不同的目标下，组建成为一个“同一 KPI、不同 OKR”的灵活交付敏捷团队，这非常考验组织力。

InfoQ：在推进数字化转型过程中，我们遇到过哪些挑战？

黄河：首先是战略能力方面的挑战。数字化的投入巨大，在具体推行过程中，并非一帆风顺，可能会经历多个成长期，陷入多个瓶颈期。因此，战略的火力和定力都很重要，如此巨大且长周期的投入，如果没有一把手的支持显然是无法实现的。

其次，数字化转型与业务经营不能是“两张皮”，数字化带来业务模式创新，成为非线性增长的引擎。但数字化转型不仅仅是科技部门的事情，必须基于业务模式的转型和创新，从而释放业务价值。

再者，刚才提到组织数字化和业技融合是很难的，因为涉及两个部门、两个实体，大家的思维模式、经营目标、沟通语境都不一样，如果不是“双向奔赴”，最后很容易变成相互指责。

此外，数据基础非常重要，所有技术价值的发挥，都来源于数据全链路、全方位采集，这要求数据具有足够的准确性和及时性。

InfoQ：数据基础的问题中信银行是如何解决的？

黄河：数据治理涉及面广、投入巨大且周期较长，为了能够阶段性地释放产能，我们强调的是“应用牵引”，确保客户属性、产品数据、埋点数据、以及及历史订单相关内容的数据完备性和准确性。

在中信银行，第一步是做客户数据治理，包括最底层的身份证、职业、学历等客户基础信息，需要在全行层面实现统一，我们将这些信息称为客户主数据；同时，还包括应用层面的客户画像标准化、标签体系建设等等，这些数据会直接支撑业务层面对客户的洞察。

第二步是做产品数据治理，最典型的是产品货架梳理。之前我们的产品分散在各个系统，比如理财可能在理财平台上，存款可能在核心系统上，并且随着场景建设的不断增多，还会有越来越多的权益、活动等新的产品形态出现，为了实现统一管理，首先必须建货架，例如金融产品有金融产品的货架，权益有权益的货架，活动有活动中心等等。

第三步，做营销层面的统一的内容治理，内容具体包含产品、活动、权益、资讯等等，治理的范围不仅仅包括数据，还包括图文展现的组件、素材等更多的非结构化数据形态。

第四步，渠道数据治理，我们也称为渠道统一，这实际上是数据治理中最难的一部分，甚至比业务系统中的结构化数据治理更难，它背后涉及底层组件、渠道之间的协同，以及线上埋点数据的变化等等。非常重要的是，要在前期制定好相应的规范，比如埋点的规范、命名的规范，以及跟活动之间全链路的打通。核心是从用户表、产品表和点击流三个方面入手。

InfoQ：针对于客户关系管理和运营效率提升，数据和 AI 的价值如何体现？

黄河：我们认为，数据和 AI 会带来商业模式的巨大变化。

过去，银行总分支行三者之间的关系是，由总行作为管理角色，对分行进行督导、考核、培训，通过总行推动分行、分行推动支行的模式来经营客户。这种客户经营模式带来的是业务的线性增长，劣势是难以摆脱地理区域限制。比如，银行想要业务增长，就必须开设网点、招聘更多人员。如今，随着人口红利的消退，这种线性增长越来越难以实现。

数据和 AI 技术的价值在于，它可以帮助银行开辟新的赛道。

比如，总行除了管理职能，还可以作为经营单元，依托数据、策略、平台，集约化地开展客户经营。其中，我们把 AUM（资产管理规模）在 5 万以下的基础客户交由总行直接经营，因为对于总行来说，可能只需要投入 7~10 名数据人员就可以经营管理超过 8000 万的客户，但这部分客户如果交给分行团队去维护，收入是覆盖不了成本的。

通过这种模式的转变，我们认为带来的一定是指数级增长，因为机构的数据、技术、人员投入的边际成本不断下降。这就是数字化的意义，它一定会带来业务模式的创新，带来新的增量空间。

InfoQ：是否可以结合具体场景介绍一下，如何把数据和 AI 融入到整个商业模式创新中去？

黄河：数据本身是一个基本盘， AI 解决的是核心的攻坚问题以及自动化的问题。

最典型的场景之一是，进行人货场的匹配。比如，基于算法实现精准营销，并不断进行营销策略优化和自动化能力的提升；或者基于归因算法分析每次营销活动的成功原因等等。

第二个场景是机器人应用和人机交互的模式创新。比如，可以让机器人在 APP 上与客户进行交互，从而降低人员的成本投入。在机器人背后，涉及的是自然语言处理、ASR、TTS 技术等等，同时也包括今年业界热议的语言大模型。

举几个例子，中信银行目前利用 AI 已经可以实现资讯推荐、产品推荐和权益匹配。

比如，我们可以根据市场动态和客户需求、消费偏好等信息来为用户进行内容推送。根据数据统计，在中信银行 APP 的资讯板块，通过这种智能化、个性化的内容推荐，板块流量比去年同期增长了 36％，客户点击量增长了 37％；

产品推荐方面，通过千人千面的投放，比如，在用户使用 APP 的过程中进行弹框提醒，使得财富管理产品的平均曝光数比去年同期增长了 3 倍以上；

权益匹配方面，基于智能化分析，我们可以了解到用户的更多偏好，比如喜欢立减金还是咖啡券，然后对应地发放给用户，从而增加兑换率。具体而言，我们的权益兑换率比去年同期增加了 5%。

InfoQ：显然，AI 还无法独立完成所有工作，那么人和机器应该如何分工和协作？

黄河：这背后实际上是业务驱动和算法驱动如何分配的问题。

业务驱动是以 KPI（如营收）为导向的，而算法驱动实际上是以点击率为导向的。比如，客户更愿意点击某个产品内容，系统就会进行加强推送。但问题是，由算法推送带来的点击率和最终的营收目标会存在一定差距；然而，你也不应该过分强调营收，因为高费率产品可能会影响客户满意度，反向导致营收目标无法完成。

所以，关键问题是如何将业务驱动与算法驱动结合起来。在中信银行，我们的思路是回归到业务价值中，通过对推荐引擎进行设计，同时匹配相应的管理手段，在营收目标和客户体验之间实现权衡，去实现不同产品和不同条线间的流量分配，甚至在更细的产品品类和客户分群方面进行权重整合。

当然，其中的权重如何分配是无法一次性做到位的，必须在运营和监控过程中不断进行迭代，逐渐调整到一个最优化的状态或者不断逼近最优解。

InfoQ：针对今年爆火的大模型，您有什么样的期待？

黄河：我们希望通过大模型能够解决更多客户经营的问题。

例如，在营销素材方面，现在营销素材的生产工作非常重，银行一般没有专门的人员，需要靠外包，但是外包人员的管理相对困难。而大模型在这方面是具有独特优势的，甚至 90% 的工作它都可以独立完成，人在其中的作用主要是对素材进行加工或审核。

另外，在人机交互方面，如何更好地、全方位地回答客户问题，带来更好的交互体验，大模型在背后也会发挥关键作用。但由于银行是一个强监管的行业，这方面的应用还依赖于专业领域大模型的进一步发展。

在中信银行，目前我们也在尝试通过大模型实现对内赋能，比如有部分数据需求就可以直接与大模型沟通，告诉它想要的数据类型，并进行加工。通过这样的方式，可以让数据管理和使用的门槛在一定程度上降低。

值得关注的是，数据体量和数据质量非常重要。虽然银行过去的数据治理基础比较好，但是银行产品的专业化程度更高，对安全合规的要求也更高，所以在具体落地应用的过程中，行稳是基本前提。

InfoQ：为了进一步推进数字化相关工作，您下阶段最关注的课题或技术是什么？

黄河：从前沿性技术方向来看，大模型毫无疑问是一个重要领域。

除此之外，归因分析也是我们非常关注的细分领域。过去大数据更强调相关关系而不是因果关系，但是这种分析方式更适用于营销场景而不是决策场景。我们认为，数字化最终影响的是决策环节，而决策涉及方方面面，仅有相关性是远远不够的。所以，归因分析会成为下一阶段的重点。

内容推荐11月19日-20日在上海成功举办的首届 FCon 全球金融科技大会，以「科技 + 金融，激发创新力量」为主题，汇聚了来自金融龙头企业的数百名技术高管，掀起一场探讨新时代金融科技未来的高潮。经征得大会分享嘉宾同意，InfoQ 数字化经纬为您奉上精彩演讲 PPT！关注「InfoQ 数字化经纬」，回复「金融创新」即可获取 PPT，深度洞悉科技趋势，助您引领金融创新未来！

福利通道