人工智能、区块链、容器技术等新兴技术的快速演进和发展，正在不断地推进企业数字化变革。8月10日，由上海市经济和信息化委员会、上海市国有资产监督管理委员会指导，上海市国有资产信息中心、上海市计算机用户协会协办，畅享网主办的“颠覆·创新 IT决胜未来——第二届创新技术CIO高峰论坛”在上海掀起了一股关于探讨创新技术发展和实践的热潮。百余位CIO、IT专家、学者们莅临本次峰会，大会上午探索创新技术发展，下午分享创新技术实践，参会嘉宾重新思考“新技术”的落地路径，共同寻找企业信息化变革的新机遇，打造企业最佳IT应用实践。
会上，上海浦东发展银行总行信息科技部大数据专家陈春宝为我们分享了《大数据与机器学习重塑零售银行业务》，以下为演讲实录，畅享网整理。
各位领导，各位同仁，大家上午好！很感谢主办方给我们这么好的时间，大家可以一边回味上午讲的内容，一边听我聊一聊大数据在银行业的应用。首先先做我行的介绍：浦发银行是一家上市银行，关于浦发银行的信息大家可以在网上搜索，我主要是说明两点。第一点是我们浦发银行名字叫上海浦东发展银行，但我们全国、全球的业务都做，我们在国内30个省市自治区设有40家分行，在新加坡、香港开设了分行，在伦敦设有代表处，未来我们会覆盖更多的国家；第二点我们是一家以稳健著称的银行，买过浦发银行股票的会有体会（开个玩笑）。
今天我主要分享四部分，第一：总结一下在零售银行业务中，大数据正在重塑的15个应用场景。第二：数字化银行的3个关键技术。第三：我行五个比较有代表性的实践案例。最后介绍一下我们近期规划的五个重点任务。
大数据正在重塑的15个零售业务场景
按照客户生命周期管理曲线，把大数据在零售业务的主要应用归纳为15个场景。第一个在客户获取阶段，有三个场景，首先是获客引流，例如外部合作、各类引流模型。现在是共享经济的时代，每个客户都是独一无二的，但是客户的需求是多元化的，各家公司共同合作可以更好的经营客户，服务客户，这是大势所趋。金融领域非常重要的一个场景是反欺诈，尤其是申请阶段，在这一阶段我们要筑起第一道防火墙，把坏人拦截在外面。互联网金融蓬勃发展，离不开先进的风控模型，其中银行的风险评分卡模型被广泛认可。第一个风控模型是申请评分卡，以及相关的信用评分，这两块主要工作是把坏人拦截在门外。最近很多银行在与厂商一起做反欺诈，主要有四种技术手段，黑名单、规则、评分模型、关系网络。前三个目前在成熟应用，关系网络是未来的发展方向。我们在14年的时候，研发了一个社交网络算法，获得了人民银行的科技发展二等奖，未来关系网络产品化并在反欺诈领域定会发挥更大的价值。
客户提升阶段也是三个场景，客户进来，怎么样让客户活跃起来，是这个阶段要做的事前。第一个场景是精准营销，这也是最成熟的一个领域。精准营销的六大要素，怎么样更精准的把握，非常重要，也就是说在客户拓展进来之后，怎么样让客户为我们产生价值，我们也要为客户带来价值，做到共赢。第三个就是行为评分模型，狭义上指风控领域的行为评分卡，广义上讲金融领域的很多评分模型都可称为行为评分模型。
第三个阶段到了客户成熟阶段，这个阶段怎么样更长久一点，是一个很有挑战性的课题。客户维系分为主动的客户维系和被动的客户维系。被动的客户维系是让客户持有更多的产品，提高客户离开的机会成本。主动的客户维系就是做客户细分，对客群不断的细分，发现每个客群的需求，加载产品，提供服务。什么是产品？什么是服务？有人说有形的是产品，无形的服务。我的理解是，如果我们推荐的产品不是客户需要的，就是销售产品，如果正是客户需要的那就变成了提供服务。第三个场景是欺诈侦测，交易阶段的反欺诈。坏人已经进来了，怎么样在交易阶段及时发现以便尽早采取措施，可以减少损失。
第四阶段是客户衰退阶段，人有生老病死，对于大部分客户来说也会面临着衰退、离开，我们怎么样提前预判老客户即将发生的离开、逾期、损失，提前做准备。这是预测损失发生的概率，第二个场景是预测损失发生的规模，风险一旦发生，危害有多大，测算风险敞口。第三是催收评分模型。当坏账已经形成，哪些我们自己回收、哪些交给催收公司催收，准确判断也可以尽量减少损失。
第五阶段是客户挽留阶段，目前也是设置了整个客户生命周期管理的流程。对于高价值的客户我们会提供更优质的服务，尽可能的防止或者延缓这个阶段的到来。
数字化银行的3个关键技术
接下来介绍这些业务场景背后的三个支撑技术。上午来的时候，同事说我现在再讲大数据太out了，别人都讲人工智能了。我想说AI和大数据不是替代关系，是不同的发展阶段。大数据，意味着更多数据，更多可能，我们怎么样全面认识一个客户，依靠更多的数据。我举个例子：芝麻信用分的征信评分，这个分数来自于哪里？来自于整个阿里庞大的数据板图。阿里这几年在经营一个庞大的产业帝国，背后则是一个数据帝国，每一次扩张都为自己的数据拼图增加几块。现在很多人感觉大数据有点过时了，实际上是因为大数据已经变成我们经营当中必不可少的内容，未来大数据很有可能像水电煤一样，我们拧开龙头随之即来，当然恐怕只有政府有能力做这个事情，除了要有能力汇集、输送全社会的数据，还要有足够的公信力。我们也在持续积累大数据，建立银行版的用户标签体系，按照业务的层面做了多种划分，同时每个标签我们也要按照它的事实层、模型层、预测层做深加工，这个标签体系未来还会不断的往外扩展。
第二是机器学习，数据本身并没有价值，也不会产生价值，除非你把数据卖掉。怎么样从数据当中获取知识？需要机器学习。什么是机器学习？我们每个人都是在不断学习，通过看书、参加论坛获得知识。今天大家参加论坛，感觉没学到东西，下次就不来了。如果觉得今天讲的不错，可能会关注主办方畅享网的官网，也可能到百度搜索一下嘉宾，学习嘉宾以前分享的知识，这是我们人类的学习。机器学习模式是一样的。我讲一个自己的故事，在座的很多都拍过沪牌，很难拍，我第一次拍的时候直接就冲进去看了一些规则，要在45秒的时候出价，我确实在45秒出价了，等到网页打开，手忙脚乱输验证码出错了；第二次又是45秒出价，验证码没打开；第三次我提前5秒钟出价，靠的是我对价格的准确预测，一次就中了，因为我多了5秒的时间足够后面的操作。机器学习有很多算法，包括人工智能里面有一些算法也是机器学习领域的。目前我们在用的这么多算法，我归纳为这么6类、二十几个，其中神经网络，尤其是深度学习，大家通常会把它称为人工智能算法。
第三个是移动互联网，大数据和机器学习强化了我们的大脑，但是为什么这几年，在很多领域产生的实际价值低于预期？原因就在执行力不够。现在人工智能要解决的不仅是思考端，更主要的是执行端。我们也有经营的缺陷，以前我们经营局限在中间的小圈里面，我们有什么金融产品，老是在这个小圈里做文章。最近两年在往外拓展，未来怎么样把我们的金融服务融合到实体产业、大众居民的日常生活当中去，是我们要发展的一个趋势。举个例子，大家去医院看病，可能花两个小时排队，医生看病花了5分钟，再去花半个小时排队付费，再回来看病。如果说医院跟银行合作研发一个便利看病新的业务模式，未来很有可能变成你去医院只要看病就可以了，中间不需要排队、付费，银行帮你结算，通过移动互联网这个愿景并不遥远。这三个技术加起来促成人工智能的应用，人工智能如要真正发挥价值，其三个最主要的支撑就是大数据、机器学习和移动互联网，像人一样的学习、思考、执行。
浦发银行数字化实践的5个典型案例
目前人工智能的应有很多，上午介绍的语音识别、智能机器人等等。我介绍一下这几年我们五个最经典的案例。阿里有芝麻信用，我们也有浦发的信用分，我们自己开发评分的算法，对每个客户打上信用分，运用到我们很多场景当中。其中有一个消费信贷，由于银行对风控管的很严，因为要对客户的资产负责，所以我们之前审贷是很严格的，很多客户到了审批环节就被拒掉了，我们用了这个模型之后，把风控前置到营销环节，提前发现一些明显评分偏低的、有信用缺陷的客户，在营销的时候过滤掉这些客户，可以节省营销资源、改善客户体验，目前这款网贷产品的营销拒贷率降为原来的一半，这是信用分的作用。这个模型与网贷平台去年获得了人行科技发展二等奖。
第二我们在做手机银行的“猜你喜欢”。网上我们买东西的时候经常会跳出来一些推荐，这个技术已经很成熟，这一块我们起步相对晚一点，目前也开始做。我们有很多金融产品，针对每个客户，计算对不同产品的喜好度，在手机银行上给每个人展示他最喜欢的、最感兴趣的产品，提升用户的活跃度和使用体验。
第三是最成熟的精准营销，精准营销最主要的一个变化，就是由原来的单次、大批量客户的营销模式，变成目前的高频次、每一次小批量的客户营销。我举几个代表性的营销案例，比如我们有爱客计划，通过模型识别客户的潜在需求，推荐感兴趣的产品和服务，我们的成功率接近10%。不用模型，用传统的方式则非常低。像商旅套餐，结合内外部数据构建模型并开展营销，对每一个数据标签做价值评估，作为外部数据合作和采购的依据。
第四是平衡风控和营销，我们推出了一个分分钟放款的信贷产品。依据经验做营销，营销响应率不足2%。我们通过三个模型，一个是营销模型，识别客户的需求，一个是信用模型，还有一个违约评分模型，通过这三套模型达到营销成功率接近10%，审批通过率超过50%，最终落地成功率相比传统模式提升了20倍。
第五是为各个业务场景做客户画像，辅助决策。我们说大数据，对应着大量的标签。当遇到一个问题的时候，究竟应该用哪一个标签？针对成千上万个客户标签，利用我们自己研发的特征识别算法，最快几分钟就能算出结果，给每一个场景画客户的脸谱。比如三个月内哪些客户有过存取款、半个月内谁在做跨行转帐等等。
近期规划的五个主要任务
最后我介绍一下近期规划。我们的目标是让业务更智能、更自动，更便捷。第一我们正在构建全域数据的地图，当数据过多的时候，使用数据的人会面临一个困惑，我要的数据在哪里？哪一个才是我真正想要的数据？这些数据之间有什么关系？这个属于数据治理范畴，但却是大数据分析和应用的基础。
第二是数据VTM，自助式取数下单。联想集团的单总说了一句话我很认同，技术发展很重要，但更重要的是要融入业务，促进业务发展。我们数据要用到业务里面去，目前传统企业，我相信大部分企业都是IT是一波人，业务是一波人，当业务需要数据的时候提个需求，让IT人帮忙取，但是有时候会有问题。比如昨天晚上我们有业务的同事急需一批数据，我们的人员又在忙于其他更重要的事前，业务人员只好自己来写代码，这其实也挺好的。因为业务人员掌握一定的技术，有助于他提出更合理的数据需求。当然我们也在向业务靠拢，会要求技术人员参与到业务中去，另外我们也在积极研发更多数据产品，便利业务人员更方便、容易的取到数据。例如我刚刚说的用户脸谱，如果给客户经理一个界面，他可以根据算法甄选出来的特征标签自己去定制、筛选客户清单，自助获取数据去开展业务。
第三我们要运用多渠道、自动化的推送机器学习结论，把有意义的数据挖掘结论固化下来，定期生成并推送到决策者、执行者的手机中去，让分析报告“活”起来。
第四智能化计算和建模，服务于移动互联网终端。传统的IT模型建好之后需要开发、变更，周期很长。急需更敏捷的投产方式，上午建成的模型，下午就能部署、应用，与传统方式两条腿走路，最终的目的是为执行端提供更好的决策支持。
第五AI业务架构再造。
通过这张图，把我刚才介绍的都串起来，包括数据、算法、工具、产品等，促进业务更智能、自动、便捷的开展。
最后如果大家对我介绍的内容感兴趣，欢迎参阅《大数据与机器学习：实践方法与行业案例》这本书，谢谢各位。
