田江

对银行等金融行业来说，哪些数据资产能促进人工智能的长期发展呢？先思考下这个问题，然后再分析人工智能的下一步发展思路，这个问题的答案需要从大数据的视角来进行思考。

从电子化到信息化的发展历程，金融一直是最喜欢拥抱创新科技的传统行业之一。在进军数字化时代的过程中，金融科技无疑是助力企业转型的强有力的工具。面临来自内外部的各种压力和困境，银行等金融机构也需要重新定位金融科技，制定适合自己的发展策略，通过应用大数据、人工智能等典型技术来驱动业务进行变革。

信息科技创新与金融业务开展，从上个世纪八九十年代起一直携手并进，二者的关系也逐渐从辅助支持转变为相互融合。对科技来说，金融属于传统行业，其重点是实实在在的应用价值，因此技术创新要与业务场景进行紧密结合。对金融来说，科技发挥支持与驱动的力量，科技或许不能轻易改变金融的底层逻辑，但能够促成金融去改变自身。在金融科技的各个领域，大数据与人工智能最为关键且密不可分，同时结合企业自主可控的发展视角，最后选择“大数据智能”这一颇接地气的词汇作为本文的重点讨论内容。

金融科技发展最有力的路径是金融和科技的融合发展，在这个过程中技术和资本都并非壁垒，发挥关键作用的将是金融行业的科技人员。目前工行、建行、中行、光大、招商、平安、民生、兴业等各大银行纷纷成立科技公司，通过科技创新支持传统企业的业务转型，同时还承担对外技术赋能输出的使命和职责。光大科技是其中的典型示例，2017年挂牌光银科技，2018年升级为集团一级子公司，整体定位是光大集团科技创新发展的基础平台，助力集团数字化转型，打造科技创新赋能平台。对于身处其中的科技人员来说，在大数据智能研究与应用的过程中，最重要的任务是从实际出发探索技术的潜在应用场景，将其转换为可实现的需求并进行落地，是否具备主动意识和创新能力將成为影响未来工作成效的关键因素。

一、大数据智能发展趋势

1.基础AI与行业AI

最近几年人工智能对各行各业的影响很大，但实际上人工智能并没有统一的定义，因此带来了很多概念上的混淆与困惑。对大多数传统行业来说，人工智能有三个重要的时间节点，1956年达特茅斯会议诞生了人工智能这个概念，2006年Hinton等人提出深度学习的概念，2016年的AlphaGo让人工智能迅速推广。人工智能的发展历史悠久，参与者众多，其角色背景各有不同，因此对人工智能的基础定义和发展理念都会有很大的分歧。从金融业实践应用角度，我们觉得在概念上可以更加包容一些，以实现业务价值为目标导向，在过程中寻求最广泛的协作。

从技术视角出发，我们习惯将人工智能应用分为基础AI和行业AI两种。基础AI代表行业发展的前沿程度，并且能够整合到应用系统中，比如人脸识别、语音识别等。对于基础AI，核心技术掌握在少数公司手中，金融应用更多是使用商业化的技术组件。行业AI更具业务属性，比如反欺诈、智能推荐、智能投顾等。

目前，主流的人工智能技术都是数据驱动的机器智能，两种AI技术应用的区别主要在于数据掌握在谁手里，或者说谁来运用数据产生AI模型。特别说明一下，本文的重点是从企业应用视角对人工智能进行讨论，或者说企业视角的“大数据智能”，同时这类应用是银行系科技公司的发力重点，能够最大化发挥自身特点。

2.行业智能三阶段

对银行等金融行业来说，哪些数据资产能促进人工智能的长期发展呢？先思考下这个问题，然后再分析人工智能的下一步发展思路，这个问题的答案需要从大数据的视角来进行思考。依据业务发展水平，我们将人工智能的应用简单分为三个阶段：业务自动化、大数据智能和全渠道智能决策。

以业务智能化水平为评判依据，第一个阶段是业务自动化，这是一个很普遍的概念，在业界也有一些分歧。通过AI技术实现产品和流程革新，逐步代替那些重复性的操作环节，生产效率就可以得到持续的改进与提升。另外，在手机银行、智能柜台等项目中引入生物识别技术能够解决客户验证的关键问题，从而极大的提升用户体验。人脸识别等基础AI技术的引入能够促进业务流程的优化，也为后续大数据智能的应用提供更好的土壤。

大数据智能是人工智能发展的下一阶段，技术革新能够带来更丰富的业务场景，这些场景也需要大数据智能的支持和驱动。实际上，企业对于大数据的研究与应用要早于人工智能，目前的重点就是融合基础AI和行业AI技术，从而为客户提供更好的智能化服务。

第三个阶段的特征是实现全渠道的智能决策，将客户识别、行为预测与各种渠道无缝对接，同时根据客户响应进行动态的优化更新。路漫漫其修远兮，最终的目标是实现客户多点触达的智能化体验。各种渠道系统进行有机的协同整合，背后对应着高水平的信息科技治理能力。这个阶段中每个应用的负责人都会很多，从业务流程到系统开发，从产品设计到营销支持，从数据分析到数据挖掘，都充分体现着产品经理的理念。因此，对于传统企业来说，首先要在思想认识上达成一致，然后努力建立有效的协作机制。

二、智能中台与应用场景

1.大数据智能化“中台”

大数据与人工智能相生相伴，在大数据上应用机器学习等技术，充分利用产生的机器知识最终构建我们想要的人工智能应用，实际就是大数据智能的应用逻辑。这个逻辑非常通顺，简单描述了数据的作用以及数据驱动的大致方法，数据实际上是人类建造文明的基石，应用人工智能技术能够转化为有效的生产力。最近几年大数据在诸多领域得到了广泛的应用，企业大数据团队的交付物从数据分析报告发展到数据挖掘模型，再到这两年重点发力的数据产品，整体目标是充分发挥数据价值。

企业发展大数据智能包括三个基本要素：数据、算力和模型。三者相互支撑、缺一不可。其中，算力是大数据智能的根基，计算能力的飞跃发展使得更巨量的数据和更复杂的算法得以实现;数据是匹配算力和应用算法的依据;模型则是整体核心，无论再强的算力、再多的数据，无法形成智能化模型就都毫无价值。此外，还需要相辅相成的业务场景IT构建能力，简单说就是要具备将“智能”转化为业务场景的推送能力，要形成“接触-采集-智能决策-反馈推送-再接触”的在线、实时的闭环业务场景。在这个背景下，大数据、人工智能、物联网的融合将是下一步科技创新的热点领域。

大数据在企业中的广泛应用，伴随着对数据资产化管理的强烈需求。这个环节对应着两部分的内容，首先是内外部数据共享与充分应用，其次是数据挖掘模型的管理与知识迁移。第一个是基础资产，为大数据应用奠定基础，提供原始的数据素材，其中数据关联性、元数据、数据合规是目前面临的最大挑战。另外一个是衍生资产，提供大数据的高附加值，同时还具备向外输出的特殊潜力。

目前，传统行业构建专业团队的参考经验还比较少，配套管理机制的建设更是严重不足。对数据管理水平的衡量可以参考“数据管理能力成熟度模型（DCMM）”：针对一个组织数据管理、应用能力的评估框架，通过数据管理能力成熟度模型，组织可以清楚地定义数据当前所处的发展阶段以及未来发展方向。企业大数据智能应用能力的上限由其数据管理能力决定，数据管理能力不足的企業根本无力开展大规模智能应用建设。

在多个领域完成“点”的突破之后，可以尝试构建更大的目标。例如在风控、运营、营销等领域，实现高效的场景化数据价值链条，并逐步建立大数据智能中台的雏形框架，从而对接多领域的灵活需求。一个务实的“智能中台”，需要包括客户画像、产品画像、数据挖掘模型和决策引擎等组成部分，其中数据挖掘模型是智能化的核心，客户画像和产品画像为建模过程持续提供特征输入，决策引擎将模型输出成果转换为实际业务行动。过程中的大数据能力主要体现在三个方面：更好的客户认知、更智能化的算法、更快速的决策支持，整体目标是实现技术、模型、数据、决策引擎的贯通。

2.典型应用场景

银行等金融机构应用大数据智能相关技术的目标，一共包括三层：第一层是提高服务流程效率，降低运营成本;第二层是增强风险控制能力，增加风险收益;第三层是产品创新驱动客户价值增值。因此，应用场景会分为服务、风控和销售三类：

1.人脸识别、图像识别、文字识别、语音识别等技术运用于服务场景中，包括智能客服、网点智能机器人等。

2.机器学习、深度学习、复杂网络等技术运用于信用卡反欺诈、互联网信贷反欺诈等风控强化应用场景中，文字识别、图像识别结合机器学习和大数据利用会运用于信贷审批和贷后风险预警的应用场景中。

3.当然，更多的大数据智能会运用于客户营销和产品设计与综合定价的增值业务场景中，构建专业化的解决方案，比如最近比较火热的“智能投顾”和“智能推荐”。

三、企业级数据科学团队

数据科学家并非真正的科学家，这一点在实际工作中体现得比较明显，金融企业的数据科学家关注的是如何将技术与应用结合，最大化地发挥内外部数据价值。从模型角度，金融企业数据科学家更关注应用级的模型，选择特征与参数会比学习算法的优化更重要，另外数据准备也会花费更多的时间。对金融企业的数据科学家来说，行业理解要远大于技术因素，深耕业务才能了解真实的痛点。

金融企业应该建立企业级数据科学团队，面向企业各级机构提供全方位的数据科学服务。数据科学团队是一支“特种兵小队”，涉及人员主要分为三类：第一类是业务分析与建模人员，熟悉业务需求，把握应用场景，能力覆盖传统评分建模以及业务分析模型设计;第二类是数据科学人员，具备数据开发、复杂网络计算、数据产品实现和新型算法研究的能力;第三类是具备大数据领域全栈综合能力的队长，兼具咨询和研发的横向纵向能力，综合发挥“导演、编剧和监制”的作用，能够在客观条件下把控交付进度和质量。

四、商业模式与社区文化

1.大数据商业模式

关于大数据智能的商业模式，光大银行数据应用早期沿用数据产品化、数据产品生态化的建设思路，主要服务于内部应用;然后逐步开始探索数据业务化，也就是尝试将数据变现;最后是数据能力服务化，这也是目前光大科技大数据部的主要工作之一。

光大科技承建集团数据港，旨在为光大集团提供数据连接和数据服务，打通光大集团内外部数据，实现数据资源共享，通过API接口实现集团及各子公司间的数据标签调阅。光大科技大数据部以平台能力、模型能力、创新能力为核心能力，在支持光大集团和各子公司大数据项目建设过程中，逐步探索数据能力服务化的商业模式。

光大科技大数据部围绕项目经理、产品经理、数据科学家这三类核心角色规划了团队构建，协同推进专业化能力的培养计划，旨在提供涵盖数据整合、数据治理、数据服务、数据挖掘的综合解决方案能力，赋能光大集团业务转型，同时也逐步向外进行输出。

2.创新社区文化

数据科学团队的构建以及大数据智能商业模式的改变，能够最终带来创新文化的改变，主要体现在两个方面：

一是建立大数据创新社区和大数据实验室。光大银行大数据创新社区的口号是“像外行一样思考，像专家一样实践”，通过科技与业务的融合，实现以互联网产品理念为中心，以业务创意碰撞融合为驱动力，打造大数据项目孵化机制，加速产品创新。目前大数据创新社区已经逐步推广到整个光大集团，目标是通过大数据支持集团业务转型。

二是打造创新孵化能力。在外部资源引进方面，开展校企合作和生态伙伴合作，广泛对接合作高校、大数据相关科研机构、创业公司，建立人才储备、科研合作、孵化培育的机制，为创新沉淀资源;通过不断丰富外部数据来源、拓展大数据服务能力和实施能力，为创新打通渠道。在内部机制建设方面，推进观念创新，完善创新激励机制，调动一切可用资源，不断培养、发展创新的文化氛围，为创新提供土壤。

大数据智能应用的根本在于业务价值的实现，金融科技公司能否实现自身快速发展，关键在于能否把握客户需求进而创造价值。如果要启动一个大数据智能项目，首先要判断是否为数据驱动型项目;然后看是否有足够丰富、质量合格的数据支持解决方案的实现;最后，结合实际情况选择适合的算法模型，能够解决实际问题的方案就是好方案。

在金融科技各项技术中，大数据智能的发展与云计算、区块链、物联网等技术紧密相关，企业需要打造自主可控的智能化应用能力，逐步构建良性运转的价值闭环。同时，坚持工匠思维，通过深耕业务需求发现应用场景。

在技术创新日新月异的时代，我们都应该尽快找到使用新技术的办法，赶上大数据智能时代的浪潮，让自己和组织都从中受益。