科技部、发展改革委、教育部、中科院、自然科学基金委联合制定的《加强“从0到1”基础研究工作方案》提出，重点支持人工智能、云计算和大数据等重大领域，推动关键核心技术突破。3月3日方案甫一公开，业界反响强烈。

大数据工具、人工智能核心技术如何深度推进在金融领域的应用，参与各方摩拳擦掌。可以预见，人工智能关键核心技术获得突破后，金融科技也将步入应用的成熟期。

我们拉新，用计算机视觉、生物特征识别技术，找到目标客户;我们促活，用知识图谱技术，通过营销让目标客户“动”起来;我们留存，用自然语言处理技术，借助智能机器人提高客服质量与效益;我们阻“黑（产）”，用机器学习技术，开展信贷反欺诈。

在人工智能核心技术应用金融领域的鸿篇巨制中，本文述及案例，权作序章。

今年1月15日，上海市发布了《加快推进上海金融科技中心建设实施方案》，旨在五年内建成具有国际竞争力的金融科技中心。同时宣布，由支付宝、蚂蚁金服和阿里巴巴集团主办的全球最大的金融科技大会“外滩大会”将永久落户上海。在被现金贷、P2P、虚拟货币纷扰之后，金融科技重回我们的视线。

去年底，建设银行研究院出台的报告表明，目前银行业金融科技战略存在五大误区：重概念轻落实、重应用轻基础、重搭建轻管理、重当前轻长远、重营销轻运营。撇开效果，我们看到，不仅仅是互联网企业在推行金融科技，其实，银行亦在推进金融科技转型。

《金卡生活》在长期研究金融科技的过程中发现，一些机构基于大数据工具，应用人工智能核心技术涉及到了诸多领域。为此，在这里做一些案例分享。这些机构既包括数据公司、科技公司，也包括以数据、科技手段发展金融的商业银行。

人工智能技术应用领域

在介绍人工智能核心技术的应用之前，首先分享一下笔者的观察。在业界，不外乎做成了两件事情：一个是互联网化金融，另一个是金融互联网化。

互联网化金融代表首推蚂蚁金服。蚂蚁金服董事长井贤栋曾经运用否定句式来定义金融科技：“并非简单的在互联网上做金融。”

蚂蚁金服是一家带给我们普惠金融服务的科技企业，既然关联公司拿到金融牌照，人家用科技手段做金融无可厚非，顶多、也顶厉害地与其他金融主体提供的产品和服务，形成了互补关系。

在蚂蚁金服面前，商业银行与其说是一层业务上的“互补关系”，笔者观察，还不如说经历了三个极限挑战。

第一，存款资金“搬家”实现了理财互联网化，站在客户收益角度，传统商业银行被“互补”。观察发现，还在2018年3月31日，仅有5年市场经历的天弘余额宝货币市场基金净资产为1.69万亿元，与当时有31年历史的拥有“零售之王”美誉的招商银行同期零售活期与定期存款金额相比，高出0.43万亿元。截止到今年2月29日，这款货基产品七日年化收益，仍然高出一年期定期存款利率的0.81%（图1），存款不“搬家”，没有道理可言。

第二，消费分期，从客户支出角度來看，传统商业银行在挑战中略微胜出。选取样本是12期消费分期产品（下同），某银行产品与“花呗”产品相比，银行少收取客户0.8%的手续费。

第三，从交易市场购买重庆市蚂蚁小微小额贷款有限公司和重庆市阿里巴巴小额贷款有限公司（以下简称“重庆阿里”）方面发行的企业ABS，传统商业银行又被“互补”。这是因为个人客户发生的消费贷款（含消费分期）等业务，成为重庆阿里发起企业ABS的底层资产之一。

金融互联网化代表当推京东数科。京东数科法定代表人、CEO陈生强认为金融科技公司：

“应该遵从金融的本质。”

京东数科作为互联网投融资平台，在线撮合传统金融业务。在这里补充一句，金融的本质说到底是整合资源，实现价值流通。大家都在遵从行业的本质，这也就实现了从业的初心。被服务方是如此，服务方亦是如此，尤其是后者入局思考本质，而不是就“传统金融业务”撮合而撮合，就摆脱了“咸吃萝卜淡操心”嫌疑。

“科技向善”。早在2018年1月20日，腾讯研究院启动了“科技向善”（Tech for Social Good）项目。2019年5月6日，腾讯董事会主席兼首席执行官马化腾首次在公开场合谈到，“希望‘科技向善’成为未来腾讯愿景与使命的一部分”。笔者作为一名“工科男”，向有这样情怀的企业致敬，也非常相信科技能够造福人类，而不是其他。因此，无论东边的井贤栋表现的互联网化金融，抑或北边的陈生强表现的金融互联网化，在此，笔者建议不扯金融与互联网“蛋在先还是鸡在先”的哲学思考，可以肯定的是，做金融科技业务，开办金融科技公司，蚂蚁金服解决了个人和中小微企业融资难的问题，京东数科解决了个人和大中小企业客户融资贵的问题。

“救急”是科技大善。银联商务“商赢龙腾”ERP系统在线上“管理”着供应商，除提供远程对账平台和报表支持外，其供应链系统派生出供应链金融。比如，大型商场里面的品牌专柜商户一旦有资金需求，亟待“救急”时，银行可以给其授信，或给予短期借款，或开展分期业务，银联商务“天天富”产品通过专柜的交易流水提供可靠的资信证明。“人是技术的尺度”，最后统一到“科技向善”。具体说到融资，科技让中小微企业“融资难、融资贵”破题。这是另一个大的话题，在此按下不表。

在基础技术上磨大数据之刀。笔者将金融科技业务比作砍柴，那么，大数据是刀，是工具;人工智能是磨刀石，是基础技术。金融科技则帮助金融行业提升效率、降低成本。

遵循麦肯锡的定义，大数据是一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合。十九届四中全会首次将数据列为生产要素，也就是说它与劳动、资本、土地、知识、技术、管理要素一样，由市场评价贡献，按贡献决定报酬。此举表明数据在现实中呈现的重要价值得到了确认，对促进大数据应用给予更高的预期。

目前，业界对于人工智能的核心技术已经达成了共识，分别是计算机视觉、生物特征识别、知识图谱、自然语言处理和机器学习。在长期研究金融科技案例过程中，《金卡生活》发现了这些技术基本上覆盖了金融应用的各个领域（表1）。

案例1：计算机视觉及生物特征识别成为获客“慧眼”

你的生物特征不能随手乱放。2018年11月21日，浙江宁波市江厦桥东的“行人非机动车闯红灯抓拍系统”，对行驶的公交车身广告上的人像产生了误识别，于是远在广东珠海市的格力电器董事长兼总裁董明珠“闯红灯”被抓拍、曝光。这件事情说明了三点：一是计算机本身具备了从图像中识别物体、场景和活动的能力;二是计算机视觉、生物特征识别技术再好，系统要及时升级才不会闹笑话;三是脸不能靠近斑马线。

当然，这个例子告诉我们一件有趣的事情，基于计算机视觉技术，取材于人的活体的生物特征，如人脸，于是产生了人脸识别技术。人脸高清照片被存入计算机系统后，系统自动确定、识别该脸的大小、轮廓和五官等生物特征点，随后转化为特征图，最后转化为数字信号。

走到数字信号比对环节才能体现应用。这个数字信号在行业应用方面派上大用场。

比如，警方将数字信号与数据库比对，潜逃20年的犯罪嫌疑人劳荣枝去年被抓获。

又如，支付机构推行人脸支付，将数字信号与数据库匹配，判断你是你，而非他人。

再如，金融科技公司、金融机构将数字信号与数据库核对，采取排他（不良）而获客。

笔者还在中国银联当交通银行服务代表的时候，听到时任个人银行部总经理黄祖林讲他曾经的放贷经验：一眼就能看出站在自己面前的差客户，好比鸡蛋吃多了都会吃出鸡屎味儿。该前辈处在“从前慢”的时代，那时候“车，马，邮件都慢/一生只够爱一个人”，他还能幸福地拿肉眼识别客户。

你在“碎片化”时间社交，在“多元化”场景消费，行为和数据留存在不同的网站、App应用平台和购物平台。在移动互联网时代，虽然，你以“键盘侠”身份在朋友圈显示存在，但是，不得不坦诚一个活人只是一粒尘埃。你所展示的结构性数据、非结构性数据，只是長尾客户中的一个点，金融科技公司采用技术“慧眼”帮助金融机构识别你是不是好客户，而由不得你做出掩饰。

当然，基于大数据工具，广泛应用生物特征识别、计算机视觉等人工智能核心技术之外，获客还要融入筛选模型、审批策略和促活营销，才能达到事半功倍的效果。

举一个实例，旗天科技联合A城商银行挖掘信用卡“次优客户”。2019年1月15日，旗天科技剥离传统的光学镜片业务，从而转型成为金融科技公司。《金卡生活》调研发现其如果专门做B2B业务，比如，卖给银行系统，通过竞标，毛利率极低;如果专门做B2C业务，从BATJ固有的蛋糕切分不走多少份额。于是，这家公司确立了B2B2C的商业模式，帮助B端（合作机构）经营C端（客户），实现跨行业大数据的应用价值。

帮助B端经营C端，首当其冲便是甄别客户。针对A城商银行信用卡申请被拒的近20万客户，旗天科技挖掘“次优客户”采取了“三步走”：

第一步，建立营销筛选模型，提高响应率;

第二步，在筛选模型里添置预审批策略，给风控扎紧篱笆;

第三步，针对白名单客群开展定向营销。

那些部分被拒客户接受营销后，开始网申，旗天科技与A城商银行通过联合风控模型对其审核，从被拒客群里面成功地“挽救”了1.2万个客户。并且，经过后期市场检验，这些客户的表现明显好于行内客户的平均水平。

案例2 ：知识图谱在营销中“找对人”

你和客户之间最多隔着五个人。邓女士如何认识默多克？标准答案是：坐飞机头等舱。而田女士认识王先生？已知答案是：读某某商学院。

其实，认识目标客户也费不了那么些花销。早在1967年，美国社会心理学家米尔格伦（Stanley Milgram）提出的“六度分离理论”告诉我们，“你和任何一个陌生人之间所间隔的人不会超过五个。”

那么，若采用人工智能的知识图谱技术，找人则更加易如反掌。一个细节在于，支撑知识图谱技术的存在，还有知识提取、知识表示、知识融合和知识推理等相关“子”技术：

其一，从公开的结构化、非结构化数据“仓库”中，“提取”到实体、关系和属性等要素;

其二，借助有效手段对知识要素“表示”出来，以便进一步处理;

其三，消除实体、关系和属性存在的一些歧义，通过“融合”，从而形成高质量的知识库;

其四，在业已形成的知识库的基础上，“推理”那些“斑马也是马”类的隐含知识，从而扩展知识库。

知识“提取”的重要性好比人走路要迈开腿。如何将知识图谱应用到营销领域？我们重点说一说知识提取技术。

还在原品牌营销部的时候，2009年有幸见证了“‘新华·银联’中国银行卡消费信心指数”的发布，笔者将该指数称之为“银行卡非恩格尔系数”。该指数提到了“海量银行卡交易数据”，当然是基于有效银行卡样本库，体现了“提取”高质量的知识，以便消除“数据噪音”，识别有效持卡人。

同理，如何识别客户走进商场是刚性消费？还是商场营销促进了消费？千万不要认为这仅仅是在细分客户，其实是在大量数据中“提取”客户的有效行为。过去，从传统角度来讲，一位客户来到商场接触了智能设备进行了消费，他最终体现的是一次付款操作。现在，我们站在大数据的角度，其间的寓意则格外不同。客户接触了智能设备，他的操作习惯、商品购买意愿，被商户掌握，从而作为采购、进货的依据;他在现金、银行卡、礼券、折扣券、电子卡及移动支付等多种支付方式的任何一种选择，亦被商户、收单机构所掌握，成其为宝贵的数据资源。

知识“提取”的前提是对数据的合规梳理。专业来讲，结构化数据由行和列组成的二维表构成，是有逻辑表达的数据，严格遵循数据格式与长度规范，主要通过关系型数据库进行存储和管理。如，传统的银行数据。而非结构化数据包括所有格式的办公文档、各类报表、图片、音频和视频信息等，无法采用二维表表达出来。如，客户网购，将商品从“购物筐”取出后的放弃购买的行为。

现在，业界视非结构化的数据为“至宝”，亟待梳理并加以利用。当然，这种梳理杜绝使用“爬虫技术”，杜绝过度采集客户信息。2019年12月20日，全国人大常委会法工委发言人岳仲明在记者会上表示，2020年将制定《个人信息保护法》《数据安全法》。由此看来，通过立法，强化个人信息保护是趋势。

举一个实例，银联商务面向购物中心、百货和连锁超市等商户，运用自主“商赢龙腾”ERP系统，深度融合其管理各环节。同时，固守了支付接口，占据了营销门户。

在这个案例中，重点说一说笔者理解的“商赢龙腾”ERP在营销方面联合“提取”目标客户知识的做法。

一是“商赢龙腾”ERP支持“促销超市”，满足了享受线上买券、抽奖及兑奖等形式多样的促销活动的客户。《金卡生活》以吉林省长春国商百货有限公司“商赢龙腾”ERP系统上线半年（2019年6-12月）样本观察发现，系统处理各类促销的次数达36.63万次，优惠券销售返券6.03万次，优惠券用券10.55万次。其中，积分涉及会员10.51万人，优惠券涉及会员8.21万人，对于40多万会员分别实现了26.28%、20.53%的有效覆盖。

二是“商赢龙腾”ERP完善了电子会员系统，商户目标客户易获，客户消费优惠易得。一方面，微信客户端自助注册成其会员，商户获客更容易。砂之船奥特莱斯杭州店上线了“支付即会员”功能，消费者交易完成后，在通知界面可以自动领取会员卡;奕欧来奥特莱斯门店完成了CRM系统（Customer Relationship Management，客户关系管理系统）对接，客户消费完成累计积分，享受会员优惠等权益，而上线的“现金券”模块，则通过不同自有渠道发券引流;吉林省长春国商百货有限公司在会员系统放置商户储值卡预售功能。另一方面，会员到店消费，线上实现抽奖，会员优惠的易得性更强。

三是“商赢龙腾”ERP 连接“全民惠”营销联盟平台。实现了“云闪付”、银行、商户营销活动的全面接入，优惠渠道多元化。

四是“商赢龙腾”ERP集成更多的增值系統，满足客户需求。砂之船奥特莱斯杭州店即将上线电子签购单，当交易完成后自动发送电子签购单到客户手机上;奕欧来奥特莱斯拓展了停车场管理功能，停车场扫描车主的消费票据进行停车费用的减免。

五是“商赢龙腾”ERP维系供应商、品牌专柜商户，从而维系最终消费客户。优质的消费客户（C端）要靠品牌专柜商户（B端）提供产品和服务来维系，而可持续性的产品和服务的提供要靠资金链条来维系。前面提到，银联商务“天天富”产品可以通过专柜的交易流水提供可靠资信的证明，从而帮助供应商、品牌专柜商户完成相关融资安排。

案例3：自然语言处理在客户服务中贡献“高智能”

预期与现实。《金卡生活》调研发现，金融科技与信用卡业务结合的过程中，商业银行信用卡机构至少存在三个预期。首先，应用大数据工具，满足客户“千人千面”的需求成为可能。根源在于，信用卡业务呈现涉及的账户比较多、平均每个账户的授信额度却比较少，这一特有的“一多一少”的特征，大数据工具则与之高度适配。其次，应用人工智能技术，服务客户的“秒级响应”变成现实。究其根本，机器学习等技术的应用，大幅降低了对传统人力数量、能力、经验和态度的依赖。当然，日本仿真美女充气娃娃在网上大卖，不是好事，这是抵抗人类正常习性的表现。第三，打造数字化平台，升级“从卡基到账基”的支付模式成为可能，从而颠覆了信用卡的传统获客、经营和客户交互的形态。

“弱水三千，只取一瓢饮。”在这里，选取分析自然语言处理对智能的客户服务（以下简称“客服”）的贡献。自然语言处理，说的是计算机现在拥有了人类的文本处理能力。比如，可以将公文中被提及的人、地点及主题进行自动识别;又如，可以将合同的条款提取制表。自然语言处理通常应用在分析客户对特定产品和服务的反馈上面。在智能的客户服务方面，说到底，是在建立语言模型的基础上，预测语言表达的概率分布。

智能客服的三个步骤。艾媒咨询预测，2020年智能的客服市场规模将达到千亿级。多家商业银行洞察先机，已经引进了智能的客服机器人。《金卡生活》观察，它是基于自然语言处理、机器学习等技术的人工智能信息处理系统，准确地处理客户采用文字、语音等形式所提出的若干问题。

实现智能客服，具体要有三个步骤。

首先，应用人机交互，识别客户提出的问题，机器“听懂”人话。

其次，通过语义分析，理解客户的意图，进入知识库查到“标准答案”。

最后，使用自然语言，机器“讲出”人话，人性化地向客户提供服务。

智能客服的应用进一步加大了对人工客服的替代，提高了客户服务质量和效率。《金卡生活》调研一些信用卡中心发现，质量和效率的核心体现在“一升一降”两个维度：信用卡智能客服的会话量占比，要提升增幅;每万张有效卡转人工客服的工作量，要放大降幅。

举一个实例，兴业银行客服由人工向智能迁徙。2014年底，兴业银行引进了业内领先的智能客服系统—“智能小兴”（ 小i机器人），提供7×24小时不间断的客户服务，能够降低客服的人力依赖。

人工客服向智能客服迁徙，促进了自助服务渠道的功能完善，提升了人工坐席服务效率，平均通时下降2%（2018年4月24日《金卡生活》采访数据，下同）。同时，人工客服向智能客服迁徙较快响应客户的需求。2016-2017年兴业银行信用卡发卡量超过了过去十二年累计发卡的总和，但是没有增加人工客服。

“智能小兴”上线以来，逐步扩大渠道覆盖面，客户通过短信、网银、手机银行、微信银行和信用卡微信公众号等多个渠道向“智能小兴”提出问题，均能及时获得专业回复，实现了渠道“智能化”。其中，兴业银行信用卡微信公众号渠道已经成为智能客服的主要应用渠道，客户触达成功率（问题应答率）高达97.7%，月均受理量占全渠道智能客服近80%。

案例4：机器学习在信贷反欺诈中拒绝“黑产”制造者

让“聪明的傻瓜”变成“聪明的智者”。我们知道，计算机是一个“聪明的傻瓜”， 当你发出指令、操作后，它将竭尽所能，“聪明”无比。相反，不明白你的需求的时候，计算机将无所适从，变成“傻瓜”。

机器学习则要将计算机变成“聪明的智者”，它不需要遵照你的指令、操作，而仅仅依靠“喂”给它数据，便能提升自身的性能。

机器学习走出关键的两步。我们只要给予机器学习系统有关交易时间、商户、地点、价格及合规交易等诸多信息，建立数据库，其系统便会“学习”到用来预测信贷欺诈模式。这个系统非常神奇，它喜欢“鞭打快牛”模式，并且具备“非人类劳模”特质：给予的数据越大、处理的交易越多、线上与线下的数据越融合，它不惧工作强度，预测便会更加准确。

在这里，我有必要特别提示一下，为什么数据要线上线下融合？这是因为，比如，我在线下借钱还钱，信用表现很好。但是，在线上，我可能是行为不好的人。《金卡生活》发现，欧美一些传统的征信机构收购在互联网上从事信用、风险评估的金融科技公司。早在2013年，美国益百利斥资3.24亿美元收购第四十一参数（41st Parameter）。后者专门在互联网上帮企业评估行为风险。

究其实质，机器学习关键要走出两步：

第一步，从海量数据中，自动发现模式;

第二步，依据该模式，用于预测。

知道了数据怎么“去的”后更应当明白数据怎么“来的”。针对数据大、交易多的特点，我们不能回避数据的来源。根据成因，我将贷前客户的数据归纳为两大类：

第一类，传统信贷类数据。包括商业银行长期开展信贷业务形成的客户数据。

第二类，互联网金融信贷类数据。包括在此背景下 “自循环”“毛细循环”形成的客户数据。一是依托集团供应链、消费链、“混业”金融链，开展供应链信贷、消费信贷，“自循环”形成客户数据。如，海融易对应海尔集团，蚂蚁金服对应天猫、淘宝、阿里巴巴批发电商平台，“壹钱包”对应平安集团;二是借助投资方，开展部分客户导流，“毛细循环”形成客户数据。如，趣店集团对应支付宝，客户曾经可以在支付宝App上找到趣店集团旗下的“来分期”入口，继而获得分期服务。

知道了数据怎么“来的”更应当明白数据怎么“用的”。通过人工智能技术，如，采取机器学习，洞察信贷风险，开展跨行业联防、联控，从理论上来讲，最大化融合传统信贷数据、互联网金融信贷数据，才能最大化消除“信息孤岛”杜绝“黑产”制造者。

但是，好心不能办坏事。这里牵涉到数据合规运用的问题。我们再次想到“科技向善”。《金卡生活》调研同盾科技发现，它在融合数据的时候推出了“联邦学习”技术。这是采用分布式深度学习技术，参与各方在加密基础上，共建公共虚拟模型，在训练和交互全过程中，各方数据始终停留在“本地”，不参与迁移、交换和合并，以科技手段达成了保护客户信息安全与共享行业数据之间的平衡。

“未知攻，焉知防。”在进入信贷反欺诈案例分享之前，我们要厘清“黑产”制造者是通过哪些途径操作“坏事”的。细分信贷欺诈风险，大致归纳四类：

一是“黑产”制造者盗取他人身份信息、申请资料，实施“假冒申请”;

二是“黑产”制造者对工作单位、工资流水、住宅地址身份或资质证明材料造假，实施“伪造申请”;

三是申请人历史信贷记录呈现不良状态，在短时间内集中多头申请，还款意愿较低;

四是“黑产”制造者与银行客户经理、风控人员里应外合，合谋“套利”。

知其攻，得以防。看清上述四类“攻”，才可能以机器学习等人工智能技术加入“防”。

在贷前，通过机器学习等人工智能技术洞察潜在的信贷风险。比如，与人的指纹一样，设备指纹也有唯一属性，通过设备指纹，识别该设备是否关联了不同账号、不同银行卡、不同身份证的信息。又如，分析可疑号码;开展虚拟机侦测;通过地址数据甄别高风险地址;通过IP代理测试识别账户名是否正常。再如，可以进行归属地分析;重点还可以对申请行为加以分析（图2）。最后一点很好理解，如果“我”总在凌晨提出调整信用卡额度，一定是做贼心虚。

举一个实例，同盾科技联合B银行信用卡中心（以下简称“信用卡中心”）开展在线风控。《金卡生活》选取同盾科技在线消费信贷产品申请自动化风控模型上线后四个月，作为样本观察期。前面，在“案例3：自然语言处理在客户服务中贡献‘高智能’”中提到了机器学习等技术大幅降低了对传统人力数量、能力、经验和态度的依赖，在这里，繁杂模型充分体现了超能力、无情绪的工作态度，仅仅做了簡单的两件事：

一是针对某呗、信用卡中心的风控模型“双通过”引流来的客户，进行信用审核，给出决策建议;

二是针对某呗系统风控模型通过、信用卡中心风控模型拒绝的客户，经过专家调优、三方核验导入联合模型深度挖掘，最后融入信用卡中心模型。

在这个案例中，信用卡中心从同盾科技的API（Application Programming Interface，应用程序接口）累计调用量120万次。API响应时间之快，每次仅在200毫秒之内，相当于蜜蜂连续扇动40次翅膀的时间，便可以发现一个“黑产”制造者。在样本观察期间，信用卡中心发放在线消费贷产品超过100万笔，其逾期率控制在千分之一以下。

两则数据故事的启示

一则数据故事是在调研的时候收集的。四川省凉山彝族自治州的大商户只需要一个收单码，完成收款功能即可。而广东省深圳市的一个小商户则要求收单机构放置一台机器硬件，除了收款，还依赖于科技手段，进行会员管理，店主意识到，会员数据能够给自己带来经营价值。

另一则数据故事是自身亲历。1986年翻阅《武钢年鉴》取得29年数据样本，用非线性回归方法，撰写了《武钢未来三年炼钢炼铁达到双七百万吨的不可行报告》。当时，计算机尚未普及，只能将1958年大炼钢铁等异动年份徒手画平滑线，拉到正常的轨迹上来。当然，小样本的数据分析并不能得出准确的预测，2016年武钢被宝钢合并是行业发展的必然，而不是预测加巧合。

现在，我们已经远远超越了上述两则故事所停留的统计数据的层面，我们置身麦肯锡所定义的大数据的生活、工作中。未来，基于大数据工具，将人工智能核心技术广泛应用起来，道阻且长。

（本文系2020年3月11日《金卡生活》杂志执行出版人在中国银联支付学院“金融科技系列专题讲座”上的交流内容，有删节。）

责任编辑：王孔平