AI 赋能银行客户运营的三板斧

今天将分享银行案例，主题是 AI 赋能国有银行理财经理，业务收益提升 30 倍。

将会分三个段落来说明。首先，说明该银行的需求背景跟用户痛点。其次，说明当前银行内的解决方案。最后，介绍下合作效果跟业务收益。

分享嘉宾｜林庆治 飞算科技首席数据官

内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。

01

银行业绩压力与营销资源出现矛盾

首先，分享的案例是来自国有银行的重点分行，它的客户超过千万级。它有传统银行里面的一些业务条线，包括销售投资型产品的个人金融、消费贷款产品的消费金融，销售信用卡及相关服务的信用卡中心，这次合作对象是个人金融业务部。

互联网的红利已经消失，大家又回到存量客户运营。所以这家银行也定了一个目标，在银行竞争激烈背景下，银行希望能充分地释放存量客户的复购潜力，将其作为业绩增长重点。他们使用的方式还是比较传统，不论长名单或短名单都是用经验法则，并且它还是利用人工的方式去做营销全链条，最后到理财经理去对客户做一些直接销售。

这种比较传统的方式存在几个问题，主要是它在目标客户定位和营销执行过程出现低质、低效、高风险的状况。

• 低质主要是指营销响应偏低。在银行这三个条线里面，最难销售的就是个人金融投资金产品，他们整个营销响应不到1%。

• 第二是他们比较低效，因为他们主要仰赖于理财经理去做销售，分行的理财经理大概有四五百人，所以每一个月大概只能联系2万名客户去做销售。因此没办法及时发现并满足一些客户的需求，而导致销售机会的丧失，客户也会陷入睡眠跟流失状态。

• 另外，在个人隐私保护需求高涨的时代，客户过度打扰客户可能会造成投诉。如果投诉多的话，甚至会造成监管机会终止外呼渠道。

我们和这个银行的合作是 2022 年，这个时候是疫情后的时代，大家都想发力。面对大家都想要发力的竞争环境，他们抓对了：以存量客户去做一些复购潜力。但是，他们还是用原来的一些依靠经验法则的方式，导致效果其实不如想象中那么好。

02

三个业务环节的痛点均未得到妥善解决

我们再仔细看一下，在销售里面主要有三个环节会导致整个营销效果不好。

第一个业务环节就是获得长名单，就是潜在客户。在银行里面，大概有 1000 多万个客户，那这里边到底有多少的潜在客户呢？ 他们经过初步筛选，大概会有 200 万个。 这 200 万客户 是怎么得到 的呢？ 业务人员首先会对 IT 提出分析需求，需要获取客户的长名单跟客户属性。

相对于传统银行而言，业务人员是没有分析能力的， 非常仰赖IT。 但 是，他把这个需 求给到IT 之后，IT 也不了解 业务， 常常发生业务人员跟 IT 人员之间的沟通不了。 常常出现反复沟通的情况，时间周期就比较长，最后可能效果也不好。 这导致业务人员抱怨比较多 。

当然，这家银行也会想办法去解决这件事情。除了总行有大数据平台之外，分行也建立了大数据平台，那里面也有配置一些数据辅导人员，通过做一些培训，让业务人员能够去做一些基本的分析，并去了解客户的一些属性，然后找出一些长名单。

但是，不一定每个业务人员都对数据敏感且有兴趣，所以大部分情况还是仰赖IT 的一些数据辅导人员。数据辅助人员有限，并且业务人员也没有这么多时间去跟 IT 人员沟通，还是导致他们沟通效果欠佳。最终，在这个分行里面，数据还是用手工提取的。

另外，还有一个比较特殊的问题，在分行里面常常有一些个性化需求。而总行它要面对是整个全国，所以它做的是通用的，导致总行的大数据平台在分行不适用。

例如说分行所在城市是一个互联网非常兴盛的地方，有非常多的互联网公司，它在数据上有一些比较特殊的需求，总行就没办法及时满足分行的一些需求，导致丧失商机。

第二个问题，即使获得了长名单，也有将近 200 万个客户，怎么去真正获得短名单做实际销售呢？一般来讲的话，主要依赖业务人员的经验法则。例如说这次理财销售里面，他们的经验法是优先选择过去买过我的产品的人或者最近来询问的人，然后说他会用经验法子去获取短名单，从200万名单筛选到几万名单。

但经验法则定位不准，效果差。在获得短名单过程中，最好的方式还是用一些预测模型。这家分行也去外聘了一些算法专家，让他们进行一些AI 建模。但是我们知道建模专家是一个稀缺资源，成本很高，而且他们还是手工用Python 去编程，可能要花数周才能建出来一个模型。所以分行还是没办法去满足业务人员的迫切性需求，毕竟它的建模周期比较长。

第三个问题：辛辛苦苦跑出短名单之后，最后还是要透过理财经理做客户触达，这家分行还是非常仰赖人工方式。比如说它的名单要对接到短信渠道或对接到理财经理，这些环节还是非常没有效率。最重要的是它没办法做到真正的营销闭环，包括名单筛选、拟定策略、到达渠道、到接触客户、后评估等。它是没办法做到整个营销闭环，更不要说它做到跨渠道资源整合和客户沟通策略优化。

03

飞算科技借助自动化、人工智能和大模型技术，为该银行输出端到端解决方案

针对以上三个问题，提出了相应的解决方案，我跟大家详细说一下。

针对第一个问题，我们希望透过大模型加增强分析去解决客户洞悉的问题。

通过软件自动化生成描绘客户画像的功能，以及做到趋势分析、归因分析、差异分析等，满足业务部门需求。另外也支持自然语言交互，降低使用门槛，让业务人员参与其中。

回到长名单的话题，最大的问题是什么？是 IT 不了解业务，业务不会做分析，所以他们之间的沟通比较繁复。透过大模型，业务人员不需要去跟 IT 交互，他直接从大模里面满足自己的需求，而且软件会自动去做数据处理，会自动生成结果报告，基本上就可以满足上面提到的沟通难，效果差之类问题。

第二个，我们怎么去解决短名单？

虽然他们行内有去聘请建模人员，但发现建模周期比较久，更严重的是建模非常仰赖建模经验，将一个有1-3年建模经验的专家跟一个有3-5年建模的专家进行比较，二者产出质量是不一样的。基于自动化建模的产品，不需要仰赖专家，而是一种自动化建模的工具。只要你准备好数据，它可以做全自动的建模，全程零代码，建模门槛非常低，而且模型效果也好。这个产品可以快速满足业务需求。

第三个，解决掉长名单和短名单获取问题之后，我们要解决这个银行的人工营销链路问题，希望透过自动化营销去解决营销效率跟资源优化问题，需要打通各个营销系统，实现真的自动化营销闭环。而且，营销后评估也可以集成在同一平台，便于支持营销优化。

04

大模型+BI增强分析，自动生成客户画像

接下来针对这三个方案稍微做一些说明，怎么去解决银行痛点并达到预期效果。

AI.Insight产品具备自动生成客户画像功能，以及做好趋势分析、归因分析跟差异分析。用户可以及时知道自己的业绩为什么会减少，问题是出在哪个地方，因为客户的消费能力降低，还是产品不适合。

它背后其实就是小模型跟大模型的一个综合运用。我们知道小模型在垂直领域有一个非常好的效果，但是大模型的话它可以解决交互问题，业务人员不需要仰赖于数据分析人员，直接把他的自然语言转成需求，而且透过大模型去做一些自动化的决策生成。

所以说透过大小模型，可以预见两个重要结果。 第一个是透过大模型提供智能交互， 也就自然语言交互。 所以，产品跟理财经理就可以使用自然语言跟语义搜索任何问题，答案以及见解，通过报告或推荐的形式展现出来。 第二个是智能图表推荐，通过智能图表推荐引擎展示合适的图表，让业务人员能够一目了然，知道问题所在。

另外，AI.Insight可以实现智能洞察，应用非常成熟的小模型进行一些垂直领域的分析，包括异常分析、多维分析和客户特征分析。 在异常分析里面，自动对数据进行时序检测、因果关联或是波动归因等分析，并自动给出结论性的描述。 在多维分析里面，用户可能想做一些更深入的分析，我们支持上卷、钻取或切片等多维度分析。 对于客户特征分析，可以基于数据洞察进行客户特征分析，定位出异常的客户客群。 充分利用大小模型，往深度、往广度、往沟通去做一些优化，解决他们的沟通难、效果不好和周期长的问题。

关于AI.Insight大概分为五层架构。

• 第一个是数据源，支持所有的结构性数据、文本和图像，尤其是现在处于移动互联网时代，它的文本跟图像数据特别多。其次，支持离线、近线跟在线的一些数据。

• 在自动数据处理里面，提供视图数据集跟 SQL 数据集，这是一个比较 IT 风格的描述，但你可以想象，它就是用一种比较好的方式快速自动化整理出数据，来回复你的需求。

• 数据做好之后，就是去做自动分析。提供六大分析模式，包括趋势型、比喻型、关系型、对比型、分布型跟地理型，可以涵盖你现在大概需要的分析。如果你想知道现在整个营销趋势是向好还是向坏？我们支持自动诊断去往下做更多的客户洞悉，包括它自动切片跟自动下钻。AI.Insight也会生成图表，让使用者能够一目了然，知道问题在哪里，以便做出决策。

• 做好自动分析之后，最重要的是要做好人机交互，包括自然语言查询和自然语言生成。你可以透过自然语言去做智能搜索、数据问答或语音交互，这里面再把刚才所自动分析结果透过智能语言生成，形成一个数据洞察、业务洞察、自动预警和自动生成洞察文本。

• 这些结果适用于各种终端，比如说你在出差，你可以用手机移动端去看到这些结果，你也可以在自己的办公室电脑看到结果，或者说你在会议室上可以透过大屏来查看。你可以发现到这里面其实是把刚才最麻烦的、最复杂的就是做业务人员跟 IT 人员沟通工作完全实现了自动化，所以这里就避免了沟通的问题。用小模型可以做到高度的精确性，用大模型可以生成一些知识和客制化的营销策略。

用右边的流程来讲的话，以前从数据接入到数据处理，到数据分析，再到决策，大概需要多个工种，现在你只要业务人就可以充分操纵这个软件。

05

自动化建模，自动生成精准短名单

说完怎么去解决客户长名单的问题之后，我们接下来就要去解决短名单问题。关于短名单，刚才提到这家分行用建模的方式存在两个问题，第一个是建模人员的水平不太一样，第二个是用人工编程需要数周时间。建议它可以使用 AI.Modeler 自动化建模的工具。

AI.Modeler是一个面向数据加工和模型开发的全自动数据建模平台，它涵盖整个建模里面的数据清洗、衍生，模型选择、迭代和上线等整个建模生命周期。以前的建模需要一些专家建模人员，而AI.Modeler是全自动的，只要业务人员准备好数据，然后一键启动，可以实现 30 分钟四步骤全流程全自动化建模，效果也是媲美专业建模人员。透过这种重要建模，它就会生成存量客户的短名单，去做精准营销，提升转化率。我们为什么有信心它可以媲美专业建模人员，因为我们把一些建模Know-how内置到里面了，所以说它里面复杂的一些流程都有经验在里面。

这个业务环节是这家银行比较大的痛点，而且我认为比较容易解决。在POC阶段效果非常好，它的响应率提升将近 8 倍，平均购买金额提升了 3.6 倍，业务效率提升近 30 倍，这个细节等会我会说明一下。

06

自动化营销平台，建立营销闭环，实现自动化营销

刚才提到利用大模型跟小模型去解决客户问题，我们产出潜在客户名单，再利用一个自动化建模去把潜在客户名单筛选成真正精准的要去做直接营销的名单。后面还是有几步之后需要去走，包括要把一些营销闭环打通，包括做一些营销设计优化，以及营销资源的管理跟活动设计、执行、追踪。我这边稍微说一下这几个地方到底它是怎么做到。

在营销策略优化这边，充分联动了两个产品，包括 AI.Insight，它可以形成客户洞察，包括 AI.Modeler ，它可以形成精准名单，助力产品经理和理财经理制定有效的营销策略。 为什么透过客户洞察跟精准名单可以做营销策略。 透过 AI.Modeler，我们知道这个人可能对这产品有兴趣，但问题是： 他到底对哪个产品有兴趣？ 他应该透过哪个渠道去接触？ 尤其是一些理财高净值人员，他也许不希望有人去干扰他，他通常都在手 机 APP 端去购买理财产品。 但对于一些老人， 他们可能就需要一些理财经理去和他沟通。

透过客户洞察，可以知道这个客户通常会买哪些投资型产品，需要哪个渠道去跟银行联动。 所以可以根据刚才的客户洞察跟精准名单去做一个好的营销策略。 其次，在做营销的资源管理，银行里面可能最常用的是短信或理财经理或是手机的 APP 推送，它们的效果跟成本不太一样。 当然，最好的资源还是理财经理，其次可能是短信，再其次可能是手机 APP 推送。 理财经理资源是有限的，分行有四五百理财经理，一个月大概只能消耗两万名单。 所以，我们会把那些高潜而且喜欢联络理财经理的名单分配给理财经理，有一些客户习惯使用手机银行，就分配到手机银行，这样做的目的是实现效益最大化。

这个做完之后去做营销闭环，找到目标客群之后还是要去触达它，所以说还是要经过一些营销流程设计，包括怎么去配套产品，配套优惠，配套的营销话术。用拖拉拽图形界面把整个营销流程非常顺滑地做出来，不需要人工一个阶段一个阶段地去做。最后在活动时期里面，还支持产品经理进行实时跟批量调度。

透过这一套自动化营销平台，可以从营销构想到分析洞察，到营销设计，到部署，到渠道准备，执行追踪和评估，这基本上都流程都自动化。可能以前要花几周，现在可能几天就会把它做完，而且到最后可以非常快速地看到整体效果，并可以做一些评估、修正，等营销活动达到预期目标之后就可以大量推广，这是一个自动化营销平台。

我们举个例子来说明，因为事件营销是基本上大家都会做，但事件营销特别注重效率。因为事件营销就是客户举手告诉你我有需求，例如说他已经在你的网络做登录了，而且他在你的页面已经浏览半小时，其实他就对你的产品有兴趣，他已经举手跟你讲，但如果说你没办法及时满足他需求的话，可能他第二天就找到竞品去了。所以说事件营销特别注重营销效率，也是营销自动化最适合的场景。

事件里面可能分了几种事件，包括个人金融事件、理财产品周期、人生阶段等。这事件产生之后怎么去做一些策略规划呢？

就根据客户动机细节去做规划。产品到期的话，客户经理可以根据他过去的一些产品购买经验，知道客户是一些比较保守型客户，第二是他其实不喜欢理财经理打扰，他喜欢去自己去银行。根据这两个偏好我们可以给他提醒，通过短信和手机提醒他产品到期，会有特别好的产品去提供。根据客户洞悉，再配合刚刚的事件营销做到一个很好的设计规划。

因为营销资还是非常有限，我们可能从刚才各种类型的营销事件中挑选3个营销事件去做一些营销规划，但这3个事件也会有一些优先顺序，所以透过计算它的潜在价值或者响应率，去决定优先顺序。再透过刚才的客户动机去找到最好的渠道做触达。

所以说在事件营销里面，透过自动化营销，再配合刚才的自动化建模跟 AI.Insight，可以充分的去解决效率准度的问题。当然，这一套理论在其他的银行也实施过。

07

飞算与该银行以业务环节2为合作切入点，业务收益显著

最后说明一下我们跟这家银行的合作情况跟业务收益。

我们是以第二个业务环节作为切入点，并且客户希望做实际的落地验证，而不是只在线上做试用而已。所以在银行内做实例落地验证。

大概在去年6月花了两周去做数据建模，真正建模大概花 3- 5 天。当产出这些精准名单之后，需要通过一个月的实际验证，证明这个名单的确是精准有效的。通过模型筛选了一批名单以及将近一个月的营销，发现经过模型定位的名单，营销响应率大概是2.48%，对照组大概 0.31 %，提升将近八倍。单客户采购金额的差异也很明显，提升到180多万，对照组是50多万，是对照组的 3.6 倍。所以，整个业绩提升了近30倍。

07

专家对话：互动交流

以上是本次分享的内容，如需获取专家完整版视频实录和课件可扫码领取。

负责大数据应用技术及产品研发；知名大数据领域专家，超二十年大数据行业从业经验。曾任职于台湾中央研究院经济研究所、华润银行、招商银行等大型机构并担任高级职务。受聘于深圳大学，担任银行业数字金融联合实验室专家、授课讲师、校外导师，负责共创课程研发及课程设计，为中国银行业数字化转型赋能。