鲍忠铁：数据赋能智慧金融

　　中国电子银行网12月7日讯，中国金融认证中心（CFCA）携手成员银行举办的第十三届中国电子银行年度盛典在北京举行。百余家银行电子银行部、网络金融部和科技部相关领导，以及金融科技公司、学术界的大咖参会，并就“科技赋能金融 智慧引领未来”的主题共谋智慧金融的发展之策。中国电子银行网全程直播了本次活动。

　　TalkingData首席布道师、清华大学大数据产业联合会专家组成员鲍忠铁在会上就“数据赋能智慧金融”做出阐述。鲍忠铁表示，所有的智慧金融以及数据赋能，背后核心的目的是要提高金融行业的效率。

　　如何提高金融行业效率呢？

　　首先，要了解业务运营的各部分指标，指标可以让金融从业者及时地了解整个银行业务过程中出现了哪些问题，从而及时做出决策，降低决策失误的成本，提高效率；其次，分析行为数据，比如通过App的行为分析、产品体验的热点图、活动的趋势分析图以及用户购买的路径图、还有产品转化的转化漏斗等，了解客户喜欢哪个路径，可以把想推荐给客户的产品放在客户最喜欢的路径上，转化漏斗的分析可以将每个环节上漏损的客户挖掘出来做第二次营销。最后，通过数据发现商业机会。

　　对于数据赋能的主要指标，他提出了三个关键点。

　　第一，降低休眠客户的比例。

　　第二，提升客户的资产AUM。

　　第三，提升客户的活跃度。

　　以下为演讲内容：

　　鲍忠铁：大家好，首先感谢主办方，CFCA的活动现在基本上成为整个电子银行业最权威的活动了。我之前一直在外资银行工作，之后加入了TalkingData这家大数据公司，今天跟大家分享的是数据赋能智慧金融的主题。

　　我们看一下智慧金融的外延和内涵，外延就智能技术在金融行业的应用，内涵其实就是利用金融科技解决具体的业务问题。无论数据也好、科技也好、智能也好，最终是要帮我们提升业务的。

　　以前大家认为外资银行会对中国的银行业造成很大冲击，十多年过去之后这种情况没发生，背后的原因就是中国的银行业对科技的投入。体现在两个方面，一个是核心系统的改造和升级，另外一个重要原因就是电子银行的发展。

　　智慧金融时代，银行面临着一些挑战，比如说沉睡的客户比例高、客户活跃率低、营销效率低、单客收入低、网点客户的年龄高、数据的应用成本高。

　　今年，我们调研了美国的32家金融科技公司，以及多家人工智能的公司，其实大家都在做的一件事情就是提高效率。所以智慧金融其背后核心的目的是要提高金融行业的效率。

　　那怎么去提高效率？怎么做才能让数据赋能智慧金融？彼得•德鲁克曾说过，没有度量的管理是无效的，所以要提高金融行业内部管理效率，核心是要了解业务运营的各部分指标，比如说产品指标、渠道指标、用户指标、活动指标，甚至运营指标。指标做什么用呢？指标可以让我们及时地了解整个银行业务过程中出现了什么问题，从而及时决策。降低了决策失误的成本，提高效率、降低成本。这是第一部分。

　　第二部分，分析行为数据。像2017年诺贝尔经济学奖的获奖者（理查德•塞勒） 的主要研究领域之一就是行为经济学。App的行为数据在很多场景下可以帮助我们有效地营销

　　通过App的行为分析、产品体验的热点图、活动的趋势分析图以及用户购买的路径图、还有产品转化的转化漏斗等，了解客户喜欢哪个路径，可以把想推荐的产品放在这个路径上，提升销售率。银行也可以将转化漏斗中每个环节上漏损的客户挖掘出来做第二次营销。

　　第三部分，谈到数据赋能，要像互联网行业一样做数据运营，体现为用户画像、场景标签，千人千面，从数据中发现商业机会。这里罗列了八大类场景标签，我介绍一下行为经济学第一个原则——那些给客户带来正向行为的行为永远会被重复，也就是金融产品的复购率。现金贷的复购率能达到80%，一个现金贷用户一年要在现金贷平台借贷8次，金融产品的复购率是最大的金融赋能的场景。另外对于海量数据，机器学习也是数据资产变现的一种有效方法。

　　第四部分，建立营销闭环。金融行业中的营销效率经常是比较低的，为什么呢？因为拿不到数据，无法实现数据的闭环。在数据赋能、数据应用的过程中，闭环是必不可缺的，我们要有闭环的金融思路和工具去分析整个营销活动哪个地方做得好、哪个地方做得不好，并且要实时分析和指导运营。

　　最后一部分，数据科学平台。当完成前四部分之后，用了大量强相关的数据做数据分析，此外我们还有很多客户的弱相关数据，比如说LBS数据、行为数据、社交心理数据，这些数据不能用数据分析去解决。那怎么办呢？我们就会用机器学习或者说数据科学平台去解决。我们常用的SAS平台和SPSS大多数都是在做风险管理，在营销上的效率是比较低的。国外有开源的算法，比如说GBDT、XGboost、SR、RF、Lookalike、聚类，这些开源算法在做营销预测的时候和潜在客户寻找的时候，是有很高效率的。最后，要降低数据应用的门槛。过去数据应用都集中在数据分析中，放在数据科学家手里。我们要为业务人员降低数据应用的门槛和成本。包括模型、算法以及一些分析指标的自动化，通过数据平台去做，让业务人员直接可以用到数据科学、数据工程的能力。

　　因为时间的关系，数据赋能的主要指标我谈三点。

　　第一点，要降低休眠客户的比例。

　　第二点，要提升AUM。现在看到很多电子银行的AUM是低于30万的，市场上AUM做的好的电子银行，或者第三方理财金融机构，可以达到80万的AUM。

　　另外，发现活跃客户。App手机银行上活跃用户，其业务收入是不活跃用户的1.5倍；信用卡方面，活跃客户的业务收入是不活跃客户的3.83倍。数据赋能是为金融提供服务的，最终是要帮助我们实现业务目标。

　　讲几个具体的数据赋能案例比如说有一些下载了App但没有绑卡的、有的点击了“我的产品”但没有申请的、还有在申请过程中退出的这些客户，都可以挖掘出来进行二次营销。针对已下载但没绑定的用户利用推广的方式去营销的话，转化率可以达到10%；针对潜在的理财用户，比如说点了贷款、理财但没有申请的客户，通过电话营销可以达到5%到15%的转化率。

　　在这里提两个问题给大家。我一直在想电子银行的定位，电子银行到底是渠道部门还是银行的业务部门？这是第一个问题。

　　第二个问题，随着电子银行的发展，与网点的关系是什么关系？是鱼和水的关系？还是相互竞争的关系？

　　第一个问题现在已经有答案了，工行在前几天已经宣布把网络金融部完全转化成独立的业务部门，独立核算、独立费用、独立科技和资源配置，只有这样才有竞争力。第二个问题请大家帮我想一下。

　　举个真实的案例，我们发现在很多App用户会在晚上看理财产品，但没有购买。这个时候需要在最后一公里推他一下。一家银行在这样的情况下推送了这个理财产品的购买，观察了一周以后，有20%的客户购买了这个产品。

　　再讲一个案例是机器学习的应用。通常，在银行中20%的客户拥有80%的资产。其实TalkingData做过数据分析，3%的客户拥有73%的资产。银行希望找到更多的潜在价值客户，即所谓的头部客户。通过机器学习，我们帮助这家银行高价值挖掘潜客，在三个月之内销售了40亿的理财产品，让这家银行非常惊喜。在银行业，其实数据价值还没有被挖透，单客价值还有很多提升空间。

　　下面是模型的应用，结合第三方的行为数据，再结合银行自身的内部交易数据，经过两三个模型的迭代，用机器学习的方法对单个模型进行运算，提升模型的整体效率。数据科学或者说人工智能，未来在金融行业里应用的领域会越来越广、应用的效果会越来越多。但是我们发现，人工智能也好、智能企业也好，现在最大的能耗是在做标签数据，即根据其业务原理和专家规则进行数据标注。这个占了30%以上的成本。

　　我研究了很多互联网金融企业，发现做数据资产变现的秘诀就这么三个关键词——要不停地、主动地、精准地营销。核心是什么？核心是不停地，大家可以观察一下互联网企业，就会发现这些互联网企业会不停地营销客户。现在是信息爆炸的时代，如果不高频地接触客户的话，产品转化率不会太高。

　　如果要提高数据赋能的效率，如果要提高数据应用的效率，如果要找到商业机会的话，一定要有一个智能数据平台，把数据整理好、加工好、标注好做应用，为所有的数据服务提供有标注的数据、有业务逻辑的数据。它可以做行为数据的分析、行为数据的营销，它也可以做用户画像、场景标签的建立，也可以做实时数据的分析，做营销活动管理和监测，实现营销闭环。数据科学平台还降低了整个数据应用的成本，让业务人员也能用到数据科学的能力和工具。

　　智能数据平台解决了一个问题——过去所有的工具会有两面性，技术人员看的是一面，业务人员看的是另外一面；技术人员会关注元数据、数据流、数据算法、数据模型，关注数据处理的效率；业务人员更多关注业务场景、业务指标、营销人群、转化率。智能数据平台就是技术和业务的融合，连接了两个不同的数据世界，帮助数据人员掌握已有的数据、掌握已有的工具，能更低成本地运用数据，更高效地完成指标。

　　最后介绍一下TalkingData。TalkingData是独立第三方移动数据服务平台，在国外也有分支机构。我们着重引入先进的金融科技技术，特别是包括数据处理、数据加工、数据标签在内的数据科学技术引入到中国，帮助我们所有的客户能低成本高效地挖掘数据的价值，用数据赋能金融。

　　我今天的演讲就到这里，谢谢大家！

　　

责任编辑：松崎