撰稿人：Peter Kuu
金融服务行业
副总裁兼首席战略官
充分利用人工智能和机器学习带来的益处，可以为金融企业的客户提供新颖的、富有吸引力的客户体验。但这要求银行机构必须打下坚实的数据基础，拥有关联、干净、准确和完整的数据。
在零售银行业人工智能和机器学习的预期目标中，从来都不会少了客户体验转型这一项。但如果项目不是建立在坚实的基础之上，这些最好的应用理念将无法成功实现，而这种基础是由干净、准确、完整的客户数据以及客户行为和金融需求构建的。
“人工智能和机器学习可以帮助零售银行业的营销人员预测客户需求和深化客户关系。”
如今，银行机构对客户体验的关注并不出人意料。随着金融服务的日益商品化，机构必须将越来越多的精力投入到与颠覆性的市场新参与者和传统竞争者的竞争方面，以吸引客户的注意力，同时争夺客户的荷包占有率。金融机构需要找到一些可以实现自身差异化的方法，这种需要比以往更加迫切。
在客户体验方面，人工智能和机器学习可以帮助零售银行业的营销人员预测客户需求和深化客户关系。他们可以通过一些方法做到这一点，包括：实现客户互动方式的个性化、对营销活动进行调优以实现效果最大化，重点关注那些最有可能消费的潜在客户群体，识别收入损失风险和风险因子。
“构建在已经完成整合的人工智能基础上”
根据对1,419家公司的调查，在部署机器学习技术的积极性方面，零售银行排在所有机构的前列，这些公司包括金融服务业的150多家公司，这项调查活动由《麻省理工科技评论》（MIT ）和谷歌公司联合开展。
这项调查发现：目前有超过四成（41%）的金融服务机构正在使用人工智能，其它30%的公司计划今年部署该技术。同时，2/3（66%）的被调查者承认，机器学习为他们的战略营销工作提供了助力。这项技术可以帮助他们对大量数据进行筛选，以确定对于某个特定地理区域和某种人口结构的客户市场，哪种策略是最优的，同时还能预测未来的行业发展趋势和客户购买习惯。
尽管这些新技术能够提供有意义的洞察，但金融机构必须首先做好基础工作。这需要对现有数据进行有序整理，同时识别出那些可能有帮助的、新的第三方信息源，并进行数据整合，例如地理数据和社会经济数据。
众所周知，人工智能和机器学习都是需要大量数据作为支撑。不管它们的算法如何精妙，其所返回答案的智能程度都受限于提供给它们的信息质量。这使得数据管理在提供更好的客户体验的过程中，成为至关重要的一个前提。
考虑到这一点，对银行机构来说，做好如下六个步骤就变得至关重要，以确保他们能够充分利用人工智能和机器学习技术，对于投入在这些技术上的时间和资金给予良好的回报。
▼
1. 确定业务目标和衡量方式，
并在各方之间达成一致
所有人工智能项目均应从清晰的目标开始。零售金融机构制定的目标可能是：将数字化市场活动的响应力提高X%，将抵押贷款金额提高X%，或者提高每个家庭的荷包占有率。只有在企业代表和技术主管对可能实现的整体目标达成一致后，才能充分考虑目标达成后所能取得的预期回报，并在这种情况下讨论进行任何必要投资的问题。
2. 建立业务场景并规划数据要素
所有人工智能项目均应从清晰的目标开始。只有在确定了目标之后，才能进行投入。零售金融机构制定的目标可能是：将数字化市场活动的响应力提高X%，将抵押贷款金额提高X%，或者提高在每个家庭的荷包占有率。只有在业务部门和科技部门对可能实现的整体目标达成一致后，才能充分考虑目标达成后所能取得的预期回报，并在这种情况下讨论进行任何必要投资的问题。
3. 定义机器学习应用程序的数据需求
将整个银行机构跨部门的所有相关方聚集在一起，共同确定取得成功需要哪些关键数据。在这里，我举个例子：对参与日常市场活动组织策划和新客户培训工作的员工来说，总结出他们所需要的、用于有效完成相关工作的信息是必要的。由于技术团队可能对必要的数据管理工具有着很好的了解，我预计他们就不需要对数据内容做出预测了。
4. 组织一次针对“当前状况”的数据评估
这项任务的目的是确定金融机构目前掌握了哪些数据，以及数据的来源、质量、可用性、数据管理的完善程度、以及查漏补缺。
这应是一次正式操练，会要求员工对数据进行评级，评级范围从1到5，1代表“差”，5代表“优秀”。一般情况下，较为明智的做法是引入第三方组织这次评估，这是因为外部专家能够客观看待这次行动，而且，在开展工作时能超越那些内部产生的主观评价。
5.制定一项解决数据鸿沟问题的计划
根据数据评估结果，为解决数据鸿沟问题进行全面考量：在哪些方面进行投资？采取什么样的措施，才能让员工访问到准确、一致和整体的客户视图并进行共享？并且，数据管理技术如何帮助实现这个目标？
此时，零售银行的领导者们就应超越这个即将落地项目的局限范围，去思考机构中其它地方或其它项目能否利用这些工具。越来越多的零售金融机构希望建立数据共享服务，这些服务可以扩展，以满足广泛的业务需求。如果采用这种方法，他们就不是在针对未来出现的每一单项需求构建新的数据管理环境。
6. 执行、监测、改进和报告
为部署人工智能和机器学习技术，需要一种敏捷方法，这种方法通过对业务成果和定期调整情况的持续监测，确保实现预期的商业价值。对于人工智能的整体部署，最好采用渐进式的方法，利用好正在运行的系统，同时做好问题修复，并在必要时调整方向，从而在追求整体目标的过程中不断前进。
和任何新兴技术一样，人工智能也会带来某些风险。然而，对银行机构来说，由于存在着巨大的潜在收益，他们可以忽略这些风险。针对投入运行的人工智能应用，他们需要思考数据的战略价值。将数据管理改善情况与业务成果相关联（这些成果是以金钱为单位真金白银测算出来的），他们可以减少与低质量数据相关的风险，同时还能收获新方法带来的回报：在客户互动和客户体验方面更进一步。
相关文章
