1、 数据智能下的金融数字化转型数据智能下的金融数字化转型 2022 年度报告年度报告 华夏时报金融研究院华夏时报金融研究院 算力智库算力智库 2022 年年 2 月月 编辑委员会：编辑委员会： 冉学东、燕丽、徐晓梅、贺豪华、宋紫珺、孟俊莲、刘佳、冯樱子、吴敏、王永菲、傅碧霄、单美琪、王仲琦 目 录 前 言 . 1 摘 要 . 3 1 数据智能成为大势所趋 . 4 1.1 什么是数据智能？ . 4 1.2 构建数据智能时代的数据基础设施数据智能平台. 5 1.3 数据智能崛起的背景和发展特点 . 6 1.4 数据智能下的产业赋能实践和趋势 . 8 2 数据智能下的金融嬗变 . 10 2.1 传统金

2、融的发展现状与出路 . 10 2.1.1 线上线下并驾齐驱 . 10 2.1.2 拓展长尾客户 . 11 2.1.3 有效控制运营成本 . 12 2.2 数据智能下金融场景的数字化转型路径和特点 . 13 2.3 数据智能金融场景图谱和代表企业 . 16 3 数据智能下主要金融场景和案例分析 . 21 3.1 信贷风控场景 . 21 3.1.1 传统信贷风控痛点 . 21 3.1.2 数据智能驱动信贷风控优化升级 . 23 3.1.3【案例】马上消费：金融大数据智能风控平台25 3.1.4【案例】招商银行风险门户 . 25 3.2 金融营销场景 . 26 3.2.1 传统金融营销模式的挑战与痛

3、点 . 27 3.2.2 数据驱动下的数智化营销体系建设 . 28 3.2.3 【案例】索信达“灵犀整合智能营销平台”案例 . 30 3.3 第三方支付场景 . 33 3.3.1 第三方支付的市场规模和主要痛点 . 33 3.3.2 数据智能撬动“智慧支付下半场” . 36 3.3.3 【案例】汇付天下“支付+SaaS” . 37 3.4 供应链金融场景 . 40 3.4.1 供应链金融主要业务模式 . 40 3.4.2 供应链金融的发展难点 . 42 3.4.3 数据智能带来供应链金融新形态 . 43 3.4.4【案例】云象区块链与浙江中拓共建区块链供应链金融平台45 3.5 保险科技场景

4、. 46 3.5.1 传统保险之殇 . 46 3.5.2 数据智能打破保险行业“冰层” . 46 3.5.3 【案例】国寿财险安行鹰眼远见理赔智能管理平台 . 47 3.5.4 【案例】力码科技保险数字化解决方案48 4 数据智能金融发展的主要挑战和趋势展望 . 5050 4.1 数据智能金融发展的主要挑战 . 50 4.1.1 数据层面：数据的合规获取、计算和治理 . 50 4.1.2【案例】同盾科技：知识联邦的提出51 4.1.3 技术层面：智能金融科技尚未完全成熟 . 544 4.1.4 场景应用层面：智能金融仍处于“窄场景”“浅应用”的初级发展阶段 . 54 4.1.5 监管层面：监管

5、政策趋于常态化和严格化 . 55 4.2 数字智能金融发展的趋势展望 . 56 4.2.1 智能金融落地：短期以业务赋能为主，长期以模式创新为主 . 56 4.2.2【案例】浦发银行数字员工“小浦”正式上岗57 4.2.3 2B 将取代 2C 成为市场竞争焦点 . 599 4.2.4 由金融服务转向科技赋能：“数据”和“科技”成为核心驱动力 . 60 4.2.5 分布式金融（体系）或成终态 . 60 结 语 . 63 1 前前 言言 当前，数字化浪潮席卷全球，所有行业都在经历着“一切业务数据化，一切数据业务化”的变革。 数据，早已不只是信息化系统中的元素，而是成为了推动国民经济高质量发展的新型

6、基础要素。数据就是新时代的石油，让数据释放出能量，从而转化成为发展动力的关键是智能化。我国也最早将数据与土地、劳动力、资本、技术等传统要素相并列，把数据提升为一种新型关键生产要素，指出了要素领域的改革方向。数据智能化，也正是全球金融业转型的共同方向。 2022 年 1 月，银保监会发布了关于银行业保险业数字化转型的指导意见，为当前我国金融业的数字化转型指明了方向。指导意见强调金融机构应加强顶层设计和统筹规划，科学制定数字化转型战略。指导意见具体提出，金融业要从健全数据治理体系、增强数据管理能力、加强数据质量控制、提高数据应用能力四个方面提升数据治理与应用能力。金融机构要加强自身科技能力建设，加

7、大数据中心基础设施弹性供给，提高科技架构支撑能力，推动科技管理敏捷转型，提高新技术应用和自主可控能力。 回顾过去，信息技术应用始终伴随着金融业发展。1967 年，巴克莱银行首先推出 ATM 机；1969 年，智能卡问世；1982 年，银行引入电子支付；1995 年，网上银行开始出现；1999 年，挪威推出移动银行业务。可以说，金融业的发展历史本就是一部不断变革的创新史。 如今进入数据智能时代，大数据、云计算、区块链、AI、5G 等基础技术迅速发展，电商、线上社交的发达，为全新的数字金融创造了条件。 一切皆可智能化的时代，数据正在成为金融业基本业务单元和重要资产，数据经营能力也成为了金融机构关键

8、能力。可以预见，新型金融业就是在技术驱动之下的创新，数字化、智能化必将成为金融业新的核心竞争力。在金融业数字化转型过程中，不仅要依赖大量应用场景来形成数据规模化效应，企业更需深入理解客户和市场，以数据洞察来驱动企业行动，从而更好地获取、服务以及留存客户，实现业务增长。 一方面，数字金融具有数字化、场景化、普惠化等特征，以科技降低金融服务门槛，将更多长尾人群和小微企业纳入金融体系之中；另一方面，数据智能对金融业在经营、风控、监管等多方面都提出了更高要求。 据估算，全球数字金融市场自 2015 年以来年复合增长率为 7.9%，且增长率不断提升，预计到 2023年市场规模将达 1580.143 亿美

9、元。 我国的金融数字化走在世界前列，移动支付、数字信贷、智能理财、网络互助等发展迅速，深深改变了人们生活。2020 年我国数字金融用户总数超过 10 亿人，居全球第一。 2 技术的变革、数据的完善，尤其是人工智能进一步演进，将对金融业形成革命性颠覆，此前许多商业模式、金融机构、交易场景和监管手段都将发生变革，金融业将出现翻天覆地的变化，对于每个从业人员而言，都会产生重大影响。 3 摘摘 要要 在数据智能驱动下，金融业正处在爆发前夜。金融业的数字化转型大致分为三个阶段：首先，金融业从长尾用户切入，利用互联网优势，逐步打开市场。接下来，更多新技术应用到更多金融场景之中，数据智能转型加速，主流金融业

10、客群被覆盖。服务效率大大提升。最终，全新金融生态系统终将形成，金融服务底层逻辑也将发生根本变革。目前，金融业数据智能转型正发展到第二阶段。数据智能+金融落地场景全面开花。 在信贷风控领域，数据智能风控依托大数据、人工智能、云计算，发现影响评估风险的关键因子和系数，将多个维度的数据进行分析整理，形成新型金融风险评估模式；在智慧支付领域，大数据、人工智能的开放创新，加速了支付行业智能化进程。辅以云计算能力，支付机构实现了平台化智能数据管理；在供应链金融领域，借助物联网、人工智能、大数据、区块链等技术，未来的供应链与营销链将实现全程信息共享，这也意味着供应链金融和消费金融之间的界限将被打破；在保险领

11、域，险企通过建立数字化支撑体系，实现对客户的数字化洞察，进而打造精准匹配个性化、定制化、差异化产品与服务。 当前数据智能金融发展面临的难题与挑战，主要集中在数据层面、技术层面、场景应用层面，以及监管层面。如数据的合规获取、计算和治理、数据分级机制有待完善、人工智能尚不能完全做到自主决策、数据孤岛化严重等问题。智能金融尚处于“窄场景”“浅应用”的初级发展阶段。随着金融科技业务渗透逐渐加深，监管的难度也在增加。 智能金融的落地应用，在短期内主要以对传统金融业务进行赋能为主，从长期来看数据化、智能化的金融更强调业务模式创新。智能金融企业通过构建庞大的金融科技服务生态圈，实现金融组织形态多样化。 4

12、1 数据智能成为大势所趋数据智能成为大势所趋 数字技术不断重新定义商业规则，企业面临异常激烈的竞争环境，唯有转型，才能生存，唯有创新，才能发展。 中国作为数据大国，人工智能、云计算、区块链等技术与大数据相结合，推动各行各业发生深刻变革。数据的智能化成为大势所趋。无论是金融行业还是实体产业，想要在新时代取得长足发展，都不能回避数据智能的转型升级。 1.1 什么是数据智能？什么是数据智能？ 随着大数据应用的深入，单纯的数据统计分析早已不能满足企业的实际需求，于是基于人工智能的数据挖掘、数据建模等技术备受青睐。大数据的智能化，引领行业进入数据智能时代。 数据智能是指基于大数据引擎，通过大规模机器学习

13、和机器推理，对海量数据进行处理、分析和挖掘，提取数据中所包含的有价值信息，使数据智能化，从而得到问题解决方案或实现预测的技术。数据智能不仅服务于业务洞察，更能够实现数据驱动决策。 数据智能数据智能有有三要素：算料、算法和算力三要素：算料、算法和算力。 算料即数据资源，就是通常所说的大数据。通过不断归集，数据会越来越集中，呈现中心化趋势。正是因为大量数据的聚集，数据的价值也更大。 如专注于利用 AI 大规模处理 ESG（环境、社会和公司治理）数据的公司妙盈科技，一站式整合公开数据源、另类数据源中与环境、社会责任及公司治理相关的数据，覆盖超过 80 万家中国公司信息，包括所有 A 股上市公司、非上

14、市公司、发债主体等，为客户提供全面、独家 ESG 数据。妙盈科技整合了 400+个可验证的 ESG 绩效点。包括从政府网站，监管机构，非营利性组织获取的 ESG 另类数据，以及从上市公司社会责任报告中抽取量化及非量化的 ESG 数据。在此基础上，妙盈科技挖掘相关联企业与个人的潜在 ESG 风险因子，利用人工智能与知识图谱，实现 ESG 风险实时预警、精准推送。 算法即计算模型，主要依靠人工智能技术实现。 如腾讯 T-Sec 联邦学习就是一种打破数据孤岛、释放 AI 应用潜能的分布式机器学习技术，能够让各参与方在不披露底层数据或底层数据加密(混淆)形态的前提下， 通过交换加密的机器学习中间结果实

15、现联合建模。该产品兼顾 AI 应用与隐私保护，开放合作，协同性高，充分释放大数据生产力，广泛适用于金融、消费互联网等行业的业务创新场景。江苏银行与腾讯安全达成合作，共建智能化信用卡管理联合实验室，运用联邦学习技术的加密算法确保数据安全，将腾讯生态特征变量与江苏银行信用卡特征变量进行融合，实现双向赋能。江苏银行与腾讯安全基于联邦学习技术对智能化信用卡 5 经营进行了联合开发和方案部署，在保障双方信息安全的前提下，在信用卡接入规模化、盈利规模化方向上取得技术突破，并于 2020 年 3 月 6 日国内首家上线。 算力即计算资源，现在通过云计算的方式，企业无需自建计算资源。大数据云平台，可实现快速业

16、务开发集成，并大大简化了开发要求。云平台支持银行核心业务数据的存储分析，既提升了用户体验，又实现了高效内部风控。 如金山云打造的金融生态云解决方案，将公有云平台交付给大型金融机构，通过建立统一、云化、开放、兼容的云平台，整合大数据、人工智能、区块链等能力，实现金融机构、场景、消费者无缝连接。此外，金山云面向银行、保险、证券、基金、消费金融、交易所等金融机构，根据不同的监管要求，为各机构提供金融专属云、金融专区云和公有云等多种服务。金山云为某银行搭建的一套大数据云平台，有效解决大数据处理过程中分散且异构、规模和性能瓶颈等问题，该解决方案具备统一管理、资源云化、超大规模部署、敏捷开放、安全和高效六

17、大特征。 1.2构建数据智能时代的数据基础设施构建数据智能时代的数据基础设施数据智能平台数据智能平台 随着企业数字化、信息化建设的深入，数字孤岛问题也凸显出来，信息系统多样性与复杂性、内部数据与外部数据无法打通等一系列问题成为 IT 建设新难题。 数据智能平台是企业数字化运营深入阶段的统一数据能力平台，能够对数据资产按统一标准进行管理以方便数据可用，并满足企业对数据应用的敏捷开发、实时响应、简单易用、智能分析等需求，同时具备完善的数据安全机制。 为解决新旧 IT 系统和多云环境下数据互通互联问题，“数据中台”应运而生。 数据中台，属于数据智能平台，是数据、技术、产品、组织的统一体，更是企业开展

18、新型运营的中枢系统。数据中台需要能够对数据进行整合完善，提供适用、适配、成熟、完整的一站式大数据平台工具，实现更加便捷的数据采集、交换等任务配置以及监控管理。总之数据中台是一种新型公司运营理念。 2014 年，阿里巴巴从芬兰 Supercell 公司接触到数据中台概念后，开始在内部践行“大中台，小前台”的机制。到 2018 年，数据中台战略成为席卷互联网行业的变革潮流。这一年中，腾讯成立云与智慧产业事业群和技术委员会，打造技术中台；阿里云事业群升级为阿里云与智慧事业群，开始对外输出中台能力；美团打通大众点评、摩拜等业务之间数据，构建数据中台；京东建立数据中台部门；百度也把打造技术中台作为组织架

19、构调整重要方向。 数据中台具备多维能力。首先，数据中台帮助企业实现数据汇聚整合，完成数据采集、交换、集成等任务的可视化配置以及监控管理；其次，数据中台实现数据提纯加工，加深数据理解，得到高质量数据标签；再次，数据中台实现数据服务可视化，提供简便数据服务开发环境以及先进的数据分析能力；最后，数据中台打通数据驱动业务通路，跨部门实现业务价值。 6 需要注意的是，数据中台并非仅仅是工具和产品，而是一套数据运营机制，也一种整体战略选择和组织形式。此推动数据中台落地离不开战略级通盘考量、组织架构支持，以及优秀人才供给。 金融业数据中台需求有一定特殊性。金融业数据中台需求有一定特殊性。 首先，金融业务数据

20、依赖性强，对中台的需求也最强烈；其次，金融机构往往都有数仓和垂直数据应用，技术团队较完善；最后金融机构要求中台自主可控，对服务商要求也更高。 如数据中台服务商数澜科技就在金融领域具备丰富的服务经验。通过将数据生产要素注入金融客户业务全流程，数澜科技打造起场景生态丰富、线上线下协同、产品创新灵活、运营管理高效、风险控制智能的新金融生态。 在合规方面，数澜科技提供关联账户分析、异常交易识别、反洗钱可疑关系分析、合规知识库管理、监管报送前置数据质量检查等服务；在风控方面；提供交易反欺诈、企业风险实时监控、线上信贷信用评分、贷款逾期风险预警等服务；在营销方面，提供信用卡数字化经营平台、实时营销、客户行

21、为分析、智能渠道获客等服务，在运营方面，提供在线运营分析、业绩跟踪服务、网点画像和绩效分析、智能文档管理等服务；在投研方面，提供智能个股参数、金融知识引擎、智能资讯推荐、智能财报分析等服务。 再如香侬科技的智能化中台为金融行业提供更低门槛的 AI 建模平台，业务人员无需编码能力，可通过图形化拖拽等方式，快速构建 AI 模型，同时提供多种配置方式满足不同金融客户需求。 香侬智能化中台主要包括数据中台和 AI 能力中台。 数据中台对渠道和业务系统产生的数据进行汇集和处理，将非结构化数据转换成结构化数据，通过对数据进行统一治理和资产化管理，从而提炼数据的业务价值，向业务部门、业务系统和领导驾驶舱提供

22、自助式报表分析、自助式 AI 建模、数据标注等多种数据服务。AI 能力中台是一套完整的 AI 模型全生命周期管理平台和服务配置体系，能够基于数据平台服务, 提供对 AI 算法、模型服务的共享复用，并可以通过 AI 中台自带的 AI 工厂进行算法训练，实现研发流程标准、自动化和智能化，从而为前台业务提供 AI 构建的敏捷化能力支持。 1.3 数据智能崛起的背景和发展特点数据智能崛起的背景和发展特点 数据智能在中国崛起有着必然性。 一方面是因为近年来国家在新基建领域的巨大投入，使 5G、大数据、人工智能、云计算、区块链、工业互联等技术快速发展，数字新基建成为数据智能坚实底座。 另一方面，中国是世界

23、第一人口大国，移动互联网普及率极高，造就海量数据。中国社会复杂多元的结构，更是让数据具备多样化、复杂化特性。 中研产业研究院发布的2017-2022 年中国数据存储行业竞争格局分析与投资风险预测报告显示，2014 年我国数据总量达到 909EB，占全球数据总量的 13%，预计到 2020 年将达到 8060EB， 7 年复合增长率超过 40%。艾瑞数据显示，2019 年中国 AI 基础数据服务行业市场规模可达 30.9亿元，预计 2025 年市场规模将突破 100 亿元，年化增长率达到 21.8%。 近年来，国家相关部门出台了一系列政策，鼓励大数据产业发展。 2015 年 8 月，国务院发布促

24、进大数据发展行动纲要；国家发改委办公厅发布关于组织实施促进大数据发展重大工程的通知；2018 年 4 月，国务院发布科学数据管理办法；互联网行业提升网络数据安全保护能力专项行动方案；2020 年 2 月，工信部发布工业数据分类分级指南（试行）。2021 年，第十三届全国人大常委会第二十次会议对中华人民共和国数据安全法（草案）进行了审议，该法案对数据安全制度作出了详细规定。 此外环境保护部、交通运输部、农业部、水利部也发布过很多相关行业大数据政策。 在数据智能应用于金融业方面，国家也出台了一系列规定。2019 年 10 月，银保监会发布关于规范银行与金融科技公司合作类业务及互联网保险业务的通知，

25、央行发布个人金融信息（数据）保护试行办法中，明确指出了金融机构严禁合作的违规金融科技业务范畴，增加了对个人金融信息数据收集和保护的行为规范。 2020 年 1 月， 人民银行发布 金融科技创新监管试点应用公示 （2020年第一批），以“监管沙盒”的形式，探寻金融科技下的监管更优解。 近年来，我国数据智能产业高速发展，呈现统一化、集中化、深入场景等特征。 一是数据统一化。一是数据统一化。单一数据源已很难满足企业需求。如在营销场景中，通过微信小程序、线下门店、官网等方式进入的用户，需要做归一处理；线下零售场景，也须实现“人、货、场”统一调度，这就要求多种数据进行统一处理。 二是能力集中化。二是能力

26、集中化。业务中台之上的业务系统产生数据，不断反馈到数据中台，数据中台的能力最终由汇聚的数据种类和数量决定。于是，数据越多，数据中台能力就越强，马太效应凸显。 三是智能深入业务场景。三是智能深入业务场景。数据智能项目兼具 IT 属性和业务属性，解决业务需求需要深入到业务场景中，数据智能公司与场景融合得越来越紧密。数据智能服务商与客户之间的合作模式从单一技术赋能扩展到合作分成。这要求数据智能服务商对客户的应用场景深入理解，也意味着服务商替换成本的提高，客户不会轻易替换数据智能服务商。 我国金融业数据智能转型十分深入，在基础设施和商业应用方面都较为成熟。 基础设施方面，基础设施方面，数据智能正在重塑

27、金融基础设施体系。几乎所有金融机构都已将业务向云端迁移。同时，金融数据标准化、结构化特征明显，数据资产化程度很高。 商业应用方商业应用方面，面，2013 年起，大数据就开始应用于风控、反欺诈等领域，目前已覆盖从前端营销获客、到风控反欺诈，再到贷中监控、贷后催收的完整信贷场景。数据智能在很大程度上可代替业务人员进行审批、授信，推动了面向小微企业和长尾客群的普惠金融发展。 8 数据智能支持金融机构不断创新，提升业务适配度。比如针对金融机构巨量回访任务难题，金融科技公司容联云通讯开发了一套以机器人替代人工收集客户反馈的解决方案，该方案能实现外呼流程自定义号码去重、提升接通率，还可依据城市拓展业务查询

28、客户。 容联云通讯的智能回访人工替代率单周平均值新契约回访超 20%，离司回访超 35%。智能回访过程中，系统自动收集客户建议，并整理成工单反馈给客服人员，客服工作量大大减轻。通过智能语音机器人外呼后的数据有效筛出高意向客户，更是帮助金融机构促进了销售转化。 1.4 数据智能下的产业赋能实践和趋势数据智能下的产业赋能实践和趋势 智能技术在与各行各业相融合，撬动了规模庞大了数字经济。 金融机构也在不断加大对数据智能的投入，银行、保险机构是数据智能技术的主要购买方。据艾瑞咨询预测，到 2022 年，银行业在 AI 领域总投入将超过 220 亿元。不过银行业主要依靠与 AI 公司合作，采购相应的产品

29、和服务，2019 年采购规模占投入的 85%，但随着银行自建科技子公司，采购规模将有所下降。 数据智能数据智能+金融的落地场景主要包括智能营销、智能风控、智能客服、智能保险、智能监管、身份识金融的落地场景主要包括智能营销、智能风控、智能客服、智能保险、智能监管、身份识别、智能投研、智能投顾、智能管理等。别、智能投研、智能投顾、智能管理等。 智能营销方面，智能营销方面，大数据营销关键在于正确解读数据，而标签化则是数据分析的体现。一份成功的用户画像取决于企业采用那种标签分类方式。 如极欧科技携手中国银行青岛市分行，开发的大数据营销专享用户系统，该系统具备精准细分、高效识别、渠道整合、多元预测、可视

30、化反馈等强大功能。极欧大数据用户系统应用多维度标签分类方式，将用户的年纪、性别、地域、消费习惯等数据详细收录，为企业提供准确分析结论，方便业务与活动推广。 同时，极欧打造丰富的使用场景，针对地域标签，为银行目标用户推广了更具当地特色的活动内容，激发用户参与热情。极欧大数据专享用户系统还会实时汇总收集相关数据情况，方便企业查看，为企业衡量推广效果提供依据。 另一个数据智能应用的重要场景是风控另一个数据智能应用的重要场景是风控，数据智能可助力交易反欺诈、实时交易异常监控、企业风险实时监控、线上信贷信用评分、融资类业务风险集中监控、贷款逾期风险预警、风险管理驾驶舱等等。 在这一领域，互联网基因更重的

31、民营银行进行了有益探索。蓝海银行自主研发的“蓝镜”大数据智能风控系统，打造欺诈模型、定价模型、监控模型、信用模型、催收模型，将自动化风险筛选与人工信息核验审批结合，有效提升风控效率。 9 在智能风控方面，58 金融基于应用低耦合、业务高内聚思维，采用微服务架构自下而上分层进行平台建设，提供可插拔的灵活工程架构模块。基于大数据技术和机器学习算法，依托集团亿级用户数据，打造集反欺诈、信贷风控、智能获客、贷后催收于一体的大数据智能风控应用平台。例如，在车金融服务基础上提供基于海量车源、用户交易、评估检测参数等在内的人工智能估价系统服务；车况检测、认证、整备等专业技术能力输出服务，以及车辆的贷中预警和

32、贷后管理服务等。 此外，通过深入研究大数据商用技术，运用智能语音、用户挖掘、深度学习等技术手段。58 金融为近百家金融机构提供智能风控服务，实现大数据商用的规模化推广。 当前，数据智能赋能产业也明显表现出一些新的发展趋势。 一是一是 2C 向向 2B 转移。转移。随着我国数字经济转型不断深入，发展的重点逐步从消费互联网向产业互联网转化。数据智能应用于产业、服务于企业渐渐成为一大趋势。 二是数据中台重要性日益凸显。二是数据中台重要性日益凸显。由数据中台驱动业务中台，各类开放服务对前端应用可以做出快速响应，商业价值转化效率更高。 三是多技术融合。三是多技术融合。面对海量非结构化数据，单一技术很难解

33、决实际问题，深度学习、NLP、知识图谱等多种技术都将纳入企业的选择。 四是外部连接性加强。四是外部连接性加强。企业数据智能化的第一步是实现企业内部与客户的连接，接下来的一步就是打通产业链。核心企业的数据智能能力将会向上下游延展，带动产业整体智能化水平提高。 五是场景成为重要战场。五是场景成为重要战场。数据智能落地于应用场景，未来，场景服务能力，尤其是跨场景服务能力成为数据智能重要能力。如金融反欺诈，需要与前端流量获取等营销环节打通，需要根据场景需求使用数据，才能做好风控。 六是数据智能深入到执行层面。六是数据智能深入到执行层面。未来，更多业务决策、执行都将由机器来完成，人机协同程度也将不断加深

34、。 如慧安金科洗钱团伙识别解决方案，借助数据挖掘技术，对金融交易、账户群体数据进行分类分析、聚类分析、关联分析和时间序列分析等挖掘处理；结合复杂网络算法，输出最终认为可疑的洗钱团伙，同时对识别结果进行前端可视化展现，使团伙更加直观形象，提高审核效率。在识别过程中，慧安金科采用主动式机器学习分析数以亿计的账户信息和事件行为日志，进行全方位行为和关联建模，以识别账户之间不正常行为和关联异常。在前端团伙可视化系统中，则采用点边结合的方式，直观地对团伙进行展示，便于核查人员核查反馈，结合专家经验，不断迭代更新反洗钱模型，实现“人机结合”。 10 2 数据智能下的金融嬗变数据智能下的金融嬗变 随着大数据

35、时代的到来，以及云计算、区块链、人工智能等技术的发展及应用，中国金融业态正在发生深刻变革，金融行业迎来新的机遇和挑战。 2.1 传统金融的发展现状传统金融的发展现状与出路与出路 在“互联网+金融”的巨大冲击下，传统金融机构进入长期低增长的“存量时代”，客户黏性下滑、获客成本高企、客户覆盖范围受限等问题日益凸显。在此背景下，传统金融行业开始了全面数字化转型。 目前，在新技术的推动下，传统金融机构逐渐将线下服务向线上线下并驾齐驱的模式转变；不断拓展客群和场景，为更多小微企业、个人群体提供服务；有效控制、降低运营成本。 但与此同时，传统金融行业的数字智能化转型发展并非一帆风顺。不少传统金融机构数字化

36、经营能力不足；行业内信息壁垒与数据孤岛问题突出；人力资源结构也限制了传统金融机构的发展。 具体来看，数据智能将在三个方面对传统金融业进行赋能。 2.1.1 线上线下并驾齐驱线上线下并驾齐驱 曾经，传统金融机构获客方式主要依靠线下网点分销，以银行为例，其零售业务的存款总额往往与网点数量呈正相关。但线下获客方式存在成本高、触达客群范围小等问题。 如今，无论是新型金融还是传统金融的发展都离不开互联网带来的“流量”价值，传统金融服务逐渐从主要依托线下服务向线上线下并驾齐驱的模式转变。 随着越来越多的用户选择通过网银、手机银行等线上渠道办理业务，往日银行等传统金融机构网点客户排长队的现象越来越少。加上新

37、冠疫情的影响，“非接触金融”服务兴起，传统金融机构关停或者整合低效网点的速度加快。 银保监会官网披露金融许可证信息显示，2021 年上半年，全国共有 1332 家银行网点关停，其中包括各国有银行、股份行和城农商银行的地方支行、小微支行、营业所和分理处等，其中六大行关闭网点的数量达 487 家，占比 36.56%，占总数的三分之一以上。 表表 1：六大国有银行：六大国有银行 2020 年上半年关闭线下网点情况年上半年关闭线下网点情况 银行名称 关闭网点数量 农业银行 125 家 中国银行 88 家 11 建设银行 82 家 交通银行 76 家 邮政储蓄银行 68 家 工商银行 48 家 合计 4

38、87 家 制表：华夏时报金融研究院制表：华夏时报金融研究院 传统金融机构业务增量与物理网点数量的正相关关系正在弱化。以工商银行为例，截至 2019 年，该行网点数量比 2016 年减少了约 3%，但个人存款增长了 17.3%。 2.1.2 拓展长尾客户拓展长尾客户 除了扩展获客渠道，智能数字化转型让传统金融机构的服务可以覆盖更多客群和场景。一般而言，金融产业是典型的长尾产业， “20%的强势客户创造 80%的收益， 80%的弱势客户仅创造 20%的收益”，是传统金融业的发展规则。其中 80%的弱势客户被称为传统金融服务对象的“长尾”，这包括小微企业、三农以及大量个人客户。 在个人信贷业务上，传

39、统型个人贷款产品主要为消费类贷款，包括住房按揭贷款、汽车消费贷款、信用卡可用额、各种场景下的信用消费分期等。而传统金融机构偏好资质较好的客群。这类客户一般具有相对稳定的居住地点、相对稳定职业，且大多数拥有人行征信中心的个人征信记录。 在经营信贷业务上，传统金融机构会将抵质押品、期限、和价格作为重要考虑因素。中小企业普遍规模小、效益低、固定资产少，因此金融机构为了规避风险，更倾向于为大型企业提供服务。 现如今，通过人工智能、大数据、云计算等新技术，传统金融机构对借贷中各环节进行优化，包括传统风控中的金融数据，以及对借款申请人还款能力和还款意愿的风险特征进行描述。通过大数据，将多个维度的数据，例如

40、消费、社交等进行分析整理，以此达成金融新型风险评估模式。以此，金融机构可以不单一依赖于传统的金融信贷数据，并且可以对征信白户，即没有任何信用记录的人群进行风险审查，实现对更大消费群体的覆盖。 图图 1：五大国有银行：五大国有银行 2019 年消费贷余额（单位：百万元）及增速年消费贷余额（单位：百万元）及增速 12 注：此处消费贷特指除个人住房按揭贷款及信用卡透支以外的其他个人消费贷款。注：此处消费贷特指除个人住房按揭贷款及信用卡透支以外的其他个人消费贷款。 （数据来源：各银行财报（数据来源：各银行财报 制图：华夏时报金融研究院）制图：华夏时报金融研究院） 在对公业务方面，新科技风控能够帮助传统

41、金融机构建立项目评估规范化标准，通过大数据，扩宽授信企业数据获取维度，如税务、海关等，提升项目评估准确度，减少对抵押品的依赖。另外，新科技风控还能借助计算机改善传统项目分析，大大减少人为主观因素影响，解放客户经理在尽调等环节的工作量，通过数据驱动，提高贷款审批效率。 这也在一定程度上，降低了传统金融机构的运营成本。此前，传统金融机构受营业网点和营业时间的限制，业务办理、审批较为依赖人工，需要投入较大人力成本、物力成本、财力成本，且业务流程耗时长。大数据技术运用于信贷业务前，贷款需要很长时间的审核，尤其是线下取证、财务报表、抵押担保、审批流程、领导签批、最后放款等环节，时效相对较低。 2.1.3

42、 有效控制运营成本有效控制运营成本 目前，数字化与智能化成为传统金融领域信贷业务的重点改革方向。金融机构探索借助科技手段，实现有效风控和低成本高效获客的平衡。 此外，生物识别技术推进了电子签名、电子凭证在传统金融业中的应用，从而降低业务处理过程中对纸质材料的需求，减少了纸质凭证的消耗，有效控制运营成本。 还有多家传统金融机构尝试将区块链技术应用于信贷、清算等领域。区块链独特的信任机制，被传统金融机构视作创新风险管理、简化交易流程的关键技术突破。不过，作为新兴技术，区块链生态仍在建立过程之中，应用十分有限，诸多难题仍有待解决。 13 实际上，传统金融机构的智能数字化转型尚不完善，其中数据资源整合

43、能力欠佳，以及场景有限、流量小，成为传统金融机构发展的瓶颈。 疫情期间，不少传统金融机构暴露出数字化经营能力不足的问题。比如有些金融机构仅仅将线下打法搬到了线上，缺乏一套有效的整体规划和端到端实施方案，虽然坐拥大量客户数据，但无法深度挖掘出客户洞见，难以围绕客户体验打造“精准营销”，获客效果不佳。 其中，信息壁垒与数据孤岛问题突出。传统金融机构跨部门、跨条线协同机制欠缺，跨界合作的开放动力不足，组织间的利益冲突难以平衡，系统之间数据交流困难，严重制约数据价值的挖掘与创造。即便成功设计、开拓了线上营销渠道，许多金融机构仍无法有效打通全渠道链路，无法有效分配线下资源以赋能线上渠道。 另外，传统金融

44、机构在金融场景以外的场景中覆盖有限，而这些场景的入口和流量都牢牢掌握在互联网平台。 目前，传统金融机构的人力资源结构限制了自身发展。既懂金融业务、又懂信息技术的高水平复合人才，总体上供给不足。同时，传统金融机构与各种金融科技公司之间的人才素质和结构差异比较大，实现智能数字化转型的人才支撑有待进一步加强。 2.2 数据智能下金融场景的数字化转型路径和特点数据智能下金融场景的数字化转型路径和特点 总体来看，金融场景的数字化转型路径，要依托数据智能平台，搭建数据分析和应用的底层基础设施，提升全方位数据能力，包含数据采集分类、资产化管理、数据合规安全建设、数据价值变现等。 在此基础上，重构业务线的价值

45、链条。基于技术中台的能力，将企业内外部数据打通，由数据中台驱动业务中台，并利用业务中台的组件重构业务系统，包含运营、营销、风控、渠道分发、产品服务等全流程。 数据智能下，金融场景的数字化转型共分了三步，由浅入深逐步推进。 图图 2：金融场景的数字化转型阶段：金融场景的数字化转型阶段 制图：华夏时报金融研究院制图：华夏时报金融研究院 起初，金融场景从服务长尾用户切入，利用互联网平台的价值，改变市场用户的思维模式。曾经的传统金融服务存在着许多空白点和痛点，服务难以完全覆盖、融资难、融资贵、门槛高、不方便等问题不一而足。各种互联网借贷平台、理财平台通过技术手段，整合了碎片化的金融市场，让长尾市场的交

46、易额有了大幅的提升。 14 举例而言，在个人理财领域，支付宝模仿 Paypal 在美国推出的货币市场基金产品，在 2013 年 6 月17 日联合内蒙古一家小型基金公司天弘基金，推出了“余额宝”的余额增值服务。当年 10 月，百度与华夏基金携手，推出了百度金融中心的首项理财计划“百发”。此后，越来越多互联网理财产品出现，与此同时，银行也大幅降低了理财门槛，长尾客户在进行财富管理时，有了更多的选择。 此后，越来越多新技术应用到金融场景中，金融行业智能数字化转型加速，主流客群被覆盖，金融服务效率快速提升。例如，包括余额宝、朝朝盈在内，互联网平台及传统金融机构推出的浮动型货币基金逐渐被大众群体所接受

47、，主流客群理财习惯发生变化，理财产品市场结构发生变迁。如今，理财用户对货币基金的偏好已经超越银行储蓄， 排名第一。 根据调查， 截至 2019 年末， 我国有 49.2%的理财用户愿意将资产投放在货币基金中，46.6%的理财用户愿意将资产配置在银行储蓄。 未来，新的金融生态系统将形成，金融服务底层逻辑将发生根本变革。随着区块链等更多新技术的应用，可以判断的是传统的金字塔式、层级化、流程化的金融服务模式或将被逐渐消解，而网络化、分布式、场景化、数字化的新金融服务模式将建立起来。同时随着 5G 技术的落地和应用，实现实时智能的敏捷金融服务也将有望实现。 目前，金融场景的转型已经开始由第二阶段进入第

48、三阶段。而疫情更是给这一过程按下了“加速器”。疫情之前，一些金融机构对于推动数字化转型的还处于“边走边看”状态，金融数字化在一定程度上处于“离散式”推进状态；疫情爆发后，在供需两端的共同推动下，金融数字化发展实现“全面开花”，几乎涵盖了所有类型的金融业务、金融场景。 就具体场景而言，支付、风险管理、供应链金融等方面转型较快。实际上，每一次金融场景的变革和发展，都给人们的生活带来许多改变。 图图 3：主要金融场景的数字化转型：主要金融场景的数字化转型 制图：华夏时报金融研究院制图：华夏时报金融研究院 在支付领域，从传统的面对面支付、信用卡支付到扫码支付、刷脸支付，移动支付已经改变了人们的支付习惯

49、。如今，在支付端，指纹识别、人脸识别等基于大数据基础上的人工智能识别技术，被 15 应用于支付场景中，用来准确、快速认证用户身份。在收款端，云计算和大数据技术的广泛应用，促进支付与各线上线下场景的深度结合。 图图 4：支付方式发展路径：支付方式发展路径 制图：华夏时报金融研究院制图：华夏时报金融研究院 数百年来，金融服务业一直在利用客户和背景数据做出更好、更明智的决策。如果金融机构更好得利用数据，就能更有效保护自身利益并为客户创造价值。 近两年，物联网设备的激增，用户数据成指数式增长。未来，支付场景或将被互联网进一步改变。其中，物联网应用将推动最切实的发展趋势是支付接受网络的明显扩大。简而言之

50、，过去几年间，智能手机都成为了支付工具，移动支付被普遍接受，在接下来的几年中，所有设备都可能成为购买商品和服务的平台。 从智能音箱到智能传感器，从智能汽车到智能手表，物联网将成为现代消费者无所不在的全渠道网络。物联网也将有可能像引入信用卡一样，对金融行业产生巨大的变革。 在风控管理领域，运用大数据技术能够实现金融机构内部信息与企业征信、司法诉讼以及 POS 流水记录等第三方机构数据深度融合，借助机器算法构建专家决策系统和信用评分模型，基于对客户的综合信用考评实施差异化风险定价，能够最大程度提升贷款审批的效率，缩短业务办理流程，升级客户体验。 在供应链金融方面，区块链技术可以促进该领域的升级和创