據銀保監會資訊，截至今年二季度末，我國金融機構資管產品餘額近82.9萬億，其中銀行理財餘額24.5萬億，資金信託計劃餘額17.7萬億，保險資管3.4萬億，其他產品還包括公墓基金、私募基金、證券公司資管、基金資管、期貨資管等。銀行由於網點多、使用頻率高等特點，一直是資管產品最大的銷售渠道。

在金融開放的大背景下，銀行資管正面臨外資投行和國內其他金融機構的雙重蠶食。2017至2019年，銀行資管規模一直穩定在22-23萬億的規模，而同期公募基金、私募基金餘額分別從11.6、11.1萬億增長至14.77、14.08萬億，合計增加6.15萬億。另一方面，今年4月1日開始，我國正式取消外資對證券公司、公募基金管理公司的持股比例限制，外資投行正在加速湧入中國市場。傳統銀行亟需透過技術創新等手段提升資管業務的競爭力。

銀行資管業務被蠶食 AI打造智慧營銷

2019年，央行在《金融科技（FinTech）發展規劃（2019-2021年）》中，提出運用現代科技成果改造或創新金融產品、經營模式、業務流程等，推動金融發展提質增效。但是由於合規要求和隱私安全的考慮，銀行對資料的使用一直十分謹慎。這妨礙了AI技術在金融領域的應用。

聯邦學習技術在保護本地資料的同時，允許擁有資料的多方聯合建模，從而真正實現大資料AI深度學習，提升模型效能。目前，聯邦學習已經在一些關鍵的金融領域取得了進展。例如，江蘇銀行攜手騰訊，運用"聯邦學習"技術對200餘個業務指標進行篩選與聯邦建模，疊加銀行自有風控模型後，信貸審批准確性顯著提升。

採用縱向聯邦學習技術，銀行在保證資料隱私的前提下，和外部網際網路平臺等合作渠道實現資料互通，從而提升資管產品營銷的效率。銀行可對自身擁有的客戶資金資料特徵完成建模後，將中間資料上傳至聯邦，與外部網際網路平臺上傳的客戶資訊中間資料進行聯合建模，利用多維度的資料提升模型效果，更精準的完成廣告投放，提升使用者點選率，同時還能進一步跟蹤使用者點選轉化效果。例如，據微眾銀行披露，其透過聯邦學習開發的聯邦推薦等技術應用在銀行短債基金收益寶推薦產品中，點選率提升52.1%，購買率提升10.7%，轉化率提升48.01%。

聯邦學習+產品推薦 提升獲客與轉化

交叉營銷也是銀行銷售資管產品重要方式之一。網點不足的股份行、城商行往往會藉助國有大行或者非銀金融機構代銷產品。而單一銀行往往資料不足，進行機器學習的模型效果不佳，橫向聯邦學習技術正可以幫助銀行提升資管產品交叉營銷的轉化與獲客。

首先單一銀行先對自身客戶資料進行分析和特徵工程，按照體系框架梳理好基礎資料，再結合資管業務需求完成本地推薦模型學習，再將模型權值輸送到外部，和其他銀行資料合併後進行聯合建模學習，提升推薦準確度，得到的聯合模型結果再返回各家銀行。

透過聯邦學習得到的模型結果，一方面可以注入資管業務執行流程中，提升推薦的轉化率和獲客率；另一方面也可以作為銀行自身的大資料資源，注入到其他業務中或用於資料分析等方面。以廣州銀行為例，透過採用聯邦學習技術得到的模型結果，一方面被用於資管業務單元，另一方面被匯入該行搭建的阿爾法統一資料分析平臺，持續為全行業務服務。

場景化獲客成趨勢 聯邦學習不可或缺

隨著經濟和社會的發展，使用者對金融的需求日益複雜，逐步形成了中產階級、養老人群等特徵明顯的客群。同時移動網際網路也在深刻改變著使用者習慣，包括主動獲取資訊、自主選擇渠道、決策過程趨於複雜等。

這些變化都要求金融服務進一步下沉，深度融入使用者的日常生活和行為中。所以銀行業未來發展的關鍵是如何找準不同客群的主要生活場景，並將金融服務無縫銜接進去，這就對銀行運用科技的能力提出了更高要求。

聯邦學習技術為銀行在保障資料安全的前提下使用大資料技術提供了可能。透過縱向聯邦學習、遷移聯邦學習等技術，銀行可以利用自身資料和外部資料進行深度學習建模，對使用者進行更全面的畫像，精準把握不同場景下的使用者需求，評估安全風險，實現精準獲客和轉化。

對銀行來說，最重要的是獲客。未來客戶使用金融服務的場景不在銀行網點內，而是在各種生活場景中。如何更好的使用聯邦學習等AI技術，將成為在競爭中取勝的重要手段。