在2022WAIC商業AI高峰論壇上，Datatist畫龍科技聯合創始人祁雲峰圍繞商業AI在金融領域解決方案和效果展開了分享。

以下為祁雲峰在2022WAIC商業AI高峰論壇的演講實錄：

今天主要分享Datatist畫龍科技在金融行業一些案例和探索，後面也會有各領域資深專家做更加深入的分享。

剛才宋博士分享了商業AI智能運營包含了主要架構、功能模塊、內容、場景等運用在金融行業，我來分享一下具體落地的場景，以及金融行業的成功案例。

銀行業案例

先從銀行業開始分享。在過去兩三年裡，Datatist畫龍科技幫助一些銀行從整體數據架構，到運營平臺的搭建，再到運用場景的落地，比如促活、綁卡、促進消費、信用卡營銷、APP促活等，各個方面都有深入探索，收到了不錯的成績。

首先從最底層說起，搭建AI智能運營體系需要具備一個數據營銷特徵庫。Datatist畫龍科技曾幫光大銀行整體建設了營銷特徵庫，基於營銷特徵庫來去支持銀行整體AI運營的訴求。因為不同的業務部門，包括零售金融、信用卡、網金部門等，對運營都有不同的訴求，有些部門要營銷汽車貸，有些部門要賣理財產品，有些部門要促進信用卡開卡等，這些業務訴求最終會對金融科技有不同的需求，整體來說包括以下幾個方面：

首先是決策。各個部門要搞活動，目標客戶是哪些人、推什麼理財產品都需要做決策，同時也想如何能最快速的開展活動，並直觀看到真實的活動效果。當多個業務部門同時提需求，作為科技部門，如果沒有一個好的平臺支持，是沒有辦法應付這樣海量需求的。

Datatist畫龍科技商業AI技術可以很好地解決這個問題。下面以某股份制銀行為例解讀商業AI技術是如何做的。首先最底下有業務數據，中間有模型層，模型層把模型翻譯成畫像，最終再把用戶畫像映射到業務。

為了數據可以跑起來，核心是需要我們打通各種數據層。基礎層的各種業務數據，包括存貸款、貴金屬、理財、基金等，主題層的客戶級主題、業務級主題、交互行為級主題、活動和產品級主題等。有了這些數據之後，為了支持AI運營，最重要是要把這些數據做成三個用戶級的特徵，包括客戶級特徵、活動級特徵、產品級特徵，這也為了讓上層運營模型能夠跑起來。

有了特徵之後，針對各個業務場景有一些模型，有用戶靜態模型、用戶偏好模型、用戶生命週期和轉化的模型、活動偏好模型、產品偏好模型、用戶行為預測，這些都是運營平臺必須構建的一個層次。

有了模型後，為了賦能各個業務場景，避免模型看不懂、不會用的情況，需要把模型翻譯成畫像。智能畫像把模型結果翻譯成業務語言，方便業務使用。目標人群選好了之後，在通過優化渠道、權益、產品等，就可以應用到各個業務場景上了。通過平臺對這些運營場景批量營銷，當然，這些營銷中有一些是基於很觸點而實施的營銷，也有一些基於部分分享裂變的營銷。

上面這個案例是講偏底層的，接下來分享一個賦能業務智能運營體系的案例。

銀行貸款產品運營，從用戶整個貸款生命週期來看有很多關鍵運營節點，比如拉新、促活、復貸……為了支持這些關鍵節點的運營，Datatist畫龍科技的做法是在每個關鍵節點上都安上智能AI預測模型。如果銀行有近億萬的私域用戶，這裡面哪些用戶有貸款需求，都可以進行精準挖掘。

除了內部數據，還可以和外部數據做交互。Datatist畫龍科技可以用域內的數據調取域外數據，通過域外數據對域內的數據做補充、去挖掘。有了數據決策之外，對具體落地的話也有幾種服務模式。一種是線下模式，線下稱為“潛客雷達”，主要通過模型挖掘出線索商機，通過線索商機分配到客戶經理進行轉化。除了線下模式，也可以做線上模式。線上模式基於推薦，比如說資源位推薦以及其他各種線上活動，保證銷售線索的轉化。

剛才講了銀行貸款產品如何運營，接下來分享一個銀行信用卡產品運營的案例。Datatist畫龍科技團隊的科學家之前在TD BANK（一家海外銀行）針對行內的用戶進行挖掘，哪些用戶有辦信用卡和辦分期的訴求，整體方法有數據，有特徵基礎之上，通過模型挖掘哪些用戶有購買意向，得到了非常好的營銷效果，協助TD Bank新增5億美金收益！

針對信用卡銷售，主要的做法是促活。促活對象是銀行信用卡長尾用戶，針對這數千萬的長尾用戶，不是所有用戶都開過信用卡，也不是所有用戶都在APP上活躍。這時Datatist畫龍科技通過模型去預測最有意向開戶和活躍的用戶，最後信用卡開戶數量提升3到4倍，用戶活躍度也提升了5倍。

證券行業案例

證券公司有不同的部門、不同的業務、不同的訴求。互金、財富管理、綜合管理、其他業務等各部門都有它自己的業務目標和訴求。我們從整個用戶生命週期角度，從用戶註冊入金、用戶註冊活躍、整體價值度提升、場內場外各種產品、提升用戶價值……如何通過用戶全生命週期運營提升用戶價值。

首先講拉新，之前的分享有提到，Datatist畫龍科技權益聯盟可以通過券商一些課程或者一些權益，實現精準拉新。主要把模型放在第三方流量平臺，找到最精準有意向的用戶，實現精準拉新。

拉新後就是有效戶運營。有了新用戶後，就要促進用戶入金，在促進入金有很多做法，用模型預測哪些用戶有機會入金，這些用戶的權益偏好是什麼，然後觸達用戶。通過測試Datatist畫龍科技模型預測出來用戶，轉化率整體提升了2倍左右，而且隨著人越多，優勢會顯得越明顯。

券商企業在互聯網金融業務還有一個非常重要的運營場景是用戶促活。特別是APP促活，先要對用戶進行拆分。用戶有不同的活躍等級、有不同的偏好、在不同階段不同的需求，這些都可以先用模型拆分出來。把用戶拆成高、中、低活躍，再把用戶拆成各種不同功能板塊，把用戶現在以及未來意向度預測好，預測好對接觸點。

Datatist畫龍科技曾為某券商企業做全生命週期的智能運營，打通線上各種運營觸點，活動、產品位、彈窗、搜索框等等，讓這些觸點找對人。找對人找對觸點，事實上對接一些產品和資源的情況，就可以在這個平臺之上去實施各種運營策略。根據用戶瀏覽意向，推薦體驗券，或者體驗現實產品，判斷用戶是不是在線上購買成功，後續再做一些運營。

我們為某券商企業打通二十幾個運營場景，線下這個平臺最多可以支持3000多個運營策略在跑，下發到不同分支機構，可以自己定義自己的運營策略，相當於線上的部分，整體用戶盤活，做出效果。

保險行業案例

Datatist畫龍科技在保險行業有幾方面的探索。一是自動化，保險運營流程中裡面有很多關鍵節點，針對各個節點都可以自動挽回。實際上對於保險運營有一類就是斷點營銷，嚴格意義上來說跟模型沒有太大關係，它屬於商業智能，商業智能不一定都是AI，決策也是一部分，我們認為斷點營銷，做用戶挽回，這也是一類策略。

另外一類策略——交叉推薦。通過預測車險用戶中可能購買健康險的用戶，然後用電銷、線下代理人的方式做觸達、轉化。Datatist畫龍科技曾幫某保險企業節約60%電話人工成本，毛利率提高5.9倍，賦能分公司扭虧為盈。

保險App渠道用戶智能運營如何做呢？保險企業很多時候會做暖客，通俗講就是用權益去促進用戶活躍，這也可以用模型去預測。不同用戶有不同權益的需求，沒有必要給所有人都發同樣的權益。最終幫助保險公司用原來1/3的權益成本，達到了同樣的促活效果。花更少的錢，可以達到同樣的促活效果，甚至比之前做得更精準，可以拉動更高的月活。