时至2019，无论是零售转型还是科技转型，对银行而言已经是一门显学。但时光倒流至5年前，真正意识到两者之间底层关联的银行却并不算多。

从2009年到2013年，伴随着宏观经济增速的整体放缓，银行们的规模增长红利也已不可持续。而此际“余额宝”横空出世，对银行存款端进行了一次“敲山震虎”。

深刻领教了流量的威力和跨界竞争的能量之后，零售用户的潜在能量也触发了银行们的转型思考：失去了零售端，就意味着失去了获取低成本资金的可能，长远来看，这决定了银行是否需要冒进发展高风险业务，影响着一家银行的资产结构。

银行们开始真正意识到，商业力量的天平上，对C端流量的把控力正成为重要砝码，于是，迄今为止银行们最为重要的两项转型任务正式开启：战略方向的数字化升级和业务端的零售转型。

银行必须在更高阶的维度上打通支付结算、现金管理、供应链金融、电子商务、资产交易等既有服务内容，提供更完整的服务闭环，给客户体验和价值感的全面升级，才有可能在这场从低频向高频转型的金融攻坚战中获得成功。

而这一战略目标显然无法一蹴而就。银行们很快就发现，技术升级这并不是一个简单的命题。银行需要的是一个综合的整体技术解决方案。银行们囿于长期以来的金融基因，科技转型势必要借助一些外力。然而，寻找科技外援亦不是一件容易的事情。

瞄准银行转型痛点，试图掘金这一商机的科技公司并不在少数。从蚂蚁金服、平安金融壹账通等巨头为背景的金融科技企业，到氪信科技、同盾科技等近年涌现的科技新锐，大大小小不一而足。

不过，红海市场的好处就在于，江湖一片混沌，并不是巨头就一定会胜出，甚至，在一定的情境下，巨头因为牵涉了更多战略层面的博弈，无法成为银行们的最优选择，这为一些中小规模的创业型企业提供了机会。

而当所有技术服务商在强调大数据、智能科技、云计算等高大上科技词汇时，如何从中遴选出一个靠谱的合作方，每家银行又各有打算。

1

先来说说银行在零售转型过程中需要直面的现状。

麦肯锡曾在2017年的全球银行业报告中总结，数字经济时代，生态圈模式给银行带来的四大挑战：

客户脱媒——银行正在失去同顾客接触的机会，因为人们转向非银渠道，如消费信贷;

解绑——银行提供的众多产品服务正在被肢解，因为顾客可选择更优客户体验的单一服务提供商，如支付宝、微信支付等第三方支付;

商品化——银行的差异化越发艰难，因为消费者可以便捷地在线上获得理财产品的比价信息，如陆金所等;

隐形化——银行正在失去品牌认知度，即使顾客在享受银行的服务，也可能对银行的存在全不知情，如微粒贷中提供联合贷款的银行们。

这段总结完美呈现了银行在转型道路上所遭遇的窘境。零售转型在更大程度上暴露了传统银行在风控与获客上的技术短板，迫使银行从单纯的资金密集型向技术密集型生态迁移。技术的力量很有可能在这新一轮的转型升级中终结传统银行业的同质化竞争，决定未来银行的竞争格局。

银行们并非没有危机感，恰恰相反，从各家银行2018年报的披露信息来看，对科技研发投入的重视程度空前。

招商银行和平安银行在零售端的转型步调较为激进，而其科技投入亦不手软：前者科技投入达到65.02亿元，同比增长35.17%，占营业收入比重提升了0.46个百分点;后者IT资本性支出25.75亿元，同比增长82%，全行科技人力较上年末增长逾44%。而包括中农工建交在内其余各家上市银行，虽无明确数据，但从业绩描述来看，“金融科技”的成分也在不断提升。其中，作为银行直接触达客户、提高用户粘性的渠道，银行对APP建设的重视程度大大提高，下载量和月活用户数成为评判银行业绩的重要指标。工商银行和建设银行在2018年底App下载用户数均已突破3亿。

不过显然，这一切还远远不够。

某种程度而言，零售江湖里的用户，成熟度已经超越了银行。在过去十余年的时间里，早已被互联网巨头调教过的用户们，对产品和服务体验的要求已经很难被轻易满足。

与此同时，银行们在风控端面临的形势也日益严峻。

银行传统的风控思路多以个人为主体，对于复杂的洗钱团伙和长期历史数据的追溯识别效果不佳，导致了误报率居高不下。“抓不准”和“抓不全”两大痛点长期存在。而眼下，监管层对于反洗钱反欺诈的重视程度节节攀升。今年4月，金融行动特别工作组(FATF)公布了《中国反洗钱和反恐怖融资互评估报告》，再度强调了金融机构和特定非金融机构合规和风险管理水平有待提升。

表面看来，银行当下的痛点只是前端精准营销和后端智能风控，但银行真正需要的，则是一套能够从产品、服务、用户体验到数据、模型算法的完整技术解决方案。

而一切技术解决方案的底层算法基础依赖的是数据。移动支付年代，使用支付宝和微信支付已经成为国民习惯，这确实给银行带来了一定程度的数据断裂、连续性不强的问题。不过，这并不意味着银行就毫无翻盘机会。在AI技术的策动下，存量数据亦有变废为宝的机会。

2

一个有意思的问题是，所有的商业模式都在强调大数据、智能科技、云计算等高大上科技词汇，如何从中遴选出一个靠谱的合作方?

长久以来，大中型规模的银行招投标过程中，十分看重竞标公司的规模和行业地位。一个重要的原因在于，银行的内控机制较严，流程规范显得尤为重要，因此，一旦选定合作方更换成本相对较高。AI金融合作伙伴则更是如此，一旦选定，后续要更换合作方，可能还要为前人“排雷”，选一个门当户对规模大资质好的AI金融合作伙伴似乎是相对比较保险的方案。

但有意思的是，多家大行在选择技术合作方时突破了“门当户对”的既定范式。

图片来源：亿欧

氪信科技、同盾科技、第四范式都是较为典型的样本。以氪信科技为例，2015年开始，氪信科技先后与民生银行、招商银行及四大行展开合作，从最初为民生银行提供小微风控直至渗透到招行的零售风控、反欺诈延伸到营销、催收等各个层面，目前已成为四大行的合作方，解决数亿账户体量带来的智能金融业务挑战。

一家银行网金部门负责人告诉十字财经，相较以往，银行作出这一选择的背后有着更为细致深刻的考量。

“浅层的数据合作和技术外包显然不是今天的银行们真正需要的。巨头们的技术肯定没有问题，但现在来看，互联网巨头们达成深层合作的主体以中小银行为主，规模大一些的银行其实比较忌惮和巨头合作。无论是基于数据还是一些更高层面的战略博弈。而中小科技公司的竞争也十分残酷，要拿下大银行的订单，得提供更优的价格和更好的服务姿态，实际上需要不弱于巨头的技术能力和超越巨头的服务能力。”该人士总结称，要全方位胜出，关键的核心三要素：数据、模型算法、定制咨询能力，三者缺一不可，“数据层面，大家谈论金融大数据，主要的痛点是在强调金融数据之外的‘另类数据’。大家的数据源都差不多关键是数据处理能力。因此，模型算法的有效性和定制咨询能力往往成为银行选择合作方的关键。”

公开数据显示，央行征信记录基本空白的人群接近十亿，这类人群仍是一块金融处女地，但前提是银行有处理非金融属性“另类数据”并对其进行金融定价的能力。

知识图谱解决数据痛点生成金融画像的过程

“银行风控专家最痛苦的地方，就是另类数据无法按照以前纳入以往的评分体系。传统的银行风控建模要素都与资金流信息强相关，比如工资多少、纳税多少。但像个人移动互联网行为数据，却难以根据传统经验将其纳入特征变量。AI技术能够把这些覆盖高但关联稀疏的风险弱数据，提炼成上千维度的场景化金融属性特征变量。而传统银行拥有海量的客户存量数据，这是银行独特的优势，也是一个非常大的富矿，通过复杂集成建模来精准刻画用户的信用风险，能够做出识别率非常高的模型。”氪信科技创始人兼CEO朱明杰向十字财经介绍，“更重要的是，这两年监管对反洗钱和可疑交易监测要求很严格,以前国内监测个人的欺诈风险，主要是基于规则和个人上报，风险运营部门会用很多人工去找。但事实上，非结构化的、非金融的数据量激增，银行每天要处理的交易流水量，早已超出了人的经验范畴和处理能力边界。就需要用人的规则和以前发生过的欺诈事件训练机器去抓。我们成功使用图卷积神经网络GCN去处理海量交易数据，用于群体风险识别，通过列式计算引擎能够在15分钟内处理百亿级别数据，这在以前是很难想象的。”

而事实上，所谓一站式解决方案，要求AI金融合作伙伴拥有足够丰富的产品和各个子领域能够落地的解决方案。并且需要双方对于彼此在技术的边界或业务的要求上有足够深的了解。这不仅是一种能力上的要求，也决定了AI金融究竟能走多远。

“比如，你做的模型是一个黑盒，没有办法解释。但我不能只给金融机构一个结论，金融机构一定不能接受的，他需要知道为什么。这就好比AI应用在医疗领域，你不能只告诉病人AI模型诊断说要切掉一条腿，你一定要告诉他为什么。”朱明杰说道，目前业内对于通用模型的可解释性还没有出现特别好的解决方法，但在具体的金融场景里，氪信结合专家经验已经获得了一些技术突破，相关论文也发表在了AMCIS等学术会议中。“在具体的金融场景里，我们可以在某种程度上给出解释，比如用低维模型拟合高维模型，或是将AI模型里最重要的几个特征变量找出来，解释给业务专家听。”