本期嘉宾
陈洁
金年会新动力数字金融研究院创新研究部总经理
赵涵
金年会新动力数字金融研究院业务咨询部总监
■ Q1：从新动力数字金融研究院的研发方向来看，我们在零售金融领域的主要研发方向是什么，我们研究院为客户提供的服务是什么，有什么特点？
陈洁：新动力数字金融研究院是金年会打造的、业务和技术融合的新型研发机构。目前，主要有四大业务方向：科技咨询、平台与技术研发、数字零售金融、数字企业金融。赵涵是我们新动力在数字零售金融方向的大专家、领头羊。
赵涵：新动力主要聚焦零售银行数字化转型、智能营销和零售客户深度经营专业领域。我们主要向客户输出三项能力，即产品赋能、运营支持和咨询服务。以产品沉淀核心价值，以运营放大服务效能，以轻咨询延伸价值探索。特点总结起来就是“轻咨询、强赋能、灵运营”。
轻咨询：以“精诊断+速规划”迅速定位银行现状，输出有效建议。精诊断基于ITSDA零售银行数字化评估体系，帮助银行迅速定位、明确“起跑线”；速规划基于新动力零售银行数字化经营领域经验，聚焦经营子主题，提供“短平快”的咨询建议。
强赋能：“技术+业务赋能”全面强化零售银行数字化经营能力。首先是产品赋能——在营销、运营、渠道、分析和管理领域部署拳头产品，基于统一的数据标准，实现全栈服务能力，为银行补齐零售银行数字化经营系统平台；其次是集成赋能——向银行提供新、旧系统的集成与整合能力；其他还有流程赋能——协助银行形成并固化标准化的经营流程；以及业务赋能——引导银行挖掘新需求、迭代优化现有业务
• 灵运营：是指基于“内容+活动+用户”三个专题，帮助银行提升运营水平，增进收益效果。通过业务专家、数据专家输出持续业务策略、分析建模等专业能力，协同银行完成经营所需数字化运营工作。其中，内容运营——根据渠道特性，进行内容元素的管理运营，参与形成经营策略；活动运营——结合用户资源和经营策略，组织管理营销活动，实现获客和增长；用户运营——引入互联网玩法，推动MAU的增长以及向AUM的快速转化。
■ Q2：银行客户遇到了哪些挑战，从业务本质和技术赋能方面又提出了哪些新的需求？
赵涵：传统零售以物理网点为经营支点，提供面对面金融服务，突出的是经营环境的舒适度、服务的人性化和个性化。但近些年面对互联网平台的冲击、线下客户不断向线上迁移，数字化零售业务逐渐成为主流。数据显示，2021年银行业平均电子渠道分流率已达90.29%，线上服务生态不断成熟，对零售场景中的金融结算服务和账户体系的纯线上化支撑提出更高要求，非临柜、去介质的业务办理需求促使银行重新审视现有业务流程和风控核验手段，围绕客户体验重塑交易流程，构建数字化服务协同模式，实现多渠道一体化、差异化经营服务。
陈洁：我举一个例子来给大家说明一下，银行在零售数字化转型中遇到了哪些问题，以及我们是如何通过业务、技术、管理全方位赋能银行的零售数字化转型。
这家银行是金年会的老客户，是一家以对公业务见长的全国性股份银行，后面我们代称它为“X银行”。X银行近几年一直致力于补齐零售银行数字化业务的短板——在银行数字化转型的新阶段如何应用数字化工具，完成从用户运营到客户经营的无缝衔接，实现MAU+AUM的双重提升。X银行在数字化渠道升级、客户精准营销和精细化管理等方面进行了不少探索，但效果不够理想。
在这种背景下，金年会为X银行提供了从咨询到落地的端到端服务，帮助它提速零售客户经营数字化转型，取得了不错的效果。简单总结一共用了四招：轻型咨询、快速整合、灵智策略和动态支持。
首先，在前期接触和项目初期，采取“精诊断、速规划”打法，基于ITSDA零售银行数字化评估体系，帮助银行迅速定位、明确“起跑线”；这一过程中我们发现了五个关键问题并给出了五大方案建议。其中两点如下：X银行经过几年的零售数字化建设，已有完成了大部分的基础设施系统建设，但是这些系统呈烟囱状况；系统烟囱的背后，反映是业务的孤岛和流程的断裂。基于此，我们给出了“短平快”的咨询建议。一是，X银行应先进行零售银行相关系统的打通和集成；二是，X银行亟需成体系的零售银行数字化经营流程闭环。
接着，基于第一阶段的诊断结果和轻咨询方案，我们在神州零售银行数字化经营框架的指导下，聚焦“能力集成”和“业务流程”两个关键能力建设专项进行赋能，为X银行梳理并设计了零售银行数字化经营流程闭环，直接打通“数字资源→分析建模→运营策略→营销活动→客户触达→监控评估”的业务链路。
在系统和流程贯通的基础之上，金年会又通过提供数字化经营策略、数字化运营等服务，帮助X银行创造了更多的业务价值。项目组帮助客户共同完成了两项工作：一是构建了数字化客户经营策略体系，按照客户经营生命周期、事件营销和产品推广销售的类别，进行了存量策略的梳理、分类与更新；二是结合客户经营的重点主题、客群、关键节点等，共同构建新的经营策略，支撑更多的营销活动和运营服务。
最后，为了将数字化经营的理念、打法和动作完全渗透到业务经营的毛细血管中，项目组帮助客户完善并落实了一套数字化的客户经营指标体系，其中包括线上用户的运营指标和精准营销活动指标，使得各项业务过程和结果能够得以量化体现；通过丰富的数字化业务经营分析工具，为从一线业务人员到管理者和经营决策者都能够看得清、看得明、看得及时。
这四招是金年会近四十年银行数字化行业经验和项目经验的浓缩。我们致力于为更多客户提供类似这样端到端的服务，助力更多银行客户加速零售客户经营数字化转型，实现质效双赢。
■ Q3：研究院能为银行客户提供什么具体的解决方案或是服务？
赵涵：面向银行客户，我们在提供解决方案和服务时主要采取在应用端和数据端同时发力的策略。营销领域是我们在应用端的传统优势，推出了Sm@rtMarketing智能营销解决方案，该体系方案已经在众多银行得以实践，它可以帮助银行在客户营销和经营管理上实现更精准的触达、更敏捷的营销和更高效的管理。目前也有很多风险领域点的突破，比如反洗钱、反欺诈、关联交易等。在数据端有专为模型开发服务的模型工厂，也有为响应国产化替代号召的专业化数据迁移工具平台。当然，整个数据中台的产品线对标国外一线厂商，不同的是我们专注于金融这一细分市场，解决银行数据系统“提质增效”的问题。
■ Q4：Sm@rtMarketing智能营销解决方案是什么？能否总结一下它的特色之处？
赵涵：Sm@rtMarketing智能营销解决方案是为解决银行传统线下营销成本高、营销效率低等问题痛点，打造的一整套数字化营销综合解决方案，其基于实时感知、智能分析、精准洞察和自动化技术，实现了大部分零售客户的标签化，全渠道、多营销场景覆盖，线上营销流程自动化以及管理的实时监控智能化。
这套数字化营销综合解决方案，重点关注构建全流程闭环的数据链，从客户的商机触发开始就建立了完整客户旅程的路径规划，针对不同的客户画像和分层，有目的地提升客户转化，增加客户粘性，提升客户操作体现。因为是完整的客户旅程数据闭环，所以会把渠道引流与客户的后续动作关联起来考评，这样可以有序地发挥数据价值、为渠道端赋能。
构建闭环数据链的同时也注重构建流量生态体系。前期和主流的流量平台签订合作协议，将流量资源整合筛选后引入银行端，帮助银行解决自有渠道流量不足的问题。金年会长期深耕银行营销业务领域，深知银行客群特征和客户需求，可以便利地引入流量平台的资源和优势，有效帮助银行快速定位、触达目标客群。
Sm@rtMarketing智能营销解决方案的优势可以从“采、存、用、管”4个方面来总结。
采：自动化、实时
◢ 业务数据打通：有系统支持的业务活动，通过打通业务系统与数据中台，实现交易明细数据、分析数据的实时交互。
◢ 数据爬取：通过数据爬取方式获取用户互联网行为数据。
◢ 物联网应用：通过物联网获取工厂设备、物料等数据。
存：存得多、存得快
◢ 融汇统一：汇集原来分散于各业务系统中的数据，形成统一存储，便于交互和分析取用。
◢ 强扩展能力：基于Hadoop架构使存储扩展便为捷性。
◢ 区别存储策略：时间周期更细、存储形式丰富，可存储非结构化原始数据，无需结构化后进行存储。
用：自动、便捷、时效、创新
◢ 定制化开发：建立数据工具平台，为业务人员开放定制化查询服务、为建模人员提供个性化建模分析服务，从数据展示平台升级为数据分析平台。
◢ 快速数据分析：借助数据中台强大的计算引擎，开展更复杂、更深度的数据建模分析。如区域调拨应用，可综合考虑复杂影响因素，包括天气、车辆状态、路况状态等，快速计算出优化路径、调配方案等。如粉丝营销应用，可丰富多样的推荐算法。
◢ 数据挖掘：基于过程数据、历史数据的大量积累，开展创新数据挖掘应用，如客户画像、产品创新设计等。
管：质量把控、安全性、标准统一
◢ 数据质量管理：对于多方采集来的主数据、交易数据、分析数据在数据中台上进行数据质量的统计分析，出具质量分析报告，支持数据治理组织工作。
◢ 数据安全管理：划分数据安全等级，不同等级制定相应的数据脱敏、数据授权、数据访问（包括下载、访问、删除、修改）留痕策略。
◢ 数据资产管理：主数据、交易数据、分析数据都可以在数据中台做数据标准化与资产可视化，可以承载数据运营优化的需求。
■ Q5：Sm@rtMarketing是如何满足不同需要？
陈洁：刚才在介绍Sm@rtMarketing的特点时也提到了，我们会为银行客户提供定制化开发服务。在服务过程中，在与行方充分沟通交流、理解需求后，以行方的科技基础与业务发展诉求为出发点，通过模块的解耦与重组，提出最适合这家银行所处的发展阶段特点，同时又尽可能最大化产品应用效益的解决方案。
还是按照“采、存、管、用”这个顺序来给大家分别举例来说明：
在采这一方面，我们为某股份制行实施营销平台时发现，其数字化转型已经开展多年，有一定的数据基础，基本具备了360度资产视图的价值类数据，但针对客户行为的实时数据是缺失的。那么我们在数据采集端就集成了行为类的实时埋点数据，之后基于交易报文的动账数据和刷卡数据、资产数据，形成短、中长期客户画像，银行从而可以更全面地感知客户，为客户提供更贴心、更适宜的服务。
在存这一方面，传统的营销是基于营销模型和批量营销理念的。这类数据量不大，需要的存储资源也有限。但在大数据时代，随着银行渠道触点的增多，采集手段和时效性的增强，传统的数据存储模式已经不能满足要求。为此，我们在数据架构端特别设计了实时、准实时、T+1等数据存储区，利用Kafka、Flink等技术来处理和响应时效性高的客户事件，取得了不错的成效。
在管这一方面，特别要以业务需求为牵引，聚焦重点领域。以某国有大行进行的客户标签项目为例，在进场前，行里存在数套标签体系：零售标签、对公标签、互联网场景金融标签等，但这些标签之间是相互割裂、没有打通的。因此在进场后，我们按照“统——用——管”这样的思路把客户标签升级到了企业级。1）统：首先就为行方建立了统一的标签分类体系，针对这一体系，将现有的标签纳入统一框架，去除二义性和冗余的内容等；2）用：接下来，针对这些标签设计不同的场景应用，如零售财富客户的高潜预测和活动晋级、公私联动下的私行客户挖掘、工资代发识别等，让各部门深切体会到企业级客户标签更好用；3）管：最后就是建立管理制度，把每一个标签的维护落实到业务部门中去，对未来标签的上下架维护、如何使用、如何授权进行规范。这样建立了这个企业级客户标签体系的长期运营机制，让它持续有生命力。
在用这一方面，数据的分析与应用一直以来是智能营销的重点，也是难点。“用”数有两个层面含义：一个是为管理层做决策支持，第二个是为一线客户经理做经营支撑。这里的第二个是金年会Sm@rtMarketing的一大特色。某个城商行客户，希望能够通过Sm@rtMarketing 快速见到业务成效。那么我们就通过在该行“开门红”的活动中，帮客户选择试点支行，对试点支行当地客户进行精准分析、精确画像，找到了符合细分客群画像的专属产品，再加上智能营销筛选出的权益、渠道及话术的支撑。最后这次试点活动效果相比传统批量化营销实现了翻倍，用实际业绩打动、折服了客户。
■ Q6：线上线下一体化营销如何实现，是否有具体案例可以向大家介绍一下？
陈洁：我认为银行线上和线下的渠道，一定要是一体的、打通的，也就是我们所说的“全渠道”。只不过线上和线下渠道属性不一样，所承载的职能有所侧重。线上渠道具备延伸半径长、成本低等等特点，适合服务于广大长尾客户；再结合数字化、智能化的新特点，就能够做好标准金融产品的个性化推荐，所谓服务千人千面的标品推荐。而线下渠道，可以跟客户面对面，更有温度，能够更好地服务客户的复杂金融产品定制化需求，适合提供1对1的贴身规划服务。
而现在做一体营销数字化时，几乎都是打通了线上线下渠道，提供一体化营销。比如最近在为某家股份制银行做财富管理数字化规划方案，我们在线上渠道部署了一个小的财富规划模块，用户可以自助地选择一些理财用途的生活场景，系统也能很快给客户一个资产配置方案。通过“推送”和“预约”功能最终将线上与线下渠道打通。具体来说：一方面主动将客户在线上的财富管理需求，推送、反馈到管户经理手中；一方面为客户提供“线下财富规划预约”功能，客户可以在APP中预约线下的进一步财富规划。并且我们在线下配置了一套完整的财富规划软件，管户经理会当面基于客户的收入、资产、支出、风险偏好以及理财预期情况，精确地测算出目标GAP，针对这个缺口给出适合的理财、保险、基金甚至信托的组合配置方案。这个规划就实现了线上和线下渠道的无缝衔接。
■ Q7：在数字零售金融的研究方面，围绕着数据资产有哪些深入的思考和成果？
陈洁：数据作为资产来看待，是未来的趋势，大家都说“数据是新石油，而且取之不尽用之不竭”。
既然数据资产这么重要，我们就要最大化利用它。但我们回顾过去10多年的数据管理过程，就会发现过去我们对于数据并没有管理好，因此用起来也会很费劲。过往的数据管理仅仅是技术部门的一厢情愿，业务部门参与度不够，导致“两张皮”。当然这不能怪业务部门，因为业务部门没有体会到数据管理产生的价值。
因此我们认为，现在的数据管理已经到了一个新阶段，思路首先要转变，要把原来重点数据治理向数据运营的方向上转变。数据运营是要有参与方的，核心就是业务使用部门、数据管理部门、技术开发部门。这三个部门在一个平台上协作，才能高效地把数据使用的、管理的闭环构建出来。只有闭环构建起来，才能通过运营迭代的方法，快速发现数据使用和管理中的各种问题，比如说质量、标准化、元数据描述等。这里也分享一个经验：做好数据资产的可视化，也就是数据资源地图，让业务部门尽可能方便地找到数据、运用数据，是最关键、或者说最有效的一环。
赵涵：数据资产统筹管理的目的是形成银行体系化的数据资产视图，支持全盘把握与科学分析、清晰查看及快速使用、智能调度与高效管理，促使完成“从数据转化成信息，从信息转化成知识，从知识转化成决策”的增值过程。
数据标准层面：需要优化完善数据标准规范，完成基础数据标准和指标标准来源的探查，细化到源系统，后台表，字段级别，形成一套覆盖数据标准的编制、维护、应用、监督的管理体系。
数据质量层面：明确数据质量管理各相关方职责，优化数据质量管理流程，修订数据质量相关管理制度，保证数据质量管理工作的持续运转，形成“事前预防、事中监督、事后改善”的全面数据质量管理体系。
数据安全合规层面：制定数据安全管理策略，保障数据安全合规。按照国家政策法规相关条款和当前数据保密性要求对数据进行敏感程度评估，划分至不同敏感级别；明确不同级别数据在监管审计、加密等场景中的安全管理要求，制定数据安全管理策略；在系统建设过程中将数据安全管理策略固化为控制规则，保障数据安全合规。
数据生命周期层面：完善数据生命周期管理策略，提升服务和运维效率。根据数据活跃度、安全管理、及时性、存储成本和运维成本要求等，制定完整的数据生命周期管理策略，覆盖数据存储分级、数据存储周期和服务级别划分三项内容；建设数据生命周期管理工具，并根据数据生命周期管理策略对历史数据进行归档、清理、查询、使用。