(网经社讯)摘 要:2017年以来，中国移动互联网进入到存量经营阶段，移动金融智能技术得到广泛应用。生物识别、智能客服、智能投顾、智能推荐、智能数据平台等智能技术正在帮助金融行业提升客户体验，简化交易流程，丰富金融产品，降低运营成本，提供更加便捷的金融服务。移动金融智能技术发展还面临着复合型人才缺失和数据科学应用能力较弱等挑战。

移动金融是指使用移动智能终端及无线互联技术处理金融企业内部管理及对外产品服务的解决方案。移动金融技术是支撑移动金融发展的基础技术平台和应用技术，包含移动金融开发框架和架构，以及完成金融服务所需的应用技术。其中移动安全技术和智能应用技术成为移动金融技术发展趋势。

移动金融智能技术主要关注人工智能等技术在移动金融服务过程中提升客户体验、提高服务效率、降低服务成本、提供专业服务等方面的应用。包含生物识别、智能客服、智能投顾、智能推荐、智能数据平台等智能应用技术。

一、金融行业智能技术应用和案例分析

相对于互联网行业，金融行业在移动互联网智能技术应用方面较为落后，主要原因是其线下网点的收入占其业务收入比重比较大，更多的技术资源和投入都放在了线下网点的智能设备，例如ATM、VTM、智能机器人等。但是随着客户逐步转到线上，到线下网点办理业务的人员越来越少，年龄越来越大，金融行业开始重视移动金融的智能技术应用，包括人脸识别、智能客服，智能推荐引擎和智能数据平台。

（一） 招商银行手机银行摩羯智投顾

招商银行管理的个人客户金融总资产达5.4万亿，理财资产管理规模达2.3万亿，金融资产托管规模为9.4万亿。2016年12月，摩羯智投诞生，是中国银行业首个智能投顾系统，也是目前国内最大的智能投顾。

在摩羯智投的创收中，大类资产配置的贡献度是非常高的，同时，基于多象限风险预警矩阵的模型计算，对市场进行风险预警，帮助客户进行一键优化，对收益的贡献也起到了很好的效果。摩羯智投的智能投顾由两部分产品构成：智能的投资组合和智能的交互服务。目前推出的是第一阶段，这和国内外所有的智能投顾处在同一起跑线上，下一阶段摩羯智投会重点进行智能交互的应用。

招商银行首次公布了摩羯智投的最新进展：截至2017年10月底，摩羯智投规模突破80亿元，获得了7.85%的平均回报率，收益最高的组合回报率超过10%，组合波动率和最大回撤控制良好。

（二）国泰君安的灵犀智能机器人

中国证券行业投资者总体1亿多人，全行业具有投资顾问资质的人仅有3000多人，平均每个投顾要服务的客户多达3000多客户，大量投资者无法获得专业的投顾服务。为了服务大部分投资者，证券公司需要利用智能投顾来服务这些大众投资者，其他的投顾人员主要服务一些高价值客户或者优化智能投顾的投资策略。

券商中在移动金融智能化应用比较领先的企业是国泰君安。其在2017年11月推出了证券智能化服务机器人君弘灵犀。国泰君安网络金融部副总经理毕志刚介绍，国泰君安的君弘灵犀智能机器人主打“全程伴随，场景化、智能化的线上服务”。从科技角度来分析，其背后的技术支撑是大数据、机器学习、标签体系、智能匹配、量化策略、语义分析等金融科技技术。在行业内首次提出并实现智能客服、智能投资和智能理财三位一体的智能服务框架，为国泰君安客户提供全方位的智能化投资服务，既提高了客户体验，也提升了服务效率，降低的运营成本。

君弘灵犀智能机器人包含30+核心功能，包含原来传统券商的线上服务功能和部分由人工提供的线下服务功能。其中很多功能都由大数据技术和人工智能技术来支撑的，包括智能选股、数据解盘、智能诊股、相似K线、账户分析、异动雷达、智能优选、策略定投等。君弘灵犀的每一项功能都基于对用户和数据的深入分析，根据用户投资偏好为客户定制的投资策略。

智能服务框架的核心特点是强化对用户的精准洞察力，提供符合用户需求的投资服务，强化“全程伴随用户的投资决策辅助平台”的概念，贯穿用户投资的全生命周期，例如如何选股、如何分析股票、何时选择买卖时机、如何配置资产和规避风险等。

（三） 平安保险的智能保险云服务

中国平安在大数据和人工应用上走在行业前沿，其在集团层面建立的大数据应用部门，数据科学家超过500人，首席科学家是国家千人计划专家肖京博士。平台集团整体科技研发人员超过两万名，年投入研发资金超过70亿元。在人脸识别技术、预测和决策AI技术、自然语言处理、声纹识别技术、等领域取得了较多成果，其中人脸识别技术处于世界领先水平。平安保险将人工智能和大数据技术成功应用于移动金融智能服务，通过图像识别技术来帮助保险公司及时定损和反商业欺诈。

平台保险2017年推出的“智能保险云”采用了平安科技的AI技术，利用移动App为载体，为客户和服务人员提供灵活接入、快速升级、全程响应的智能化服务，并将这些能力通过云服务的形式开放给合作伙伴。智能认证技术利用大数据和远程图像识别技术对保险公司的投保、理赔、客服、保全等传统模式进行智能化创新，同时也对保险行业未来的远程线上移动服务提供技术支撑。

智能保险云开放的移动金融智能服务主要是利用人脸识别、声纹识别等人工智能技术为客户完成认证，建立起生物档案。该技术使保险行业实现“实人、实证、保单”三合一的“实人认证”，将保险行业长期不安全、不便捷、不省心的痛点通过人工智能技术进行解决。

智能闪赔是另一核心技术。借助于高精度图片识别、秒级定损、精准定价、智能风险拦截等技术来帮助车险企业实现实时发现风险、实时车险理赔定价、实时车险赔付。这是目前国内车险市场上唯一已投入真实生产环境运用的人工智能定损与风控产品。基于“智能闪赔”技术，2017年上半年平安产险处理车险理赔案件超过499万件，客户净推荐值高达82%，智能拦截风险渗漏达30亿元。

二、互联网金融行业智能技术应用案例分析

（一） 支付宝人脸识别技术应用

支付宝最初的人脸识别技术是同Face＋＋[1]合作一起开发的，经过几年的发展之后，支付宝建立自己的人脸识别团队，并逐步开始掌握人脸识别的核心技术。支付宝人脸识别技术比较低调上线，主要是担心社会舆论反应比较大，没有进行大规模宣传，在利用人脸识别进行认证和支付时，需要加上活体检测技术，降低欺诈的概率。

通过数十亿张人脸图像数据的训练后，支付宝人脸识别系统的准确率已居于国内外领先水平，机器对人脸的识别已超过肉眼。人脸识别技术是建立在蚂蚁金服多层次、闭环的安全技术体系之上的，具体包括终端与系统攻防保护、身份认证、风险识别与评估、风险决策与管控、核查与深度分析五个环节。

（二）京东金融智能风险识别

京东金融在移动金融智能风险识别探索较早，主要原因是互联网金融早期发展过程中，欺诈用户比例较高。具业内人士介绍，互联网金融坏帐中，在早期70%的用户是欺诈用户，逾期贷款根本无法追回。

京东金融在移动金融App中嵌入了SDK数据采集代码，进行移动端行为数据采集，在大数据和人工智能技术平台，通过设备识别、人机识别、生物识别等技术建立了异常登录模型和账户等级模型在内的全方位账户安全体系，识别出高风险的欺诈用户，保障正常用户的账户安全。从多个维度来对实际登录行为进行判定，比如在手机端，通过手摁在屏幕上的力度和申请时间长度来判定是不是本人操作；在PC端，则是通过评估鼠标的轨迹来判断是否是恶意攻击。

京东金融风控建立路径轨迹分析模型和基于大规模图计算的涉黑群体挖掘模型。路径轨迹学习模型就是通过判断正常用户和异常行为用户浏览点击的不同轨迹来区分用户的好坏，进而做出风险预警。基于图计算的涉黑群体挖掘技术，通过RNN的时间序列算法，对于风险用户识别的准确率可以超过常规机器学习算法的3倍以上，京东金融这项研究成果已经被欧洲机器学习会议的PKDD2017收录，得到了国际上的权威认可。

（三）宜信智能投顾投米RA

据波士顿咨询公司（BCG）2017年4月发布报告称，中国高净值家庭数量已超过210万，到2021年，中国将形成一个规模达110万亿的高净值财富管理市场[2]。中产阶级也有巨大的财富管理需求，其可用于财富管理投资的资金超过50万亿人民币，中产阶级的主要理财方式还是以购买银行理财产品为主，缺少专业的理财规划服务。

宜信财富针对中产阶级和潜在高净值客户，在2017年推出的智能投顾产品投米RA。主要的目的是通过智能化手段为寻求财富管理方式的升级的目标客群提供专业服务。银行的投资顾问一般仅仅服务高净值客户，随着中产阶级的壮大和财富积累的增加，中产阶级理财也是一块巨大的市场，投米RA的定位就是服务这部分人群。智能投顾在中国的本土化发展仍处于转变和探索之中，来自客户理念、市场和监管的多重挑战，均需要市场参与者审慎面对。

投米RA是根据马柯维茨投资组合理论现代资产组合理论，分析个人投资者的主观风险偏好，客观风险承受能力，理财目标，通过后台量化分析算法给用户提供符合其需求的最优资产配置组合。客户注册完成之后，系统会根据年龄、收入、净资产、投资经验、投资目标等6个问题进行风险测评，计算出风险等级。投米RA根据模型和算法，提供适合客户的产品组合。产品团队持续跟踪市场变化，在投资者的资产偏离目标配置时进行智能调节，提高资产风险回报率。

海外投资是一项高门槛、高收费、专业性极强的事情，导致中国客户投资海外受到限制。智能投顾可以解决这个认知不对称的问题，借助投米RA，投资者只需3步就可一键轻松配置全球资产。2017年宜信财富投米RA凭借出色的全球资产配置策略，为投资者带来了累计5.45% — 13.81% 的实际收益，折合年化收益9.52%—24.83%[3]。

三、移动金融智能技术发展趋势和挑战

移动金融伴随移动互联网发展起来，技术发展路径最初与移动互联网相同，但是随着金融产品的丰富和智能技术的成熟，移动金融技术开始延续具有自身特点的发展趋势。移动金融技术的发展主要由三方面因素来驱动，即客户体验、金融产品、效率提升。

移动金融智能技术是移动金融技术发展的主流，当移动用户达到一定规模之后，金融企业原有的服务方式和技术无法更好地为金融客户提供服务。金融企业面临的主要问题是服务成本高，效率低，实时性服务差等。移动金融智能技术发展就是解决这些实际的业务困难。

（一）移动金融智能技术的发展趋势

移动智能技术发展的经历了三个阶段。

第一个阶段是智能客服，解决金融企业服务客户效率低成本高的问题。金融行业的智能客服应用始于2012年，小i机器人为招商银行信用卡开发的“微信客服机器人”上线，成为国内首款可以互动的微信商业应用。

智能客服不但可以降低人工客服的成本，还可以提高服务效率，提升客户满意度。智能客服还可以记录客户对话，金融行业可以分析这些对话，通过NLP（自然语言处理技术）来发现客户金融需求，为金融产品营销找到另外一个入口。

智能客服最初的技术集中在丰富的问答库，随着技术的成熟，人工智能技术特别是深度学习技术将会应用到智能客服领域。具有记忆功能和学习功能智能客服机器人将会根据对话和客户反馈自我优化问答库，未来智能客户技术还会增加情感识别技术，通过分析客户对话，将有情绪波动的客户转给人工客服，并在客户心情愉悦之时，为客户推荐其需要的金融产品，提升金融产品的销售成功率。具有自我学习和进化功能的智能客服，经过大量对话和学习之后，会提升其理解客户需求的能力，有可能会发展成为客户的一个亲密金融助手，帮助金融行业更加了解客户需求，为客户提供更好的金融服务。

第二个阶段为智能投顾阶段，智能投顾发展源于国内巨大的财富管理需求和金融企业过高的财富管理门槛之间的矛盾。这种矛盾也给了互联网金融企业和海外回国的金融专业人才大量的机会。

国内的智能投顾商业模式主要分为三种，一种是为财富管理客户提供金融产品购买建议，但是本身不进行金融产品销售；一种是发行金融理财产品，背后是国内基金的组合；另外一种是海外资产配置，通过海外资产的配置来提升整体收益率。

智能投顾涉及到投资咨询、产品销售、资产管理等业务领域，而国内这些领域分工较细，并由牌照限制。证券公司只能提供投资资讯和建议，但是不能帮客户投资操作。基金公司主要帮助客户进行资产管理，但不能为客户设计金融产品。第三方基金销售公司只能在销售阶段做产品推荐，但无法进行资产配置或跟踪调整，这都对智能投顾的业务开展有很大的制约。

国内智能投顾的挑战还源于传统金融的资本和客户优势，如果传统金融行业开始发力智能投顾，投入巨资购买具有投顾服务技术的金融科技公司，新型的智能投顾公司将面临比较大挑战。2017年美国智能投顾公司发展速度降低，很大原因是美国传统金融企业例如高盛和美国银行开始进入这个领域。

第三个阶段为智能推荐阶段，智能客服解决了金融服务成本过高，效率低的问题。智能投顾解决了财富管理服务门槛过高和白领理财需求的问题。智能推荐主要解决金融服务实时性和金融服务高效转化的问题。

智能推荐源于电商的推荐引擎技术，但是会平衡客户体验和推荐商品的频次。智能推荐需要全面的数据，分析客户的金融需求，并根据推荐的反馈结果来实现推荐优化。智能推荐会选择推荐的时间、渠道和目标客户，控制单个客户被推荐的次数，在获得较高的转化率和不影响客户体验的前提下来，获得较好的转化效果。

智能推荐引擎发展的挑战是如何洞察客户金融需求和为此金融需求提供较恰当的营销方案。洞察客户的金融需求源于多维度的数据采集和分析，还有外部社交和交互行为数据的引入，可以利用一些数学模型来预测客户的金融产品需求。恰当的营销方案也需要外部数据的补充和一些营销方案的实验，通过外部数据分析和营销实验，金融企业可以积累适合其客户需要的营销方案。

（二）移动金融智能应用面对的挑战和应对方式

移动金融智能技术在发展过程中，面临了很多挑战，其中最大的挑战来自数据治理。智能技术应用的前提是数据，包含金融企业的内部人口属性、交易、资产、风控等数据，也包括客户同金融企业之间的交互数据，另外在不同的业务场景之下，还需要客户的外部兴趣、社交、消费等数据。移动金融智能技术发展还面临着复合型人才缺失和数据科学应用能力较弱的挑战。

1、智能数据平台

移动金融的智能技术的应用基础是数据，主要是经过标注的数据，也可以认为是标签数据。这些标签数据不是简单对一些数据的标注，而是包含了专业人员对数据的业务理解。例如智能客户应用中，客户对话的一些关键词，有的时候可能代表客户对某些金融产品具有潜在需求，借助于数据标注，可以帮助智能客服的一些业务规则判断出客户的需求，寻找营销机会，为客户提供其需要的金融产品。

客户同智能客服之间的对话代表客户内心的心理需求和金融需求，借助于智能数据平台将客户对话中的关键词进行标注，将具有标注的数据输送给智能客服。通过业务规则的理解和数据挖掘技术，发现客户营销机会，并及时对客户进行精准营销，会大大提升营销的转化率。

智能投顾和智能推荐引擎的数据也可以通过智能数据平台来解决，智能投顾所需的数据不但包含客户历史的交易数据和资产数据，也包含客户在App上的交互数据，客户对金融产品的点击和关注，都可以作为行为标签进行标注，为智能投顾提供数据支撑。智能推荐引擎也需要客户全方面的数据支撑，包含客户外部数据、交互数据、交易数据，以及推荐之后的反馈数据。通过这些数据分析可以不断优化推荐规则和引擎，在不影响客户体验的前提下，获得较好的营销效果。

2、复合型人才的培养

移动金融发展到一定阶段，技术的主导作用越来越明显。技术的核心目标并不只是技术，而是如何为客户提供更好的服务，如何支撑业务的发展。金融行业在应用智能技术的过程中，发展技术并不是一个障碍，移动金融智能技术实现过程中，缺少懂技术的业务人才，这些人将会思考如何利用技术来解决业务问题。移动金融智能技术的复合人才负责将业务语言转化机器语言，将成为移动金融智能技术的一个关键基础。

复合型人才源于两种发展方式，一种是业务人员学习掌握技术，一种是技术型人才学习业务知识。第二种方式现在是主流，其原因是技术门槛相对于业务门槛更高。复合型人才主要从事的工作是产品经理，利用技术手段协助业务部门来解决业务问题，并为最终客户提供智能金融服务。

金融智能技术发展的表象是技术实现手段，但其本质是金融专业能力和技术的结合，二者缺一不可。智能金融技术背后的业务规则和产品设计，其背后的来源还是金融业务知识的总结和积累。复合型金融人才对于移动金融智能技术的发展非常重要，也是现在传统金融企业发展智能技术的一个难题，解决这个问题的方法分为两个阶段，第一个阶段是从国外特别是美国华尔街引入具有技术背景的金融人才，第二个阶段是在这些外来金融人才的带领下，培养和提升本土金融工程人才，特别是年轻人才的培养和锻炼。

3、数据科学应用能力

移动金融智能技术背后的技术基础是数据科学的应用。例如智能客户需要利用NLP自然语言处理技术RNN，LTSM，人脸识别需要利用CNN等。当金融企业服务海量客户时，其原来基于业务规则的分析方式和引擎无法实时服务海量数据和客户，需要利用数据科学处理海量数据，挖掘出客户深度需求。

金融企业数据科学应用能力积累不足，既缺少大量的数据科学家，也缺少数据科学应用平台。金融企业内部的数据非常丰富，业务场景也多，在反欺诈、信用评估、精准营销、智能运维、风险决策等方面都是数据科学应用的主要方向。金融企业所利用的技术比较封闭，对于开源的数据平台技术和数据科学技术积累不多，导致了在数据科学应用功能方面特别是开源算法方面，落后于行业的发展速度。

金融企业可以通过引入数据科学领先创业公司的智能数据科学平台、同互联网巨头在具体业务场景合作、招募国外数据科学家组建数据科学应用团队等方式来提升数据科学能力。国内大型的银行和金融集团倾向于招募国内外数据科学人才来组建自身数据科学团队，典型的有平安集团和建行。一些大型和股份制商业银行、证券公司、信用卡、保险公司更倾向于同互联网巨头合作，引入深度学习平台，开展数据科学应用。典型的有工行、广发证券、浦发信用卡、阳光保险等。

[1] Face++是北京旷视科技有限公司旗下的新型视觉服务平台，Face++平台通过提供云端API、离线SDK、以及面向用户的自主研发产品形式，将人脸识别技术广泛应用到互联网及移动应用场景中。

[2]《中国个人可投资金融资产达126万亿元规模世界第二》，光明网，http://politics.gmw.cn/2017-04/28/content_24336703.htm

[3]《宜信财富投米RA——中国唯一入选FundSelector Asia案例的智能投顾平台》，搜狐网，http://www.sohu.com/a/166709758_475913（来源：移动互联网蓝皮书  文/鲍忠铁 编选：电子商务研究中心）