量化AI模型建立更多AI即時應用場景
導入AI技術來推動數位金融,已成為金融科技現階段的發展重點,新光銀行過去三年來的努力,已經看到相當程度的回報,也為下一階段的數據金融策略,奠定良好的基礎。
採訪/施鑫澤 文/楊迺仁
策畫大數據與AI戰略,已成為許多企業提升競爭力的關鍵行為,尤其是在智慧金融方面,已經有不少的實踐成果。新光銀行協理林基玄指出,早在2017年,在現任新光金控總經理吳欣儒(當時是新光銀行副董事長),以及新光銀行總經理謝長融的督導下,就為新光銀行設定了一個三年的目標,選定跟業務營運關聯最強,如跟業務線流動性的部分,包括行銷營運、顧客經營等開始推動,想辦法讓AI落地,然後推動數據金融。
[ 下載 2020-21 CIO大調查報告,掌握最新企業IT採購趨勢 ]
精準行銷回應率大幅提升
林基玄表示,新光銀行在這個專案的推動上,首先是打破組織框架。當時新光銀行有各個事業群,也有IT部門,但數據團隊尚未成形,可是又希望能將這個專案變成日常的數據營運,應用在行銷上。所以就不得不將整個組織先打掉,再成立一個專案組織,並將數據營運所需要的職能,一一拆解出來,變成一個個工作組,讓每一個工作組來訂定一部分的功能。
在專案的推動方面,新光銀行先是從無到有重建了數據倉庫,然後再將線上線下的資料全都整合在一起,讓資料可以準備好給分析人員來使用。然後再讓業務線自己能夠具備視覺化分析的能力,來分析相關數據。
接下來,成立了機器學習的技術團隊,執行一些比較複雜的業務構想,從資料裡面找出AI可以落地的機會。林基玄表示,過去三年來,新光銀行所做的應用場景主要是精準行銷及顧客評價,還有零售銀行上面的信用風險控管,或是房屋鑑價、票據作業,智能客服再,以及將客戶跟客服之間的對話,想辦法把它變成文字化,設法將聲音資產化。
[CIO都在讀: 加密資產市場三大發展趨勢 ]
林基玄強調,智能客服是銀行業很熱門的主題,所以新光銀行在這方面也有所考量。所以新光銀行在去年開始導入知識圖譜的技術,將企金顧客彼此的關聯性串聯在一起,再拿給企金客戶關係經理人去做顧客服務。
從成效上來看,林基玄表示精準行銷的回應率,相較於以往的做法,平均大概都是兩倍以上的成長,特別是在高資產潛力模型的運用上,大概有以前5.2倍的回應成效。
林基玄指出,目前一年大概可以推800多個行銷活動,等於每個禮拜平均會推出18個精準行銷的活動。同一個時間會有50個活動正在跟夥伴合作,為某些客群特別設計的服務,然後相互溝通。
保護客戶隱私是重點
林基玄表示,新光銀行知道客戶很在意隱私,希望銀行不要過度干擾,或是不要用客戶不喜歡的方式去聯絡,所以新光銀行已在平臺內化流程,只要有任何的客戶告知銀行,希望不要再接到電話,線上正在執行的的活動,就會立刻被抽走,也不會再去接觸該名客戶。
但客戶喜歡的溝通方式,譬如說有些人是喜歡用email,新光銀行還是會做。林基玄指出,為了不要過度干擾,新光銀行有訂定內規,哪些顧客一個月最多只能夠接觸到幾次,這是對顧客的承諾。
[CIO都在讀: 時下資安團隊必備的八種新角色 ]
林基玄表示,專案在推了三年之後,去年已達到當初設定的目標,謝長融總經理希望團隊能運用過去三年所培養的能力、做好的流程,未來能夠繼續開花結果,迎接爆發性的成長。
新光金控的科技委員會因此在2019年,評估決定選擇IBM的Power平台,當做新光金控的AI標準平台,也是從這一年開始,開始走入深度學習。林基玄表示,從深度學習的過程中,就開始想辦法將各種資料資產化。更在2019年新光金控的旺年會,自行開發人臉辨識報到系統,讓員工刷臉進出。
但前述這些成就,並非只靠新光銀行自己的團隊,也透過很多外部專家提供各種協助,如有專家帶領新光銀行的人員從線性代數等理論基礎開始打起,也特別找了對機器學習領域關心超過20年以上的教授,教導人員如何用Python去建立各種模型。
規模不夠大成為主要挑戰
林基玄進一步提到,新光銀行在AI或是大數據策略的設定及推廣,高層主管一開始就非常支持,所推動的應用和策略,也都跟應用面的聯動性比較強,所以業務單位接受的意願也會比較高,推行的困難度比較少。
除了精準行銷的應用場景外,新光銀行也開始運用及整合開放資料,進行數據化分析,還有自然語言技術進行處理後,做出一些數據產品供內部用來決策之用,如分行選址。此外,由於業務線每年都會有不少行銷費用投在數位廣告上面,所以也做了即時數位廣告投放優化,跟廣告商之間去串聯。
[ 加入 CIO Taiwan 官方 LINE 與 FB ,與全球CIO同步獲取精華見解 ]
但過程也不是說沒有挑戰,林基玄指出,主要的挑戰有兩個方面,一個是規模不夠大,一個是標註的數據量不夠多。在第一個方面,儘管林基玄投入數據應用已經快要20年,團隊中也不乏相當資深的人員,可以讓銀行少走一些冤枉路,但因為新光銀行負責大數據與AI方面的人員僅有25人,規模比較小,所以在執行的速度方面,可能就比較無法符合許多人的期望。
尤其是在深度學習這個領域,會有許多跟資料標注有關的工作,如果不能標注到一定的量,實際上的模型預測,就沒辦法達到預期的效果。目前的作法是將某幾塊部分切出來,尋求外部合作夥伴的協助,以減少動用到自家相對稀少的資源。
塑造更多AI的即時場景
林基玄指出,新光銀行下一個階段,計畫將過去三年來所完成的AI模型量產,在每一個顧客接觸點,都有AI可以服務的機會,新光銀行會將AI製程上所需要的模型建置、管理模型、部署模型,到容器化的服務理念整套流程都做起來。另外就是要打破以往數據資訊流的批次模式,往即時資訊流的方面努力。林基玄指出,以前的數據資訊流,大部分都是批次模式,用來跟客戶即時互動的效果不夠好,所以希望客戶未來在跟前臺的互動軟體進行互動的過程中,後臺都能收到即時的互動資訊。
[CIO都在讀: AI最常見的應用有哪些? ]
此外,現在的AI模型,基本上通常都是單一功能,並不是一個泛化的模型,如何將資訊流即時丟給單一功能的AI模型,產出決策與建議,然後提供回饋及改善塑造更多AI的即時場景,會是新光銀行接下來努力推動的方向。
(本文授權非營利轉載,請註明出處:CIO Taiwan)