当下，人工智能(AI)正在飞速发展，尤其是以OpenAI为代表的生成式AI通过ChatGPT、Sora等产品已展现出惊人的学习能力。各类数据在飞速增长，算法在加速迭代，算力在快速提升，可以预见，未来商业银行将充分运用大模型来支撑客户营销、业务运营和发展。笔者认为这样的趋势既带来巨大机遇，也蕴藏着巨大风险：机遇在于可全面提升对全量客群的记录、分析、洞察水平，进而助力精准营销与管理，提升银行服务质效;风险在于过度依赖AI可能带来的模型风险、算法歧视、过度技术化会导致对人的漠视等问题。营销本质上是“在合适的时机为合适的客户以合适的方式提供合适的产品和服务”。那么在AI时代，商业银行如何在客户营销场景的数据分析中把握人和AI的关系呢?

数据分析支持银行对公客户营销的目的与场景分类

  在银行客户营销场景，数据分析的目的主要是通过融合内外部各类数据，针对客户特点、需求与潜在需求匹配相应的产品和服务，进而助力客户在涵盖支付结算、资产保值增值、资金需求、信息服务等多场景顺利达成目标，实现银行与客户双赢。数据分析可形成更全面的客户画像、实现更精准的客群细分，进而为营销人员提供营销建议，实现赋能、增效，助力金融业务高质量发展。这也是数字金融大文章的题中之义。

  从分类看，数据分析包括解释型、预测型、生产型三大类。解释型数据分析侧重解释过去，分析得失;预测型数据分析侧重于预测未来趋势;生产型数据分析则侧重通过分析找到特定举措干预营销进程产生实际效果，例如针对特定客群采取特定营销策略，以达到既定目标，提升营销效能和绩效表现。本文主要针对生产型数据分析展开探讨。

  从主要运用场景看，数据分析的营销场景主要是拓户和“维户”两个场景。拓户场景可基于客户网络关系数据(资金网、股权关系网、高管任职网等)精准延展，助力批量、高效、精准客户拓展。“维户”场景则要融合客户的生活场景、生产管理和资金交易行为，针对不同类型、不同行业、不同生命周期的客户提供“千人千面”且有针对性、有温度的综合金融服务。

AI之所长与局限

  在保证信息安全的前提下，商业银行可以通过收集客户关系网络、资金交易行为、网络足迹等多维数据分析客户的需求或潜在需求。AI在其中可以发挥积极作用：一方面，可提升分析效率。从数据到信息再到知识提炼，AI可以将人从简单重复的劳动中解放出来，例如基础的数据清洗、统计分析、文本挖掘与归纳等工作，提升工作质效。另一方面，可做深度的模式和规律发现。例如，对海量数据进行清洗整理后，可通过各种模型、算法深度洞察客户的行为规律与消费偏好等，助力精准营销;同时也可收集银行各级营销管理人员的营销过程数据，并对其进行评价、反馈，找到其中的高效能营销行为模式并广泛推广。

  那么，在营销分析中单纯使用AI的局限是什么?笔者认为主要有以下三点。

  一是AI对客户和产品服务的理解不如人深入。数据分析的技术手段再高深，要想实现对客户的精准营销服务，也离不开对客户生产、生活、管理等经营管理场景的深入理解，有了这样的理解，才能“跳出金融看金融”，使得服务更符合客户需求。

  二是AI对基础数据的理解不如人深入。再前沿的分析方法也离不开对基础数据的深入理解，其中包括但不限于对数据口径、数据生成过程、更新频率、基本描述统计特征的深刻把握。不理解这些，会出现滥用数据的可能，也可能导致数据分析的“垃圾进、垃圾出”。经过准确、及时、科学清洗和整理的数据是“数据分析大厦”的基石。须知基础不牢，地动山摇!

  三是单纯使用AI无法保证数据分析支持营销的落地效果。数据分析只是精准营销的起点，实际工作中往往遵循“数据分析—提取清单—运营落地”的流程。在得到分析结果后，要考虑如何向内部各级营销管理人员宣讲，了解清单中客户的重要性和营销着力点，调动其营销积极性。同时还要考虑如何有效触达客户，针对不同客户要采用不同的方式，有的客户可以电话营销，有些则必须上门当面沟通。只有让银行基层“听得见炮火”的营销人员实际了解、认可精准营销活动，并有效执行和反馈，银行才能不断根据反馈修正和优化既有算法模型。

人与AI密切协同，构建高效营销支持数据分析体系

  数据分析在银行客户营销中连接了客户、基层营销人员、数据、产品、服务等方方面面，所以只有了解客户、员工、各类数据的底层逻辑、本行产品和服务的属性，才能做好数据分析，这也是银行数据分析之道，而其中发挥关键主导作用的仍是人。笔者认为可以从以下五个标准来把握。

  一是由人来主导，保证业务洞察的完备性。完备的业务洞察意味着充分从业务发展角度理解当下客户需求的痛点、银行服务的断点堵点。要做到前者，需要从客户角度思考其需求，理解其生活消费、经营管理实际场景，避免“兜售”产品的思维，明确“能为客户解决什么问题”。要做到后者，需要围绕“如何实现高效客户服务”分析银行内部产品、服务供给流程，找到可优化的点。

  二是由人来判断，保证探索问题的微观性。探索的问题应是现实需要解决且重要的问题，但“微观性”意味着问题要具体、切口要小，需是个好的“小问题”，解决该问题有直接的落地可验证性。具体到营销中，可以“以客户找产品”，也可以“以产品找客户”。例如，从“关于优化客户结构研究”到“某客群的金融需求分析”，再到“某客群使用某产品的可能性分析”，就是逐层递进、颗粒度逐渐变小的三个问题，选第一个问题容易导致泛泛而谈，问题越微观越容易具体分析并付诸实践产生积极效果。

  三是由人来把关，保证数据使用的准确性。第一层含义是准确理解。其中包括准确理解数据的统计口径、生成过程、更新频率等，再深入理解如“数据是时点指标还是时期指标”“刻画的是哪个层面(客户层、协议层等)颗粒度的数据”等问题。第二层含义是准确清洗和整理。只有结合业务规则和数据特性做充分的数据整理和清洗，包括运用描述统计从整体层刻画数据特征、监测数据质量，才能保证数据可用。

  四是由人来选择，保证技术使用的适切性。数据分析的技术不是越高深越好，而是越适当越好。笔者认为解决同样的问题，使用的分析方法越简捷越好。要根据问题、数据的客观情况，综合多种方式提高洞察力。要避免刻意强调技术，分析和解决问题始终是第一位的。通过描述统计分析、数据可视化对数据做大颗粒度刻画，有利于快速掌握全貌、对变量间关系有直观认识，在此基础上再运用高深统计方法，效果往往更佳。

  五是由人来落地，保证业务运营的闭环性。从实际工作中看，数据分析嵌入营销实际需要遵循“数据分析—提取清单—运营落地—迭代优化”的闭环流程。营销活动的谋划者要将数据分析的结果变成基层营销人员可理解、可掌握、能执行的具体策略建议;要结合实际做好营销活动的组织，引导和激励一线营销人员参与;要注重从一线人员的营销实践反馈中吸取经验教训，不断完善模型方法和活动组织。

  综上所述，在AI时代，以数据分析支持商业银行客户精准营销大有可为，但要清晰认识到技术和数据不是一切，商业银行的经营本质仍是“为客户服务、与客户共赢”，要发挥人的作用，实现人与AI的协同，如此方能驾驭AI而不被AI驾驭。

原标题：数据分析支持商业银行客户营销过程中人与AI的协同机制探析