初探金融大模型在商业银行营销体系的应用

商业银行营销体系的变迁往往与技术跃迁息息相关。我国商业银行技术革新，已经历了三个阶段：一是金融电子化时期，即通过优化银行内部数据采集和处理能力，提高客户服务效率。二是互联网金融时期。这一阶段形成了“用户为王”的底层商业逻辑，商业银行开始下沉抢占“利基（Niche）市场”，但其作为传统金融媒介和支付结算机构的功能开始受到互联网公司的挑战。三是金融科技阶段。2017年央行首提“金融科技”概念，数字经济时代，金融科技已成为各家商业银行的战略共识，这一阶段商业银行在营销端重点聚焦产品线上化，以及大数据分析对精准营销、营销关键节点的赋能。

基于互联网金融时期盛行的“快鱼吃慢鱼”的规则，商业银行前期的营销战略主要以产品为核心，通过快速迭代产品创新，抢占客户和市场份额。然而，随着全球经济放缓，国内产业结构调整，数据成为新的生产要素，人工智能技术快速迭代，以及近期频繁提及的新质生产力等外部和市场环境的变化，商业银行面临市场的两大变化：一是从过去的增量市场竞争转向存量市场竞争；二是传统产业深入数字化转型升级，同时，数据资产将重新定义企业价值。这两种变化对商业银行现有营销体系形成巨大考验，本文试图从当前营销体系存在的问题出发，从技术视角初步探索商业银行通过金融大模型的应用，来应对未来市场带来的挑战。

商业银行现行营销体系存在的问题

近年来，商业银行持续经历宏观经济增速下行带来的利率下行压力、经济结构变化导致的贷款规模扩张动能减弱，反映在营销侧，银行业务人员已经从过去的增量市场竞争步入存量市场竞争，同时，个人客户和产业客户的营销边界加速模糊，客户需求呈现多元性、专业性和时效性等特征。为应对市场发生的系列变革和挑战，商业银行的顶层营销战略不约而同地从“以产品为核心”向“以客户为中心”转变。但在实际执行中，目前商业银行的营销方式、营销队伍能力以及后台技术支撑，尚不足以构建一套“以客户为中心”的营销体系。

主流的线下营销方式难以突破人力限制

获客是商业银行营销体系的运营目的之一，线下营销是其主流获客方式。过去，银行网点是获客的重要渠道，然而随着互联网的兴起，社会数字化程度持续加深，银行网点的获客功能式微，“渠道生态”的获客策略是商业银行近几年的主流模式。在实际运行中，银行业务人员主要通过“地毯式”地打电话或者“名单制”线下拜访的方式与客户进行联系，虽然这些客群已经利用专家规则经过筛选，或是存量客户，但即便是经过筛选的潜在客户，对于银行有限的人力来说仍然是一个海量数字，很难在短期内收获成效。

从商业底层逻辑来看，其实无论是依靠网点或是依赖渠道生态，商业银行的营销活动习惯于线下方式，营销相关成本仍以场地、人员等传统成本要素为主，营销效率也依然受限于单位场地效能和人均效能。现行的营销方式实际已经与当前先进的生产要素不匹配，无法释放出先进生产力。

与客户信任的建立更加依赖专业和效率

商业银行采用的线下营销，其核心需求在于通过业务人员与客户之间建立信任，传递产品信息。商业银行在个人金融服务领域基本实现从产品到流程的数字化改造，但其在服务高净值客群时，已经暴露出金融服务专业化水平不足的弊端，配置专门的私行客户经理模式也难以满足这类客群的多元金融需求；而个性化程度较高的产业金融服务领域，商业银行内部在这一业务板块的数字化程度仍有较大提升空间，其发展主要受限于行业的专业性壁垒，以及产业客户需求的有效信息不足，公司业务人员试图通过传统关系营销与客户建立信任，但边际效果实际在下降，价格战已然成为当下市场竞争的主要手段。

数字经济时代，快速的信息交互、金融产品与服务的高度同质化，导致客户对于标准化服务与产品的忠诚度快速下降。“以客户为中心”的战略目标需要通过陪伴客户全生命周期来实现，但目前商业银行的营销服务仍侧重于结果，而非长期陪伴，同时，业务人员面对快速升级迭代的市场客群，其专业能力往往跟不上客户需求。

单一维度和低质量的数据难以支撑精准营销

商业银行利用大数据技术，通过“精准数据+精准分析+精准推送”的组合，实施精准营销，满足客群的差异化需求。但在实际情况中，由于银行获取客户信息渠道单一，主要为内部与客户发生交易时获取的基本信息、账户信息和交易数据等结构化数据，缺乏诸如客户偏好与习惯等非结构化数据的收集。这类局限的、单一的数据分析，往往对营销指导的精准性不足。同时，商业银行对客户信息的终端收集目前仍主要依赖人工录入，如客户基础信息、行业分类、财务数据、信贷投向等关键信息，在初始录入时即可能发生错误或缺失，且后续数据更新时效滞后。

新媒体营销时代，市场已经塑造出“去过程化”“去单一化”“直联用户”“所见即所得”的底层营销逻辑，对于被海量信息包围的用户而言，只有极少的信息内容能够引起他们的关注，并过滤出更少的内容触发他们参与互动。商业银行目前单一维度和低质量的数据，一方面很难达到以“转化率”为衡量标准的“精准营销”，另一方面，即使推送的内容触发用户，但银行缺乏全面化、多元化的数字化营销方案承载客户需求。

金融大模型的发展情况及优势

2022年末ChatGPT的发布，掀起了对自然语言理解（NLU）和自然语言生成（NLG）技术的研究与投资热潮，国内互联网企业相继发布对标ChatGPT的产品，如ChatGLM、通义千问、文心一言、盘古大模型等。

与此同时，针对金融等高度专业化领域的专业模型，多家企业和科研机构正基于通用基础模型，融入行业专业知识和分析技巧，进行更进一步的定制化训练。国际上彭博（Bloomberg）、摩根士丹利（Morgan Stanley）、Lemonade等知名公司均已开发出此类模型；国内互联网公司如华为、星环科技、拓尔思、奇富科技以及360智脑等，均已发挥其技术优势，推出了多款金融大模型智能解决方案。此外，中国工商银行、兴业银行、中国农业银行和平安银行等传统金融机构也积极参与金融大模型的研发。

NLU和NLG技术有助于打破商业银行营销效率受限于人力的问题

NLU和NLG技术推动人工智能迈入新纪元。“语言”是认知和交互的“中枢”，“语言力”更是金融大模型的底座能力——包括精准洞察客户的金融情绪和金融意图的能力，以及善于总结归纳行业资讯并推理分析行业事件的能力。

商业银行主流的线下营销方式，其效率受限于人力因素，如人员数量及质量，虽然已有机构开始尝试通过新媒体平台投放产品广告，但因未建立信任、内容单一等原因，公域流量转化至私域流量进而转化成营销落地的转化率并不高。通过金融大模型的“语言力”，一是让客户拥有24小时在线的专业客户经理成为可能，打破人力限制；二是实现精准分析用户与银行的流量及服务触点，衡量商业银行品牌信息触达客户需求的距离，帮助信息精准传递，节约流量营销成本，传递优质内容，提升营销有效性。

人工智能（AI）搜集、提取和分析海量信息的能力有助于满足商业银行对提升专业和效率的需求

AI技术的优势在于海量信息的搜集、提取和分析能力，生成式大模型将大幅提升客户经理的专业水平和服务能力，大幅降低客户经理的运营成本。如，中国工商银行联合华为云打造的金融大模型，为银行柜台人员提供流程和操作指导自动化生成；兴业银行与兴业基金合作开发的ChatCIB和“兴基智”人工智能平台，应用于反洗钱和智能询价业务功能等。

面对具有时效性的金融数据、新闻动态、社交评论等每日信息，银行业务人员很难及时向客户提供相关分析服务，以达到专业链接信任的目标。AI大模型的优势用于上述信息采集和分析，可以为客户提供市场舆情和风险预测等具体服务。以轩辕大模型为例，轩辕会提醒客户结合资产状况、收益目标和风险偏好，以及外部的市场动态，来进行投资决策。

金融大模型的开源生态有助于解决商业银行数据痛点

开源模式对于大模型的技术进步和商业应用具有显著影响，开源模型通过降低技术门槛，使得更广泛的企业和开发者能够参与到金融大模型的研究与应用中。这种包容性不仅带来了多维度数据，丰富了客户方案的多样性，而且通过社区的集体智慧，增强了模型的安全性和可靠性。在风险管理至关重要的金融领域，开源模型提供了必要的透明度和社区监督，这些特性对于确保模型的稳定性和信赖度是不可或缺的。

长期以来，商业银行尝试通过大数据分析以期实现“精准营销”的目标，但由于其自身数据以结构化数据为主，来源单一，且内部数据质量不高，难以支撑“精准营销”的落地。金融大模型的开源生态，一是通过交叉校验实现数据纠错，提升数据质量；二是通过多维信息，融合结构化和非结构化信息，提升客户行为预测准确率；三是创作更加精准的内容，唤起用户关注与互动。

探索金融大模型在商业银行营销体系的应用

商业银行进行数字化转型建设起步较早，目前行业整体的数字化基础能力已初步搭建完成，数据驱动决策模式正在取代传统决策模式。然而在营销侧，商业银行营销体系的数字化程度却并不高，面对市场正在发生的两大变化——增量市场竞争转为存量市场竞争，以及数字经济下的企业价值重构，现行营销体系已经在营销方式、营销队伍能力和后台技术支撑上呈现明显不足。

金融大模型目前已经在语言力、知识力和专业力上具备应用能力，其在海量信息的搜集、提取和分析能力上的优势更是人力无法企及，再加上金融大模型开源将带来生态的多样性以及数据的丰富性，以上这些优势将有助于商业银行构建一套全域数字化营销体系，以弥补营销方式、营销队伍能力和后台技术支撑的不足，适应愈加多元复杂快速变化的市场需求。

重视培育私域流量，创设数字营销助理

商业银行的私域流量主要来自两方面：一是通过手机银行、小程序等终端获取，二是通过公域投放广告引流转化。前者主要面向存量客群，金融大模型对数据的挖掘、提取和分析优势将有助于精准圈定可提升客户，并为业务人员提供客户行为预测；后者目标是获得新客，银行通过大模型，可对广告投放效果进行分析，如点击成本、观看量、观看时长等，同时对转化环节的数据分析，如触达率、产品使用率等，以此获得更加精准的目标客群画像，调整广告投放方案，提升私域流量转化率。

ChatGPT和Sora的技术革新有望帮助商业银行创设数字营销助理的角色，数字营销助理将打破线下营销受限于人力资源的困境，释放出更多人力资源向更高价值点处迁移；同时，数字营销助理将改善当前线上广告投放互动性不足的问题，通过增加与用户互动，获取更多营销终端的非结构化信息，这将有助于商业银行形成全域数字化营销闭环。

发展智能投顾应用，应对业务人员专业提升需求

数字经济时代，产业数字化转型升级持续加码，数据作为新的生产要素，数据资产重新定义企业价值。与此同时，个人客群与产业客群的营销边界加速模糊，市场对银行业务人员的知识广度和深度提出更高要求。目前商业银行普遍存在梯队人才短缺的现状，尤其在营销端，缺乏专业型业务团队。

金融大模型可通过多语义关联与匹配，对数据和知识进行挖掘与理解，更加智能地识别出用户真实意图，进而给出更符合用户需求的答案。商业银行可面向营销端的业务人员，配置智能投顾，嵌入现有的移动终端，一方面可以快速检索分析政策、市场、行业、和客户财务信息等数据，向业务人员提供个性化、针对性强的营销话术，另一方面结合移动终端录入采集的多维数据，如地理信息、行业信息、访客信息、财务信息等，帮助业务人员进行目标客群价值排序，提升单位时间产能。

创设“监管沙盒”，发展金融大模型开源生态

“监管沙盒”的逻辑产生于市场中很多大企业采用在虚拟环境中进行测试技术的方法。应用于金融领域，“监管沙盒”的意义在于为新兴业态创造一个安全区域，支持生态企业发展，通过适当放松参与实验的创新产品和服务的监管约束，激发创新活力，提高创新和转化效率。

金融大模型的发展特征趋向于开源和垂直类，商业银行具备海量存储数据的天然优势，通过创设“监管沙盒”，商业银行积极发展开源生态，既能解决数据单一、质量不高的问题，更重要的意义在于引领形成人工智能创新生态圈，扩大了应用场景创新出现的领域范畴，有望为内部管理和外部客户提供更加多元的解决方案，获得市场创新溢价。

过往营销侧的数字化程度受制于数据采集、数据量、算法、算力等因素，发展一直相对滞后，生成式AI技术的快速迭代，以及Sora文生视频的技术颠覆，有望实现营销侧数字化改造，形成一套适应于新经济新市场的数字化营销体系。长远来看，全域数字化营销体系有利于打通营销和研发的边界，构建快速反应的营销作战体系和快速迭代的产品研发体系，以持续变革来适应复杂多元的新需求。

（戴润静为杭州银行南京分行财务管理部副总经理。特约编辑/孙世选，责任编辑/丁开艳）