新光銀行數位資訊部資深協理林基玄在臺灣IBM新春記者會上,揭露了自家AI應用的過程與成果。(攝影/李靜宜)

早在3年多前,時任新光銀行副董事長,現為新光金控總經理吳欣儒,以及新光銀行總經理謝長融,便為新光銀行訂下一個3年目標,由新光銀行數位資訊部領軍,聚焦AI與大數據策略,選定跟業務營運關聯最強,從行銷營運、顧客經營等角度來推動,著重在擴充AI應用,讓AI能落地到銀行各個場景,藉此推動數位金融。

新光銀行數位資訊部資深協理林基玄於3月17日在臺灣IBM新春記者會上,揭露了自家AI應用的過程與成果。

新光銀行的第一步,是先打破組織框架。林基玄解釋,當時,銀行內部有各個事業群、IT部門,數據團隊又尚未成形,為了將銀行的日常數據整合,運用在精準行銷上,他坦言,不得不將整個組織框架打掉,再成立一個專案組織,拆分數據營運所需的職能,依照不同職能成立一個個工作組,讓每個工作組來訂立數據營運中一部分的功能。

甚至,林基玄提到,新光銀行從無到有重建數據倉庫,將線上、線下數據全部整合在一起,讓數據可以被分析人員使用。接下來,內部開始推動業務線,讓業務線自行具備視覺化分析的能力,透過使用視覺化工具,便能分析數據。

對於較為複雜的業務構想,新光銀行內部更成立了機器學習(Machine Learning)的技術團隊來負責此工作,從資料中找出AI可以落地的機會。甚至,在機器學習有大量成果後,新光銀行團隊開始走入深度學習(Deep Learning),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。

AI應用在消金、法金多項業務作業優化

林基玄進一步提到,這3年來新光銀行在AI應用場景與成果,零售銀行(Retail Banking)部分,大多鎖定精準行銷、顧客評價、信用風險控管,或是房屋鑑價、票據辨識、智能客服,以及客服錄音資產化,將顧客與銀行客服的語音對話文字化。或像是為了優化廣告投放,新光銀行建置了數位廣告投放優化模型,將廣告商與銀行端的數位軌跡平臺串聯起來。

在成效上,林基玄舉例,現在新光銀行精準行銷的回應率,比起以往作法的回應率,平均是2倍以上的成長。特別是在高資產潛力模型的運用,約莫有以往5.2倍的回應成效。

以往,新光銀行準備一檔行銷活動,從執行研究目標、行銷包裝、行銷通路發布到檢討活動等流程,需費時2周到1個月。現在,除了能自動化大量推出行銷活動,更能主動從幾百萬顧客中找到合適的顧客群精準推播行銷活動。林基玄指出,各事業線平均1年能推出800個以上的行銷活動,亦即一個禮拜平均要推出18個精準行銷活動。

透過分析顧客與銀行的互動,新光銀行對於特別在意隱私、不喜被過度干擾的顧客,更制定出一套內部規範,比如,只要有任何顧客打電話到銀行要求不要電話行銷,新光銀行線上庫存或是正在執行的行銷活動,該名顧客就會立刻被抽走,銀行也不會再透過電話接觸該名顧客,可能是換成顧客較能接受的行銷模式如寄送Email來傳遞行銷資訊,甚至,還訂出部分顧客在一個月內最多能接觸的次數。

在行銷面以外的應用,林基玄提到,團隊整合了開放資料,採用視覺化分析,以及自然語言處理技術後,產出社區銀行的數據產品供內部使用,像是分行選址的應用。

在企金顧客服務部分,林基玄表示,去年開始,新光銀行導入了知識圖譜(Knowledge Graph)技術,運用該技術,將一些企金顧客彼此的關聯性串聯在一起,再將這份資料提供給企金客戶關係經理人(RM)進行顧客服務。

內部推動AI與大數據策略,面臨兩大挑戰

新光銀行在推動AI與大數據策略時,先鎖定了與業務連動性較強的部分,使得業務單位的接受度也較高,推行的困難度比較少。但,林基玄坦言,一路的過程中,他仍面臨2大挑戰,一是數位資訊部規模較小,二是標註數據量不夠多。

他解釋,新光銀行負責大數據與AI方面的人員僅有25人,在AI這條路上做的速度可能不符期望,特別是在深度學習領域,有太多關於資料標註的工作,標註的量不足時,模型預測出的結果也無法達到期望中的效果。因此,新光銀行的作法是,與外部夥伴採合作模式,而非外包模式,將某幾塊部分切出來,尋求外部合作夥伴的協助,如此一來,就無須動用到自家稀少的資源。

另外,林基玄提到,內部的數據工程師與建置模型成員之間,通常會有溝通上的差距,數據工程師大多較為資深,對銀行的領域知識(Domain knowledge)較強,懂得系統功能中的數據該如何被演繹、被加工。而建置模型這群人,則較為年輕,對於領域知識沒那麼熟悉,但卻能為銀行帶進新興技術。挑戰在於這兩類人的特長如何融合,他的作法是,讓資深數據工程師分享數據如何演繹會較有效果的經驗,分享給建模端的人員,並將數據整理給建模端,大量減輕他們在建模數據準備工作的負擔。

至於新光銀行AI下一階段規畫,林基玄透露,這段時間以來,他們已將AI製程上所需的模型建置、管理模型、部署模型,到容器化的服務這整套流程都做起來了。所以,接下來新光銀行計畫量產AI模型,希望能做到每2個禮拜就送出一個模型,讓每個顧客接觸點,都有AI可以服務的機會,這是第一階段。

第二階段的計畫,則是要打破以往數據資訊流的批次模式,往即時資訊流邁進,讓顧客跟銀行前臺互動的過程中,後方的AI模型就能收到即時的互動資訊。所以,如何將即時資訊流丟入單一功能的AI模型,產出決策與建議,來塑造更多AI應用的即時場景,是新光銀行接下來的重點目標。文⊙李靜宜


熱門新聞

Advertisement