新光銀行揭露AI與大數據戰略，下階段目標是量化模型與塑造更多AI即時應用場景

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