0
| 本文作者： 周蕾 | 2021-02-22 18:39 |
對(duì)無數(shù)銀行基層員工來說，最“有用”的銀行科技，估計(jì)還得看智能營銷賽道。
究竟在全國數(shù)十萬網(wǎng)點(diǎn)、數(shù)百萬客戶經(jīng)理心中，怎樣才算是行之有效的營銷工具？如何能省時(shí)高效地觸達(dá)用戶，完成一場高質(zhì)量的營銷，而不只是對(duì)KPI應(yīng)付了事？
銀行的營銷運(yùn)營無疑更靠細(xì)節(jié)和長期耕耘取勝，作為技術(shù)服務(wù)商，要將復(fù)雜的銀行基層業(yè)務(wù)“庖丁解牛”，真正幫助銀行以用戶為中心，重整端到端的用戶服務(wù)體系。
為此，我們邀請(qǐng)到摸象科技董事長高鵬博士，做客「銀行業(yè)AI生態(tài)云峰會(huì)」。高鵬師從中國工程院院士潘云鶴，擁有五項(xiàng)國家級(jí)發(fā)明專利，同時(shí)還是摸象浙大金融智能聯(lián)合實(shí)驗(yàn)室主任，擁有豐富的從業(yè)經(jīng)驗(yàn)和硬實(shí)的技術(shù)背景。
這一次，他立足于「智能營銷」賽道，帶來他們幫助國內(nèi)2000+銀行，全面實(shí)現(xiàn)金融全自動(dòng)化場景、實(shí)時(shí)推薦智能運(yùn)營的實(shí)踐經(jīng)驗(yàn)。
這也是雷鋒網(wǎng)《AI金融評(píng)論》主辦的「銀行業(yè)AI生態(tài)云峰會(huì)」最后一場演講。在本系列云峰會(huì)中，我們相繼邀請(qǐng)了數(shù)字化風(fēng)控、數(shù)字化營銷、數(shù)字化客服、數(shù)據(jù)平臺(tái)、數(shù)據(jù)中臺(tái)、數(shù)據(jù)安全、數(shù)據(jù)庫、銀行云、銀行RPA、銀行業(yè)務(wù)系統(tǒng)，十大銀行賽道里的科技專家，分享他們對(duì)于銀行科技的理解。
欲獲得所有講者視頻以及PPT回顧內(nèi)容，可關(guān)注公眾號(hào)“AI金融評(píng)論”（ID: aijinrongpinglun），進(jìn)群獲取回放鏈接。
以下為高鵬博士的演講內(nèi)容，雷鋒網(wǎng)AI金融評(píng)論作了不改變?cè)獾木庉嫞?/strong>
大家好，今天我分享的主題是《未來銀行-數(shù)據(jù)驅(qū)動(dòng)的銀行AI新零售場景智能營銷》。
首先，銀行業(yè)務(wù)營銷當(dāng)中面臨的一些痛點(diǎn)。
在向數(shù)字化轉(zhuǎn)型的過程當(dāng)中，銀行并非要從零到一，建設(shè)一套新的線上運(yùn)營模式。也就是銀行不是做“互聯(lián)網(wǎng)+”，而是做“+互聯(lián)網(wǎng)”。
銀行一方面有著海量數(shù)據(jù)和優(yōu)質(zhì)的金融產(chǎn)品，同時(shí)還有著海量用戶以及非常強(qiáng)大的推薦引擎，可以計(jì)算出適合推薦給用戶的產(chǎn)品。
現(xiàn)在銀行面臨的最大挑戰(zhàn)就是如何根據(jù)用戶需求，將合適的產(chǎn)品真正觸達(dá)到合適的用戶，并且讓用戶在良好的體驗(yàn)下使用業(yè)務(wù)，我們將其歸納為如何挖掘、如何觸達(dá)、如何跟進(jìn)這樣一個(gè)閉環(huán)。
據(jù)統(tǒng)計(jì)，目前全國有35萬個(gè)銀行網(wǎng)點(diǎn)，數(shù)百萬客戶經(jīng)理，但是在基層的支行和網(wǎng)點(diǎn)缺乏數(shù)字化的工具，導(dǎo)致存量的數(shù)據(jù)資產(chǎn)很難得到有效利用，造成銀行的基層結(jié)構(gòu)很難直接發(fā)力，進(jìn)而實(shí)現(xiàn)線上營銷。
銀行的數(shù)字化轉(zhuǎn)型就是要把線下和線上的新零售模式結(jié)合起來。在轉(zhuǎn)型的過程中，實(shí)現(xiàn)新零售模式的難點(diǎn)有以下三個(gè)方面：
首先，在業(yè)務(wù)上，如何統(tǒng)一用戶視角，把高度橫向分化的價(jià)值模塊整合成以用戶為中心的縱向的價(jià)值鏈條，打造端到端的用戶服務(wù)體系。
第二，在數(shù)據(jù)上，如何統(tǒng)一開展數(shù)據(jù)治理，將分散的孤島數(shù)據(jù)轉(zhuǎn)變成可信的數(shù)據(jù)資產(chǎn)，形成以數(shù)據(jù)支撐全局和以用戶為中心的端到端的數(shù)據(jù)賦能體系。
第三，在組織上，如何改變高度依賴橫向競爭者的分布式架構(gòu)，圍繞核心價(jià)值鏈構(gòu)建以用戶為中心的平臺(tái)式架構(gòu)，從流程驅(qū)動(dòng)轉(zhuǎn)向數(shù)據(jù)驅(qū)動(dòng)。
如果上述難點(diǎn)不能得以解決，一旦整個(gè)新零售模式形成信息割裂和孤島狀態(tài)，數(shù)字化轉(zhuǎn)型就很容易成為增加基層負(fù)擔(dān)的形式主義。
而要實(shí)現(xiàn)全面的平滑流轉(zhuǎn)，就需要用數(shù)據(jù)智能驅(qū)動(dòng)的新零售工具來賦能組織以實(shí)現(xiàn)自動(dòng)化的運(yùn)營。
對(duì)此，我們的方案就是將銀行的線下資源用數(shù)據(jù)智能+AI工具驅(qū)動(dòng)起來。
整個(gè)解決方案是用一個(gè)金融大腦驅(qū)動(dòng)兩個(gè)工具，用RPA機(jī)器人來實(shí)現(xiàn)全流程的自動(dòng)化流轉(zhuǎn)。
一個(gè)大腦指的是無相盤深度學(xué)習(xí)挖掘引擎，是一個(gè)研發(fā)平臺(tái)產(chǎn)品，也有推薦深度挖掘的能力，同時(shí)還是用于驅(qū)動(dòng)整個(gè)流程運(yùn)轉(zhuǎn)的驅(qū)動(dòng)引擎。
兩個(gè)工具，一個(gè)是象小秘的AI外呼系統(tǒng)，可以自動(dòng)實(shí)現(xiàn)機(jī)器人的仿真化外呼。
另外一個(gè)就是龍虎榜社交智能觸客小程序，支持支行網(wǎng)點(diǎn)客戶經(jīng)理掌上移動(dòng)辦公，可以自動(dòng)將機(jī)器人營銷成功的意向用戶，推送到對(duì)應(yīng)的客戶經(jīng)理掌上，客戶經(jīng)理利用這個(gè)工具對(duì)用戶進(jìn)行一對(duì)一跟進(jìn)管理。在此過程當(dāng)中，可以實(shí)現(xiàn)數(shù)據(jù)不落地的全程自動(dòng)流轉(zhuǎn)。
隨著零售場景的不同，這套系統(tǒng)將有更多的工具節(jié)點(diǎn)加入到自動(dòng)化流程當(dāng)中，例如群發(fā)短信的短信節(jié)點(diǎn)，人工外呼系統(tǒng)的節(jié)點(diǎn)，企業(yè)微信的應(yīng)用節(jié)點(diǎn)等等，這套R(shí)PA系統(tǒng)可以完全光滑的兼容和吸納這些節(jié)點(diǎn)加入到流程當(dāng)中，從而完成針對(duì)更加復(fù)雜場景的營銷和運(yùn)營。
接下來是整個(gè)平臺(tái)的詳細(xì)情況。
——AI商機(jī)挖掘引擎層
首先，無相盤的數(shù)據(jù)挖掘引擎，是一套以金融大數(shù)據(jù)為核心的分布式、實(shí)時(shí)大數(shù)據(jù)挖掘系統(tǒng)，通過對(duì)海量的歷史與實(shí)時(shí)數(shù)據(jù)的采集、計(jì)算、存儲(chǔ)、加工，訓(xùn)練大規(guī)模機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型，挖掘用戶行為之間的關(guān)鍵因子，為銀行匹配企業(yè)商機(jī)和用戶潛在的需求。
這個(gè)引擎主要有兩個(gè)作用，一個(gè)是用于幫助具體的產(chǎn)品或者場景尋找潛在客戶。另外一個(gè)就是推薦作用，在給定一個(gè)用戶后，從海量的產(chǎn)品庫里面選擇最適合它的產(chǎn)品，所以它是一個(gè)硬幣的兩面。
無相盤有以下六大特點(diǎn)：
特征處理，提取用戶的信息、基礎(chǔ)信息、資產(chǎn)、信用、消費(fèi)等多維度特征，全部離散化、特征化、標(biāo)簽化，在交叉以后，基本的特征維度有2000維甚至更多。
算法庫，可以容納大規(guī)模的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的算法，包括LR、MLR、CNN、DNN等等相關(guān)算法。
針對(duì)性的服務(wù)設(shè)計(jì)，從用戶信息和歷史交易數(shù)據(jù)當(dāng)中挖掘潛在客戶和客戶偏好并預(yù)測概率，提供具體的客戶人群包、產(chǎn)品推薦序列等服務(wù)。
模型追蹤，可以在平臺(tái)上實(shí)現(xiàn)從“模型預(yù)測”到“用戶觸達(dá)”，再到“意向識(shí)別”的效果驗(yàn)證閉環(huán)。
模型訓(xùn)練，提取正負(fù)的訓(xùn)練樣本進(jìn)行模型訓(xùn)練，而且可以在各個(gè)具體的模型當(dāng)中同步并發(fā)的訓(xùn)練。
模型庫，比如資產(chǎn)預(yù)估模型，理財(cái)偏好模型，高消費(fèi)模型、代發(fā)工資活躍因子等等模型。
同時(shí)，平臺(tái)一個(gè)非常重要的能力就是支持機(jī)器學(xué)習(xí)建模，因?yàn)楝F(xiàn)在銀行的數(shù)據(jù)量也足以支撐基于深度神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)，那么，這個(gè)建模平臺(tái)可以支持各種優(yōu)化模型以及第三方的機(jī)器學(xué)習(xí)模型以實(shí)現(xiàn)落地優(yōu)化和調(diào)試。
——RPA數(shù)據(jù)驅(qū)動(dòng)引擎層
通過挖掘、推薦將相應(yīng)場景的潛在用戶提取出來，幫助將大腦當(dāng)中挖掘出來的目標(biāo)客戶應(yīng)用到各個(gè)場景，無相盤在挖掘引擎的基礎(chǔ)上，針對(duì)用戶標(biāo)簽和特征值進(jìn)行分類聚合，形成了特定場景的客群劃分，從而可以根據(jù)客戶畫像進(jìn)行定向輸出。
自動(dòng)驅(qū)動(dòng)工具，進(jìn)行多個(gè)渠道的自動(dòng)化的投放運(yùn)營，更多是提供了API和SRS的輸出界面，好處在于可以大幅度降低使用大數(shù)據(jù)平臺(tái)的門檻。
除了大數(shù)據(jù)相關(guān)人員可以用編程接口來做以外，有一定模型基礎(chǔ)的業(yè)務(wù)人員、營銷人員也可以直接在平臺(tái)上根據(jù)其喜好，個(gè)性化生成客群的人群包、白名單庫等等。
以汽車車主為例，首先可以把車主人群篩選出來，然后根據(jù)車主人群的資產(chǎn)標(biāo)簽的特征，以及車主在購車、借貸、車輛保養(yǎng)、購買保險(xiǎn)等行為進(jìn)行相應(yīng)的推薦。
我們不僅僅輸出推薦產(chǎn)品的結(jié)果，而且實(shí)際的驅(qū)動(dòng)工具能夠直接觸達(dá)用戶、進(jìn)行個(gè)性化營銷，同時(shí)在第一個(gè)流程節(jié)點(diǎn)的營銷網(wǎng)獲取意向用戶，再推送給下個(gè)流程。
比如下一個(gè)對(duì)應(yīng)的客戶經(jīng)理，能夠根據(jù)機(jī)器人和（上一個(gè)）客戶經(jīng)理的具體跟進(jìn)成效，為其累計(jì)業(yè)績，同時(shí)這些業(yè)績又能夠驗(yàn)證和反饋訓(xùn)練挖掘模型，從而形成一個(gè)端到端的全數(shù)據(jù)運(yùn)營的閉環(huán)。
RPA驅(qū)動(dòng)引擎場景，可以對(duì)各種零售業(yè)務(wù)場景精準(zhǔn)輸出潛在的意向用戶，并按照用戶和業(yè)務(wù)場景的相關(guān)度的數(shù)據(jù)大小的排序輸出白名單。
通過行方的手機(jī)銀行的線上渠道、短信、人工坐席、象小秘的AI外呼等多個(gè)促客平臺(tái)和工具針對(duì)用戶展開一人一面的營銷，同時(shí)在良好的用戶體驗(yàn)下獲得高轉(zhuǎn)化率。
同時(shí)，這些數(shù)據(jù)驅(qū)動(dòng)的場景營銷和運(yùn)營活動(dòng)都是自動(dòng)化流轉(zhuǎn)和運(yùn)行的，可以觸達(dá)人工服務(wù)條件下無法觸達(dá)的幾乎所有零售場景和海量的長尾用戶，從而產(chǎn)生了新收入，創(chuàng)造出新業(yè)績，完成KPI。同時(shí)因?yàn)檎紫到y(tǒng)都是自動(dòng)化流轉(zhuǎn)的，基層減負(fù)的問題也得以解決，基層員工的負(fù)載反而是呈下降趨勢的。
總體而言，驅(qū)動(dòng)引擎是圍繞著用戶的需求進(jìn)行端到端的業(yè)務(wù)閉環(huán)。相關(guān)場景包含了金融業(yè)務(wù)的事前、事中、事后，將以前大量的繁忙的銀行基層事務(wù)工作轉(zhuǎn)化為機(jī)器人的任務(wù)，以及人機(jī)協(xié)同的過程，以達(dá)到降本增效的結(jié)果。
同時(shí)，可以將原來銀行只能夠服務(wù)5%的頭部私行客戶的服務(wù)能力，提升到可以為80% ~90%的長尾客戶都提供精細(xì)化以及個(gè)性化的服務(wù)，真正實(shí)現(xiàn)帶來新收入、創(chuàng)造新業(yè)績的目標(biāo)。
——AI數(shù)據(jù)驅(qū)動(dòng)用戶觸達(dá)層
目前，象小秘AI智能營銷外呼語音機(jī)器人已經(jīng)實(shí)現(xiàn)軟硬件一體化，將其落地到分行、支行，部署相應(yīng)的象小秘智能終端，可以非常靈活組網(wǎng)，每個(gè)終端上可以跑8-12個(gè)這樣的機(jī)器人。
這樣就使得原本需要客戶經(jīng)理投入大量精力參與的電話營銷工作，或者是微信上的對(duì)話工作，優(yōu)化為通過機(jī)器人與客戶進(jìn)行初步的溝通和篩選，將意向用戶篩選出來之后，再由客戶經(jīng)理二次跟進(jìn)轉(zhuǎn)化的人機(jī)協(xié)同的工作模式，從而幫助網(wǎng)點(diǎn)以及客戶經(jīng)理極大提高觸達(dá)用戶的效率。
此外，在整個(gè)過程中，AI還可以在后臺(tái)實(shí)現(xiàn)自動(dòng)的督導(dǎo)、統(tǒng)計(jì)、優(yōu)化，也可以對(duì)后續(xù)人工客戶經(jīng)理跟進(jìn)的相關(guān)內(nèi)容和話術(shù)進(jìn)行評(píng)估和打分，再反過來對(duì)人工的跟進(jìn)環(huán)節(jié)以及人工呼叫的相關(guān)工作進(jìn)行評(píng)估和質(zhì)檢。
AI智能外呼營銷具有以下優(yōu)勢：
首先，節(jié)省人工費(fèi)用。相對(duì)于人工外呼，在同等轉(zhuǎn)化率的情況下，根據(jù)目前客戶與商務(wù)模式估算出來，AI機(jī)器人每天只需要27元的成本。
而人類客戶經(jīng)理一般則需要日均700元的成本，如果一個(gè)客戶經(jīng)理外加三個(gè)機(jī)器人助手，總業(yè)績就相當(dāng)于10個(gè)人工客戶經(jīng)理所完成的業(yè)績。
第二，溝通質(zhì)量高，AI機(jī)器人不會(huì)受到工作時(shí)長的影響或者其他方面帶來的情緒問題。
第三，另外，語音的質(zhì)量可以進(jìn)行個(gè)性化調(diào)配，會(huì)根據(jù)嵌入程序穩(wěn)定的與客戶進(jìn)行溝通，沒有太多差錯(cuò)率，同時(shí)也可以帶來比較方便的培訓(xùn)和訓(xùn)練，達(dá)成真正的標(biāo)準(zhǔn)化。而人工外呼團(tuán)隊(duì)要進(jìn)行標(biāo)準(zhǔn)化的培訓(xùn)，還是要付出相當(dāng)?shù)呐Α?/p>
第四，不斷提升正反饋， AI智能對(duì)話平臺(tái)能夠不斷積累相應(yīng)數(shù)據(jù)，機(jī)器人通過自然語言與客戶溝通，在過程溝通當(dāng)中，后臺(tái)的智能軟件能夠?qū)崟r(shí)分析對(duì)話內(nèi)容，將對(duì)話內(nèi)容首先以結(jié)構(gòu)化的數(shù)據(jù)進(jìn)行存儲(chǔ)。
第五，同時(shí)后臺(tái)軟件能夠?qū)崟r(shí)標(biāo)注互動(dòng)內(nèi)容，利用標(biāo)注后的數(shù)據(jù)，不斷自動(dòng)機(jī)器學(xué)習(xí)優(yōu)化NLP的語言模型，從而提高端到端的識(shí)別率和準(zhǔn)確率。
整個(gè)AI的外呼平臺(tái)是基于以下4個(gè)層級(jí)來進(jìn)行架構(gòu)的：
底層是一個(gè)通用的知識(shí)圖譜，機(jī)器人在與用戶對(duì)話的過程中，可能用戶會(huì)問一些通用知識(shí)相關(guān)，機(jī)器人也要掌握。
再上層是一個(gè)針對(duì)行業(yè)和具體場景的知識(shí)庫，我們將其分成金融相關(guān)場景的知識(shí)庫，例如年底的大額理財(cái)或者是信用卡推廣的開門紅等。
第三層是NLP能力層，NLP平臺(tái)已經(jīng)歷過數(shù)億次的真實(shí)對(duì)話和多輪對(duì)話的場景，包括智能語音的翻譯、智能語義以及智能對(duì)話、意圖識(shí)別等等。
最上層就是具體的應(yīng)用場景，針對(duì)目前銀行客戶的多個(gè)核心的業(yè)務(wù)部門，比如個(gè)金部，涉及到相關(guān)的理財(cái)、存款、保險(xiǎn)以及貸款等；網(wǎng)金部則會(huì)涉及到第三方支付平臺(tái)綁卡，電子醫(yī)保業(yè)務(wù)，還有手機(jī)銀行等。
此外，信用卡部也是擁有非常豐富的場景，主要圍繞著卡的生命周期展開，從開卡、核卡、促活、消費(fèi)到最后的賬單分期。
例如開卡環(huán)節(jié)可以支持某一個(gè)地市，針對(duì)一個(gè)具體人群，例如公務(wù)員人群、教師人群或者是微商人群，在這個(gè)過程中，整個(gè)的對(duì)話流程、落地頁以及相應(yīng)的用戶回答的問題庫都不盡相同，這樣有針對(duì)性的細(xì)分可以讓機(jī)器人更貼近用戶，溝通的內(nèi)容更貼合他的感知，一方面體驗(yàn)更好，另一方面其轉(zhuǎn)化率也會(huì)更高。
在實(shí)際應(yīng)用當(dāng)中，凡是重復(fù)機(jī)械式的外呼任務(wù)，都可以交給AI智能營銷外呼機(jī)器人來完成海量的客戶意向篩選、客戶回訪、活動(dòng)營銷、電話通知等等，幾乎涉及到銀行所有的核心業(yè)務(wù)部門。
同時(shí)，我們也利用邊緣計(jì)算技術(shù)，通過大規(guī)模的 Multiagent模型的分布式AI系統(tǒng)架構(gòu)，實(shí)現(xiàn)了計(jì)算資源、數(shù)據(jù)資源、帶寬資源的云、邊、端的最佳配置。
在支行網(wǎng)點(diǎn)、合作商戶、經(jīng)營場所、配置服務(wù)器運(yùn)行統(tǒng)一功能的智能代理軟件，在各個(gè)軟件中心、數(shù)據(jù)中心配置大型語音服務(wù)器，承載無相盤的超級(jí)大腦，多個(gè)超級(jí)大腦和各支行的服務(wù)器，通過統(tǒng)一的數(shù)據(jù)智能加網(wǎng)絡(luò)協(xié)同框架，共同完成各項(xiàng)智能金融業(yè)務(wù)。
整個(gè)的實(shí)踐流程提供平臺(tái)加一攬子服務(wù)，是一個(gè)可驗(yàn)證、可回溯的交鑰匙工程。
——銀行智慧零售全鏈路閉環(huán)層
在銀行新零售的場景營銷這個(gè)自動(dòng)化流程過程中，要做到將其數(shù)據(jù)應(yīng)用滲透到場景當(dāng)中的每一個(gè)節(jié)點(diǎn)，也就是要把AI在整個(gè)環(huán)節(jié)當(dāng)中的每個(gè)環(huán)節(jié)都要做好，這個(gè)過程被稱為S1到S5的全過程自動(dòng)化運(yùn)營。
包括自動(dòng)識(shí)別（識(shí)別用戶），自動(dòng)推薦（推薦用戶喜歡的產(chǎn)品），自動(dòng)跟進(jìn)，自動(dòng)計(jì)酬，以及自動(dòng)優(yōu)化五個(gè)過程，將超級(jí)大腦AI工具、智能終端整合起來，形成一套全自動(dòng)的運(yùn)營增長系統(tǒng)。
全自動(dòng)識(shí)別，擴(kuò)大銀行的主要出口場景上的識(shí)別范圍，覆蓋了APP、微服務(wù)網(wǎng)站以及線下的網(wǎng)點(diǎn)與合作商戶。從設(shè)備指紋、ID逐步擴(kuò)展到用戶生物特征的識(shí)別。
比如可以利用合作商戶自有的視頻攝像頭，比較準(zhǔn)確地識(shí)別用戶，在營業(yè)廳也可以提供這種生物識(shí)別特征。
全自動(dòng)推薦，從利用行方現(xiàn)有的數(shù)倉，用戶現(xiàn)有的標(biāo)簽數(shù)據(jù)的自動(dòng)聚類和個(gè)性化的推薦，以及無相盤的能力，利用用戶實(shí)時(shí)行為和海量維度特征，進(jìn)行千人千面的自動(dòng)算法推薦。
全自動(dòng)溯源，在推薦出來后，通過各個(gè)渠道以及客戶經(jīng)理掌上移動(dòng)辦公的社交傳播工具推廣出去之后，要核銷業(yè)務(wù)是否得以辦成。
另外，在計(jì)算業(yè)績時(shí)也需要做到全自動(dòng)溯源，也就是RPA驅(qū)動(dòng)引擎還要負(fù)責(zé)記錄在整個(gè)傳播鏈路當(dāng)中所有節(jié)點(diǎn)的溯源關(guān)系，并且通過計(jì)算的所有節(jié)點(diǎn)的傳播指數(shù)來動(dòng)態(tài)分配，以提高整個(gè)傳播鏈路的效率，最后做到閉環(huán)的核銷等等。
全自動(dòng)優(yōu)化，在整個(gè)過程完成算法迭代以后，需要在平臺(tái)上測試不同的算法，因?yàn)樵诓煌?jié)點(diǎn)上它有不同的策略，我們可以針對(duì)這些不同策略快速部署ABtest算法，保證在有大批量推薦策略的情況下，盡快地縮短冷啟動(dòng)的時(shí)間，迅速找到最優(yōu)策略。
雷鋒網(wǎng)主辦的本系列云峰會(huì)暫告一段落，欲獲得所有講者視頻以及PPT回顧內(nèi)容，可關(guān)注公眾號(hào)“AI金融評(píng)論”（ID: aijinrongpinglun），進(jìn)群獲取回放鏈接。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
