1、    银行的智能用数

金融行业的智能用数是指通过大数据、人工智能（AI）、机器学习、云计算等技术，对金融业务中的海量数据进行智能化采集、处理、分析和应用，以优化决策、提升效率、降低风险并创造新价值的过程。其核心目标是让数据从“静态资源”转变为“动态生产力”，推动金融业务向自动化、精准化和个性化方向发展。

核心组成部分

数据整合与治理：打破传统数据孤岛，整合内部（交易记录、客户信息）与外部（社交媒体、宏观经济）数据。通过数据清洗、标注、脱敏等技术提升数据质量，确保合规性（如GDPR、金融行业监管要求）。

智能分析技术：AI与机器学习：训练模型预测市场趋势、客户行为（如信贷违约概率、股票价格预测）。自然语言处理（NLP）：分析新闻、研报、客服对话中的非结构化文本，捕捉市场情绪或风险信号。图计算：识别复杂关系网络中的欺诈行为（如洗钱、团伙骗贷）。

实时决策支持：利用流式计算（如Apache Flink）处理实时数据，例如高频交易、反欺诈监控。智能风控系统可在毫秒内拦截异常交易。

典型应用场景

风险管理与合规：信用评分，通过用户消费、社交数据补充传统征信（如蚂蚁金服的“芝麻信用”）。反洗钱（AML），AI识别异常资金流动模式，减少误报率。市场风险预测，基于宏观经济数据和历史波动性模拟压力测试。

客户洞察与精准营销：客户分群，通过聚类算法划分高净值客户、潜在流失客户等群体。个性化推荐，根据投资偏好推荐理财产品（如智能投顾平台“Betterment”）。

运营效率优化：智能客服，NLP驱动的聊天机器人（如银行的虚拟助手）处理80%常见问题。流程自动化（RPA），自动处理贷款审批、对账等重复性工作。

投资与交易：量化投资，利用机器学习挖掘市场因子，生成交易信号。算法交易，高频交易系统在微秒级响应市场变化。

智能用数正在重塑金融行业的价值链，从“经验驱动”转向“数据驱动”，提升决策速度与精度（如贷款审批从数天缩短至分钟级）；降低人力成本（如自动化报告生成）；发现隐藏价值（如通过用户行为数据设计新金融产品）。

2、    基于大模型的数据应用场景

2.1 客户经理绩效助手

Agent场景：

各分支行、员工的绩效关注点各不相同，想查询超出标准报表的指标需要向科技人员提出书面需求，并在取数过程中与科技人员反复核对数据口径、取数逻辑。业务人员很难及时获取数据，科技人员也要付出大量精力以应对。

基于大模型的智能问数助手让业务人员无需掌握编程技能，通过自然语言对话即可查询出数据库中的数据。也可通过自然语言对话的方式自助生成报表，美化样式，添加查询，调整数据，辅助分析。

需求分析：

面对业务部门繁多的取数需求，科技人员疲于应对业务部门会针对自己的绩效指标细节产生大量取数需求，需要有权限并掌握编程技能的科技人员配合抽取。导致大量科技人员需要挤出时间完成取数。

取数口径理解差异，反复抽取核对，业务人员与科技人员对数据的理解存在差异，导致数据抽取结果偏离业务人员预期，需要双方反复核对口径并取数校验。

业务人员需要依赖科技人员制作报表，将频繁使用的指标构建固定格式报表，是解决频繁取数的有效方法。但业务人员只有在科技人员的支持下才能创建报表对外发布，报表的修改也需科技人员支持。

对业务数据的分析依赖业务人员经验，只有有经验的业务人员才能做好数据分析工作，新员工缺乏分析助手辅助。

业务流程：

基于大模型实现了基层员工通过自然语言对话的方式每日自主问询业绩指标。并通过自然语言对话的方式搭建各分行绩效报表，并辅助生成分析报告。

员工自主业绩查询，一线员工每日自主问询业绩，时效可达 T+1，粒度可至末级产品，范围涵盖业务规模、FTP 利润 /EVA、风险。

分行业绩报表自主搭建，在标准报表模板的基础上，分行管理人员可根据自己分行特点与需求通过对话方式调整数据元素、图表对象及报表格式。

归因分析辅助，对各项数据都内嵌常见归因分析，辅助一线业务人员快速定位问题。

价值分析：

业务人员自主问数，无需通过科技人员，业务人员以自然语言的方式向大模型问数用数。交互过程中，即便是金融专业知识、行话俗语也可被准确理解并生成相应的取数动作。取数用数无需再提请取数流程，无需求助于科技人员编写 SQL 程序。

大模型辅助归因分析，让新员工快速上手，客户经理绩效问数 agent 内置了金融行业常见的绩效数据分析场景，可快速应用于归因分析、客户画像分析、客户商机挖掘等业务场景。使得新员工也可快速上手过去需要具备专家经验的工作。

业务人员自主掌控取数口径，无需与科技人员反复核对，基于大模型的多轮对话能力，业务人员可在问数过程中边取数边查看样本数据，逐步确认数据口径、约束条件直至最终确定准确的数据范围。无需再与科技人员反复解释核对。

业务人员自主创建报表，无需依赖科技人员制作，通过大模型的智能报表搭建Agent，业务人员可以自然语言的方式指导 Agent 搭建数据分析报表并发布。无需通过科技人员或自行学习 BI报表技能。

2.2 智能问数助手

Agent场景：

金融行业经过多年的从底层技术到上层应用到数据基础设施建设，基本已经实现了数据统一建设及管理。如何让业务人员更好的自主完成数据分析和应用是金融行业下一阶段的重点探索的目标，业务人员可以按照个人的分析意图准确的找到数据、聚合数据、分析数据，有效改变传统的业务与科技之间过度依赖“要数工单”的数据应用结果传递模式。

基于大模型打造自然语言对话式数据分析智能应用。让业务人员无需掌握编程技能，通过自然语言对话的方式便可自主获取数据及数据归因分析，实现数据应用的即问即得。为用户带来全新的数据分析、数据洞察的操作体验，极大提升数据分析效率。

需求分析：

数据智能分析，借助智能化数据分析工具功能仅需要将数据应用需求通过自然语言输入的方式能够自动完成数据计算代码生成、数据计算以及应用结果可视化呈现，并且能够对数据结果进行提炼总结，以一句话的形式表达出智能数据分析结果的主题答案。

驾驶舱补充问答，驾驶舱作为金融行业经营管理的重要基础设施，智能数据分析应该能够深度集成到驾驶舱，管理人员在查看驾驶舱内的指标卡片过程中，如果对某些指标存在疑问或者临时想查看某个关键指标，可以通过对话的方式完成数据指标即时答复及呈现。

数据特征洞察，对于数据分析的结果能够进行深层次的洞察以及归因分析，尤其在数据出现大幅波动的情况下能够智能识别出造成波动的根本原因。

业务流程：

构建智能问答的数据分析体系，围绕银行资产负债管理、分支行经营赛、绩效考核马等场景实现面向各机构领导的智能数据应用模式。同时，结合 BI 可视化仪表板的能力打造面向领导驾驶舱的智能问数模式，充分满足行方将传统驾驶舱与AI 数据智能分析有效结合的应用体系。

智能问数分析，基于行内多种场景的数据集面向管理部门以及业务团队进行灵活的对话式数据分析。对于用户提出的问题结合大模型完成NL2SQL 解析转换，并对结果数据进行提炼总结进一步提升数据面向业务人员对可理解性。

驾驶舱智能分析，将智能问数的能力嵌入到银行的经营驾驶舱内。在经营驾驶舱内无法穷举所有指标卡片并进行可视化展现，因此将智能问数嵌入到驾驶舱内，能够对于没有呈现出来的指标进行快速的即问即答，提升驾驶舱数据内容服务的全面性。

数据洞察分析，报表数据洞察异常识别：面向驾驶舱一键开展数据洞察以及异常点分析，对于存在大幅异常波动的指标能够进行逐层下钻找到造成异常的根本原因。智能问数波动归因分析：支持对问数的结果一键开展波动归因分析快速找到造成并波动的主要原因，业务人员可以按照需求能够灵活定义归因的时间范围、拆解维度等信息，满足个性化数据归因分析。

价值分析：

通过智能问数，可以更高效地利用数据资源，提升对数据价值的洞察力，释放数据的潜在价值。

提升效率，通过自然语言交互，快速获取数据洞察，减少人工查询和分析的时间。

降低门槛，非技术用户也能轻松完成灵活、自主的数据分析。

加快决策，智能问数可以通过对大量复杂数据的快速分析、异常洞察，为决策提供支持。

2.3 数据资产问答

Agent场景：

在大数据时代，金融客户在数据分析的过程中往往面临找数难、用数难的问题。业务人员不了解数据资产结构，往往需要数据技术人员的支持，按照 IT 建设的模式提出数据加工需求或者取数需求。

在大模型技术的支撑下，大模型、数据资产、业务人员进行融合组织，将数据检索过程从“被动查询”转变为“主动发现”， 让业务人员通过对话方式找表、找指标、找 API、知晓表使用场景及使用方法等。

需求分析：

现有的数据分析场景中，往往以被动支持的方式满足业务需求，这个过程存在业务数据支撑耗时较长，投入成本高等问题。

业务人员数据能力缺，业务人员往往难以准确评估数据的完整性、一致性和可靠性，缺乏对数据采集逻辑、清洗规则及潜在偏差的识别能力。同时面对技术术语（如数据模型、字段定义）时，业务人员难以将其映射到实际业务场景，导致需求表达模糊或分析结论偏离业务目标。

找数难、用数难，科技当前提供的数据资产服务，查找效率低，理解成本高，定位数据难；同时传统架构依赖单一技术元数据（如字段类型、存储位置），缺乏高效的检索能力和语义关联分析，导致跨源数据查询响应慢、资源消耗高。

线下互动，时间周期长，业务人员难以直接使用数据，过度依赖技术人员解读数据逻辑，形成沟通瓶颈，每次需求需协调数据工程师、分析师等多角色，平均耗时 2-3 天，且易因需求传递偏差导致返工。

业务流程：

基于大模型，并结合全域数据资产、文件构建成企业级的数据资产知识库，同时进行专家微调，最后将大模型产出内容输出到 ChatBot 里面，实现数据资产的智能问答。

用户问题输入，系统识别策略类问题还是资产问答类问题。例如 1、我是业务负责人，今年营销活动目标是 MAU 提升 20%，数据能帮我做什么？ 2、我是产品运营人员，我想了解 **产品的销量指标定义是什么？

大模型推理，基于大模型，以 RAG 形式进行推理。

全域数据资产整合，1、整合企业内核心知识资产，包含业务模型、业务流程、组织架构，元数据模型、专有知识、词汇、术语等。2、整合企业所有结构化、非结构化数据，包含结构化：表、指标、标签、报表、数据集、API。文档：PPT、Word、Excel、Txt、PDF。媒体：音视频等。

基于大模型高效实现数据资产问答，满足业务人员找表、找指标、找 API、问表使用场景及使用方法等需求场景，找数、用数上极大提升了效率。

价值分析：

提高理解效率，使用数据资产问答助手，能够对数据资产进行多维度的刻画，并丰富业务属性，加速业务人员对数据信息的吸收，提供数据的确信与理解能力。

提效降本，业务人员可借助数据资产问答助手，高效查找到自己业务想用的数据资产以及解决方案，业务人员也能够更加自主的进行数据的分析，极大的提升数据分析的效率，同时也释放部分科技人员解答数据问题的成本。

2.4 贷款分析助手

Agent场景：

贷款业务是银行经营的核心业务。对贷款的分析与管理是规模、风险、效益多方面平衡的艺术，只有具备丰富经验的专家才能胜任该项工作。如果能把银行贷款专家的经验及典型案例总结归纳为标准化分析典范并让一线人员都能得到指导和帮助，将会大幅提升银行一线贷款人员的业务素质。

银行贷款分析助手智能体是基于大语言模型，将银行贷款专家知识进行编排，形成银行贷款分析的数个典型模式。通过交互对话的方式，辅助引导银行人员贷款分析的工具。

需求分析：

银行贷款业务经营分析需要经验丰富的专家耗费较多精力进行专项分析，而且分析结果通常会因人的经验差异而不同。

依赖经验人员，贷款经营分析及商机挖掘是一项十分依赖专家经验的工作。培养一名能从成千上万数据信息中抓住关键信息，能从数据中洞察业务问题、挖掘潜客，并能将客户需求与本行产品匹配，能平衡风险与收益的贷款经营专家是漫长且可遇不可求的过程。经验丰富的贷款专家在每一家银行都是稀缺人才。

人工分析效率低，贷款业务涉及客户与业务、风险与效益多方面。相关的各项数据少则数百项，多则过万。每家银行各系统记录的数据都是散落于各个角落，需要经验人员把数据归集构建，然后靠人工分析将耗费巨大的人力资源及时间。

难以统一标准化，分析人员对客户的判断结果很大程度上会受其个人经验、过往案例的影响，甚至分析人员当时的状态也会导致结果差异。

业务流程：

基于大模型，使用平台工具搭建贷款经营分析 agent。实现了在十余分钟内完成一家分支行的贷款业务分析，并返回指标结果及生成报告。该agent 将全行有经验贷款专家共同总结出的分析思路与典型问题方案通过编排的形式固化在了agent 流程中，使得任何人都可以获得专家经验支持，自主操作便可获得标准化结果。

银行贷款分析助手是构建于银行现有的数据集市之上。通过 agent 编排能力用领域专家经验设计的分析流程与范式把传统分析代码、模型与大模型分析 agent相结合，让银行现有数据、模型继续发挥能力。同时通过调用大模型能力对现有数据分析进行补充，获得更优效果。

数据层，数据层依托于银行已构建的核心交易、客户、风险、产品、管会等数据集市，并对存量数据集市做适当修改以适应大模型数据处理量大但算力需求也十分突出的特点。

分析层，分析层是对数据挖掘、分析的主要层级。首先对银行已构建的分析思路流程、模型代码进行检视，评估现有分析方法的待优化部分，其中可通过大模型提升能力的则构建相应的 agent。如，客户流水分析 agent，客户画像 agent 等。通过将传统分析方法与大模型相结合，提高分析的准确性并拓宽覆盖面与深度。

应用层，应用层负责将贷款业务分析思路、结果向一线业务人员传授。贷款分析是一项较为专业的工作，很难要求所有一线业

务人员都熟练掌握。通过贷款分析助手 agent 相关的流程编排，引导一线业务人员的用数及分析思路，让分析结果能被相对容易理解并应用。

价值分析：

专家经验总结沉淀，通过大模型 agent 编排构建的过程，是把专家经验总结固化沉淀在 AI 知识库的过程。其中每一个大模型 agent并非是替代传统小模型、分析过程、业务数据，而是通过大模型的能力拓展存量模型与数据的智慧边界。大模型agent 让过往沉淀的专家经验得到沉淀与传承，为存量科技能力注入新的活力。

高效海量处理，通过大模型 agent 编排批量处理海量的业务信息，避免了过往靠专家人工判读分析的漫长过程。实现高效的贷款分析过程。

标准化分析，通过大模型 agent 编排使得贷款分析成为标准化的流程，避免了人为评估业务价值、违约风险，发现客户需求商机时的随机性与偏差。使得全行各机构对业务的评价都沿用统一的标准及体系流程。

2.5 小微经营户潜客挖掘

Agent场景：

近些年，小微企业及零售客户中的经营户、个体工商户成为银行重点拓展的目标群体。这类客户有公司账户与企业主个人账户混用，财务与风险需从两个主体通盘评估的特点。一线客户经理需要从大量小微企业、零售经营客群中挖掘出有潜力、风险可控的优质客户。

银行小微经营户潜客挖掘助手汇总客户相关数据并深入分析，从客户交易行为、业务结构、波动趋势、创立贡献、交易往来关系圈等方面入手。依据大模型流程编排中内嵌的专家经验路径，以标准化、高效自动化的流程构建客户交易流水画像，分析客户需求特征、偏好、价格敏感性，并判断客户潜力、目前主账户行等商机信息，并从中挖掘出优质的小微经营户潜客。

需求分析：

优质小微经营户潜客挖掘需要有经验的业务人员耗费较多精力进行专项分析，而且分析结果通常会因人的经验差异而不同。

依赖经验人员，客户分析挖掘是一项十分依赖专家经验的工作。培养一名能从数千乃至上万数据信息中抓住关键信息并构建出客户画像，进一步分析出客户需求和洞察商机的客户经理需要数年时间。合格的客户经理在每一家银行都是稀缺人才。

人工分析效率低，客户相关的各项数据少则数百项，多则过万。每家银行

各系统记录的数据都是散落于各个角落，需要经验人员把数据归集构建，然后靠人工分析将耗费巨大的人力资源及时间。

难以统一标准化，业务人员对客户的判断结果很大程度上会受其个人经验、过往案例的影响，甚至业务人员当时的状态也会导致结果差异。

业务流程：

基于大模型，使用工具搭建了小微经营户潜客挖掘助手。实现了在数分钟内完成一个客户的综合分析，并返回结构化打标结果及生成报告。报告主要结果为潜力贷款客户清单、潜力存款 / 理财客户清单、客户他行主账户推断、客户经营关系圈推断等内容。

该 agent 将全行有经验客户经理共同总结出的判读经验规则通过编排的形式固化在了 agent 流程中，使得任何人都可以获得专家经验支持，自主操作都可获得标准化结果。

银行小微经营户潜客挖掘助手是构建于银行现有的数据集市之上。通过 agent 编排能力把传统客户标签画像、客户挖掘模型与大模型分析 agent 相结合，让银行现有数据、模型继续发挥能力。同时通过调用大模型能力对现有数据分析进行补充，获得更优效果。

数据层，数据层依托于银行已构建的核心交易、客户、管会、风险等数据集市，并对存量数据集市做适当修改以适应大模型数据处理量大但算力需求也十分突出的特点。

分析层，分析层是对数据挖掘、分析的主要层级。首先对银行已构建的分析思路流程、模型代码进行检视，评估现有分析方法的待优化部分，其中可通过大模型提升能力的则构建相应的 agent。如，客户行为识别 agent，客户画像 agent 等。通过将传统分析方法与大模型相结合，提高分析的准确性并拓宽覆盖面与深度。

应用层，应用层负责将客户分析过程挖掘结果向一线业务人员交互式传授。客户挖掘分析是一项较为专业的工作，很难要求所有一线业务人员都熟练掌握。通过小微经营户潜客挖掘助手 agent 相关的流程编排，引导一线业务人员的用数及分析思路，让分析结果能被相对容易理解并应用。

价值分析：

专家经验总结沉淀，通过大模型 agent 编排构建的过程，是把专家经验总结固化沉淀在 AI 知识库的过程。其中每一个大模型 agent并非是替代存量数据及传统分析过程，而是通过大模型的能力拓展存量数据与模型的智慧边界。大模型 agent让过往沉淀的专家经验得到沉淀与传承，为存量科技能力注入新的活力。

高效海量处理，通过大模型 agent 编排批量处理海量的客户信息，避免了过往靠专家人工判读分析的漫长过程。实现高效的海量客户分析挖潜。

标准化分析，通过大模型 agent 编排使得小微经营户潜客挖掘成为标准化的流程，避免了人为评估客户潜在商机时的随机性与偏差。使得全行全体客户的评价都沿用统一的标准及体系流程。

2.6 客户经营分析助手

Agent场景：

银行客户经营分析助手汇总客户相关数据并深入分析，从客户交易行为、业务结构、波动趋势、创立贡献、交易往来关系圈等方面入手。依据大模型流程编排中内嵌的专家经验路径，以标准化、高效自动化的流程构建客户交易流水画像，分析客户需求特征、偏好、价格敏感性，并判断客户潜力、目前主账户行等商机信息。

需求分析：

客户经营分析及商机挖掘需要有经验的业务人员耗费较多精力进行专项分析，而且分析结果通常会因人的经验差异而不同。

依赖经验人员，客户经营分析商机挖掘是一项十分依赖专家经验的工作。培养一名能从数千乃至上万数据信息中抓住关键信息并构建出客户画像，进一步分析出客户需求和洞察商机的客户经理需要数年时间。合格的客户经理在每一家银行都是稀缺人才。

人工分析效率低，客户相关的各项数据少则数百条，多则过万。每家银行各系统记录的数据都是散落于各个角落，需要经验人员把数据归集构建，然后靠人工分析将耗费巨大的人力资源及时间。

难以统一标准化，业务人员对客户的判断结果很大程度上会受其个人经验、过往案例的影响，甚至业务人员当时的状态也会导致结果差异。

业务流程：

基于大模型，客户经营分析助手可在数分钟内完成一个客户的综合分析，并返回结构化打标结果及生成报告。该 agent 将全行有经验客户经理共同总结出的判读经验规则通过编排的形式固化在了agent 流程中，使得任何人都可以获得专家经验支持，自主操作都可获得标准化结果。

银行客户经营分析助手是构建于银行现有的数据集市之上。通过 agent 编排能力把传统分析代码、模型与大模型分析 agent 相结合，让银行现有数据、模型继续发挥能力。同时通过调用大模型能力对现有数据分析进行补充，获得更优效果。

数据层，数据层依托于银行已构建的核心交易、客户、管会、风险等数据集市，并对存量数据集市做适当修改以适应大模型数据处理量大但算力需求也十分突出的特点。

分析层，分析层是对数据挖掘、分析的主要层级。首先对银行已构建的分析思路流程、模型代码进行检视，评估现有分析方法的待优化部分，其中可通过大模型提升能力的则构建相应的 agent。如，客户行为识别 agent，客户画像 agent 等。通过将传统分析方法与大模型相结合，提高分析的准确性并拓宽覆盖面与深度。

应用层，应用层负责将客户画像分析思路、结果向一线业务人员传授。客户画像分析是一项较为专业的工作，很难要求所有一线业务人员都熟练掌握。通过客户经营分析助手agent 相关的流程编排，引导一线业务人员的用数及分析思路，让分析结果能被相对容易理解并应用。

价值分析：

专家经验总结沉淀，通过大模型 agent 编排构建的过程，是把专家经验总结固化沉淀在计算机中的过程。其中每一个大模型 agent并非是替代传统小模型、分析过程、业务数据，而是通过大模型的能力拓展存量模型与数据的智慧边界。大模型agent 让过往沉淀的专家经验得到沉淀与传承，为存量科技能力注入新的活力。

高效海量处理，通过大模型 agent 编排批量处理海量的客户信息，避免了过往靠专家人工判读分析的漫长过程。实现高效的海量客户画像构建。

标准化分析，通过大模型 agent 编排使得客户画像分析成为标准化的流程，避免了人为评估客户价值贡献，发现客户需求商机时的随机性与偏差。使得全行全体客户的评价都沿用统一的标准及体系流程。

2.7 智能搭建助手

Agent场景：

金融机构已构建了企业级报表平台，并开发了庞大的报表体系。但一线分支机构、员工对报表的需求多种多样，想创建自己的定制报表需要向科技人员提出书面需求，并在报表搭建过程中与科技人员反复沟通核对数据口径、加工逻辑、报表样式。耗时耗力，牵扯了业务、科技人员大量精力

基于大模型的智能搭建助手让业务人员无需掌握 BI 报表搭建技能，通过自然语言对话即可自助生成报表，制作数据图表，美化样式，添加查询。

需求分析：

面对业务部门繁多的报表需求，科技人员疲于应对，业务部门在生产经营过程中会产生大量取数、报表搭建需求，需要有权限并掌握编程技能的科技人员配合抽取。导致大量科技人员需要挤出时间配合完成。

数据、报表理解差异，反复核对沟通，业务人员与科技人员对数据、业务逻辑、报表的理解存在差异，导致最终结果经常偏离业务人员预期，需要双方反复核对沟通。

业务人员需要依赖科技人员维护报表，业务人员只有在科技人员的支持下才能创建报表对外发布，报表的修改维护也需科技人员支持。导致报表更新时效慢。

业务流程：

功能实现了业务人员通过自然语言对话的方式方式搭建各分行绩效报表，并辅助生成分析报告。

大幅降低定制报表门槛，业务人员通过自然语言对话的方式即可完成报表搭建，无需掌握编程技能也无需技术人员支持。

业务人员自主把控调整报表，在标准报表模板的基础上，分行管理人员可根据自己分行特点与需求通过对话方式调整数据元素、图表对象及报表格式。

归因分析辅助，对各项数据都内嵌常见归因分析，辅助一线业务人员快速定位问题。

价值分析：

业务人员自主搭建，无需通过科技人员，业务人员以自然语言的方式搭建定制报表。交互过程中，即便是金融专业知识、行话也可被准确理解并生成相应的动作。取数用数无需再提请取数流程，无需求助于科技人员编写代码。

业务人员自主掌控报表逻辑，无需与科技人员反复核对，基于大模型的多轮对话能力，业务人员可在报表搭建过程中边取数边查看样本数据，逐步确认数据口径、约束条件、计算逻辑直至最终确定报表样式。无需再与科技人员反复解释核对。

业务人员自主维护报表，无需依赖科技人员制作，业务人员可以自然语言的方式指导Agent 修改已有报表并重新发布。无需通过科技人员即可即时维护。

2.8 存款分析助手

Agent场景：

存款增长及成本控制是银行经营中的重要工作。分支行管理人员及一线人员都希望能有银行经营分析方面的专家每天针对本行 / 自己的存款业务进行分析，指出当前面临的问题及潜在商机。

银行存款分析助手智能体便是基于大语言模型，将银行经营分析专家知识进行编排，形成银行存款经营的数个典型分析方案。通过交互对话的方式，辅助引导银行人员存款分析的工具。

需求分析：

银行存款增长及波动分析，存款商机挖掘需要有经验的业务人员耗费较多精力进行专项分析，而且分析结果通常会因人的经验差异而不同。

依赖经验人员，银行存款分析商机挖掘是一项十分依赖专家经验的工作。培养一名能从数千乃至上万数据信息中抓住关键信息洞察存款业务中隐藏的问题，进一步分析出潜在客户商机的数据分析人员需要数年时间。合格的分析专家在每一家银行都是稀缺人才。

人工分析效率低，存款业务涉及产品、客户、地域、市场利率、同业竞品等多方面，各项数据少则万成千上万条，多则过亿。且每家银行各系统记录的数据都是散落于各个角落，需要经验人员把数据归集构建，然后靠人工分析将耗费巨大的人力资源及时间。

难以统一标准化，分析人员对当前业务状况的判断结果很大程度上会受其个人经验、过往案例的影响，甚至分析人员工作时刻的状态也会导致结果差异。

业务流程：

银行存款分析助手是构建于银行现有的数据集市之上。通过 Agent 编排能力把传统分析模型、报表与大模型分析Agent 相结合，让银行现有数据、模型继续发挥能力。同时通过调用大模型能力对现有数据分析进行补充，获得更优效果。

数据层，数据层依托于银行已构建的核心交易、客户、产品、管会、区域市场统计等数据集市，并对存量数据集市做适当修改以适应大模型数据处理量大但算力需求也十分突出的特点。

分析层，分析层是对数据挖掘、分析的主要层级。首先对银行已构建的模型代码、分析报表进行检视，评估现有分析方法的待优化部分，其中可通过大模型提升能力的则构建相应的agent。如客户画像agent、主账户流出追踪 agent 等。通过将传统分析方法与大模型相结合，提高分析的准确性并拓宽覆盖面与深度。

应用层，应用层负责将存款业务分析思路、结果向一线业务人员传授。存款分析是一项较为专业的工作，很难要求所有一线业务人员都熟练掌握。通过存款分析助手 agent 相关的流程编排，引导一线业务人员的用数及分析思路，让分析结果能被相对容易理解并应用。

某银行基于大模型，使用大数据工具搭建了银行存款分析agent。实现了在十多分钟内完成一家分支机构的存款分析并生成报告。该agent 将全行数据分析专家共同总结出的分析思路及流程步骤通过智能体编排的形式固化在了agent 流程中，使得任何人都可以获得专家经验支持，自主操作便可获得标准化结果。

价值分析：

专家经验总结沉淀，通过大模型 agent 编排构建的过程，是把专家经验总结固化沉淀在计算机中的过程。其中每一个大模型 agent并非是替代传统小模型、分析过程、业务数据，而是通过大模型的能力拓展存量模型与数据的智慧边界。大模型agent 让过往沉淀的专家经验得到沉淀与传承，为存量科技能力注入新的活力。

高效分析，通过大模型 agent 编排批量处理海量的数据信息，避免了过往靠专家人工判读分析的漫长过程。实现高效的存款业务分析。

标准化分析，通过大模型 agent 编排使得银行存款业务分析成为标准化的流程，避免了人为评估业务状态，挖掘客户需求商机时的随机性与偏差。使得全行所有机构存款业务的评价都沿用统一的标准及体系流程。

2.9 理财潜客挖掘

Agent场景：

理财投资客户是各金融机构全力争夺的客户群体。如何在激烈竞争的市场中挖掘出潜在客户进行精准营销、个性化服务，助力金融机构理财业务降本增效是所有金融机构的关注点。

理财投资户潜客挖掘 agent 借助大模型以及大数据平台，根据金融机构给定的规则、样例和私域知识库，构建全量或请求的客户画像，评分并筛选潜客，提供个性化投资推荐和沟通策略。

需求分析：

金融机构在理财投资客户展业时面临诸多痛点：

市场竞争需求，理财市场竞争激烈，拉新成本愈发高昂。但各金融机构在经营中积累的庞大存量客户群体却未被高质量服务覆盖，从存量客户中精细化运营客户，发掘培育优质潜客的工作往往被忽视。

精准营销需求，金融机构间的产品和服务同质化严重，且疲劳轰炸的全量覆盖费时费力，需要更精准高效的营销方式来提升客户转化率。传统的营销方式难以精准定位目标客户，造成大量营销和人力资源浪费。

个性化服务需求，随着投 C 端客户理财意识和知识水平的提高，对个性化投资服务的需求日益增长。

数据驱动决策需求，金融机构均积累了大量的数据，但如何有效利用这些数据进行决策成为难题。

业务流程：

创建 AI 智能体来协助客户经理跟进客户服务情况，并根据客户数据筛选最值得联系的用户名单，列出联系事项、产品推荐和投资理财方案以及对应的话术建议。

盘活存量客户，理财投资户潜客挖掘智能体帮助金融机构快速的在客户大盘数据中分析客户并筛选出 10% 增量高质潜客。

精准识别客户，理财投资户潜客挖掘智能体通过整合分析海量客户数据，精准识别不同客户群体的投资偏好、风险承受能力和投资目标，实现精准筛选、匹配产品、触达并提供个性化话术提高营销转化率，降低营销成本，让金融机构业务人员提升人效。

精准识别客户，理财投资户潜客挖掘智能体通过深入分析客户数据，为客户量身定制产品推荐和投资方案，满足客户个性化需求，提升客户满意度和服务体验。

基于数据的辅助决策，智能体通过对数据的整合与分析，并打通业务人员的使用界面，为他们提供基于数据和机构私域知识的决策支持，帮助他们制定更科学高效的客户开发和服务策略。

价值分析：

业务增长，帮助金融机构挖掘更多潜在客户，提高客户转化率，从而增加业务收入。通过精准的潜客挖掘和个性化服务机会提示，吸引更多客户选择本机构的理财服务。

成本降低，减少人工筛选潜在客户的工作量并避免业务人员对于部分客户的遗忘，降低人力成本和时间成本，提高营销效率，避免无效营销投入和打扰客户，实现资源的优化配置。

客户体验提升，基于客户的各类行为数据挖掘其服务倾向，并生成个性化、专业化的投资服务建议，增强客户对金融机构的信任和认可，提升客户口碑，并提高客户的业务转化率和转介绍率，形成良性的业务循环。

风险管理，在潜客挖掘和投资推荐过程中，充分考虑客户的风险偏好和承受能力，有效降低投资风险，并在金融机构私域知识和安全护栏内出具合规话术。

2.10 代发户促活助手

Agent场景：

代发客户是银行零售客户中重要的主账户潜力客户。但并非所有的代发客户都会将代发行作为自己的日常主账户使用，很多代发户仍停留在代发工具阶段。如何将代发户促活并培养为优质主账户客户是银行客户运营的一项重点工作。

代发客户促活助手基于模型以及大数据平台，在深度分析代发客群数据，构建精准客户画像的基础上，结合银行私域知识库中的产品和过往活动方案，为不同的代发客群客户定制营销策略。实现银行以数据驱动营销、准确结合行内产品与服务，复用过往成功案例，并可以实时进行策略优化的目标。

需求分析：

金融机构的在对代发客户群体展业时一般面临以下痛点：

市场竞争需求，金融市场竞争激烈，各银行都在争夺代发客户资源，不仅要拓展新客户，更要留住老客户并促进其活跃。

多样化素材生成，制定创意营销方案后，制作宣传素材成为重资源消耗的任务。

围绕实时热点的特色营销需求，银行代发客群规模庞大、特征多样，且每年需要针对特定热点制定营销策略，但由于热点众多，信息获取不足，依靠个人经验和网络信息的方式效率低下，缺乏快速响应市场变化的能力，难以满足要求。

业务流程：

创建代发客户促活助手来协助客户经理对代发客群进行分析，并从知识库和互联网资料，根据目标代发客群的画像来出具营销策略，并形成营销方案和海报。缩短了客户经理的工时消耗，并提升了服务客群的精准度。该智能体使用 ReAct 的范式进行设计，可以从用户的反馈和确认信息中优化输出，并反复修改达到用户的预期效果。

构建客户画像，从客户基础属性、交易行为、身份推断、产品偏好、利率敏感性等方面构建客户画像，为客户运营提供基础信息。

形成营销方案，根据客户画像、营销思路、当前活动规划出具具体执行方案。包括行动计划、成本估算、预期增长、风险预案处理等。

生成营销素材，代发客户促活助手通过对行内代发客群过往的方案学习，互联网热点素材的分析，根据营销方案和目标客户的审美需求，为营销方案快速生成配套素材。

价值分析：

挖掘存量代发户优质潜客，代发客户促活助手可以帮助银行洞悉客户行为，精准发力，提升客户粘性和忠诚度，在竞争中占据优势。

辅助营销策略，代发客户促活助手通过精准画像把握、银行私域知识库利用、互联网热点获取和本地化特色营销策略制定，帮助银行实现在不同热点下对不同客户群体的差异化创意营销，提高业务人员的营销效率，并降低营销成本。

辅助客户运营，代发客户促活助手通过辅助生成营销策略级配套素材，助力银行快速启动客户运营活动。在激烈的行业竞争中提升代发客群的活跃度、资金留存率、产品与服务渗透率并深化与目标客群的客情关系。