Discovery Bank用行为AI与治理数据实现规模化超个性化

银行如何在满足金融服务的规模、速度、安全和治理要求的同时，让每一次客户互动都感觉个性化？

银行中的超个性化是指根据客户的实际行为而非人口统计细分，使每次客户互动在特定时刻与特定个人相关。这就像给所有35岁以下的客户发送储蓄提示，与向一位刚收到工资、有定期存款到期、本周三次浏览应用投资板块的客户提供具体建议之间的区别。在金融机构运营的规模上，这需要受治理的AI基础设施，而非手动配置。

客户与银行的关系会产生持续的信号流——从支付和消费模式到储蓄行为、数字参与、借贷决策和服务对话。挑战在于将这些信号转化为有用的后续步骤，同时保持个性化、欺诈保护、服务和治理之间的联系。

对于发现银行，该银行于2019年成立，旨在改变南非银行业，其答案并非单一模型或应用程序。而是围绕基于行为科学和AI的数据产品来构建银行，然后将这些产品嵌入整个业务。这一基础支持财务健康、个性化旅程、欺诈保护、银行家协助、生成式AI以及通过代理进行的受控操作。对于构建这些能力的团队来说，可复用的决策可确保定义和控制在营销、数字体验、服务和行为改变计划中保持一致。

发现银行的经验为金融服务领导者提供了实用的教训。当AI与以下方面连接时，它会变得更有价值：

• 可信数据
• 可复用的分析产品
• 确定性服务
• 治理在系统从洞察转向行动时依然存在

观看发现银行数据主管Stuart Emslie分享他们如何与Databricks合作实现这一目标。

围绕共享价值构建银行

发现银行通过其共享价值银行模式，将发现集团的核心宗旨——让人们更健康，并增强和保护他们的生活——应用于金融行为。当客户改善其金融行为时，他们可以节省更多，更有效地管理信贷，并变得更具财务韧性。这为客户创造价值，降低银行风险，并为更具韧性的社会做出贡献。

实现该模式需要对每位客户的行为有详细且不断发展的理解。客户有不同的消费概况、财务目标和关于财务健康的思考方式。这就是为什么发现银行将数据、精算科学、行为科学和AI作为银行的基础。

将行为数据转化为可复用的产品

发现银行汇集了人口统计数据、交易和消费行为、数字参与、储蓄和借款指标、信用风险信号、奖励参与以及生活方式相关信息。

发现银行使用Databricks数据和AI平台将这些信息统一到一个受治理的平台下，并创建可复用的数据产品，包括工程特征、行为指标、模型分数、趋势、预测和建议。发现银行的数据科学引擎结合了预测和回归模型、分位数回归、高级分段和相似性搜索，以创建客户行为的演变概况。

这些受治理的、可复用的数据产品支持收购和定价、风险管理、产品和体验个性化、服务改进、银行家赋能、异常活动检测和欺诈保护。相同的底层智能可以在不同领域创造价值，同时应用每个用例所需的权限和控制。

这种方法也改善了团队的工作方式。从业者不是为每个应用创建单独的客户智能版本，而是可以建立在共享的受治理资产上。Delta Lake、MLflow和Unity Catalog支持将这些资产作为生产功能运行所需的数据、建模和治理模式。

让下一个最佳行动对客户有用

发现银行最初的应用之一是下一个最佳行动（NBA）。目标不是识别银行想要传达的内容，而是确定在特定时间点、特定情境下对特定客户相关且有价值的行动。

这种区别改变了个性化的角色。下一个最佳行动应支持客户走向财务健康的旅程，而不是简单增加外联沟通。相同的智能可以驱动入站和出站互动、数字旅程和银行家协助服务。

发现银行的NBA模型已产生40%的提升在客户参与影响力方面。它还改变了数据团队的工作方式：管道开发速度提高20倍，数据产品创建速度提高5倍，因为团队建立在共享的受治理资产上，而非为每个渠道从零开始。

对于构建这些能力的数据、分析、精算、ML和产品团队，设计原则很明确：保持决策可复用，并与其激活的渠道分开。共享的决策层可以支持营销、数字体验、服务和行为改变计划，同时保持定义和控制的一致性。

使用行为上下文保护客户

支持个性化的相同智能可以加强安全性。传统的欺诈控制询问交易是否符合已知模式。发现银行的TRUST™警报添加了一个补充问题：这笔交易对这个特定客户来说是否合理？

TRUST™警报将金融互动与客户的行为规范和模式进行对照评估。Discovery Bank已处理了数亿次金融互动，并应用预测模型、聚类、分位数回归和异常检测来量化一次互动的异常程度。

结果是风险评估而非二元答案。中等风险互动可触发警报，解释活动为何显得异常，并让客户决定如何处理。高风险互动则可导致更强干预，包括锁定客户账户。

这种分级方法兼顾了保护与客户体验。这也使得可解释性变得至关重要：仅凭风险评分还不够。客户和运营团队需要背景信息来理解为何某次互动被标记。这些模型通过一个定制的基于Azure的服务架构实现规模化运作，能在不到几百毫秒内返回决策。

在可信基础上叠加生成式AI

Discovery Bank的生成式AI原则是：它不应取代基础数据和机器学习能力。当与这些能力协同工作时，它最为强大。

传统数据产品提供可信背景信息。机器学习模型提供预测、预报和建议。生成式AI可以使这些智能更易于访问、解释和应用。

Discovery Bank所描述的架构汇集了四个层次：

• 一个受治理的数据层，包含经过监管的客户、产品和交易信息
• 一个分析层，模型在此生成预测、行为洞察、建议和最佳后续行动
• 控制工具和服务，用于暴露AI体验所需的信息和核心功能
• 一个生成式层，使用专门的大型语言模型、流程和代理来确定行动和响应

Discovery Bank于2025年5月推出了Discovery AI，其愿景是普及私人银行服务。不是通过聊天界面重塑人工私人银行家，而是通过更深入的精算和行为智能改变服务体验。

Discovery AI可以回答服务问题，帮助客户导航银行旅程，分析其财务行为的各个方面，呈现个性化洞察，提供建议，并协助执行特定操作。客户无需寻找正确的菜单或表单，只需描述所需结果，系统即可帮助编排相应的旅程。

提升人工辅助服务

Discovery Bank将相同的智能应用于自助服务、基于文本的银行聊天和应用程序内通话。对于人工辅助服务，Discovery Bank还使用面向银行职员的AI助手，检索并生成关于客户和服务查询的相关信息。另一项功能通过解释每项建议为何相关并提供支持信息，将建议和最佳后续行动带入互动中。

AI还帮助分析服务互动。在治理、隐私和质量控制的前提下，它可以识别反复出现的客户问题、新出现的服务问题、质量差距以及改进旅程的机会。更广泛的分析有助于团队跟踪绩效趋势，并指导客服人员取得更好的成果。

这将AI超越了运营效率。它可以提高互动质量，帮助组织从更广泛的客户对话中学习。

将智能体置于受治理的工作流程中

Discovery Bank的智能体模式结合了确定性服务、传统机器学习模型、经编排的基于LLM的流程和智能体。智能体并不取代控制环境，而是在其内部运行。

在智能体用例中，客户可以提供文本、语音、图像或文档来进行付款、完成购买或执行相关操作。现有控制措施仍然是流程的一部分。例如，TRUST™警报继续评估欺诈风险，而Unity Catalog为结构化银行数据、行为特征、模型输出、文档、录音、检索内容以及提供给生成式应用程序的信息提供一致的治理层。

同样的原则也适用于文档密集型旅程。多模式系统可以对文档进行分类、提取字段、与已知数据核对信息、识别不一致之处，并指导客户接下来需要什么。在信贷和Vitality Money（Discovery Bank的奖励计划）等领域，这可以使手动管理成为更快、更有用的流程。

从行为智能到受治理的行动

Discovery Bank的数据和AI之旅是累积性的。它始于受治理的数据平台和可复用的数据产品。然后，银行构建了行为模型和决策机制，用于个性化和欺诈预防。生成式AI使这些智能更易于客户和银行职员访问，而智能体则开始编排受控操作并重新设计复杂旅程。

数据团队可以使用直接管道和集成的机器学习框架，消除了SQL转换（将数据从一种数据类型转换为另一种类型的过程）并简化了代码管理。数据处理时间加快了20倍，数据产品创建和实施时间加快了5倍。利用跨团队协作、降低复杂性和高效率增益，Discovery Bank还将其模型构建能力提升至每天超过300个模型。

Databricks数据和AI平台转变了该银行构建集中式生态系统以推动共同价值的能力，它将不同组件集成到一个统一、无依赖的平台中。这些效率带来了更快的时间到洞察和上市时间，产生了超过500%的显著投资回报。

对于金融服务团队而言，实际经验教训很明确：

• 围绕业务成果构建可复用的智能，并明确所有权和定义
• 明确可操作性：画像或评分应为决策、推荐、干预或后续步骤提供信息
• 在体验中设计可解释性，使客户、银行家和运营团队理解系统为何如此行动
• 将生成式AI和智能体添加到可信的基础上，保持确定性服务、机器学习、权限和治理在循环中

Discovery Bank的经验表明，可复用的数据产品可以在整个银行内连接个性化、欺诈保护、服务和AI。从可信的数据、模型、控制和治理开始，然后叠加生成式AI和智能体，将洞察转化为安全、有用的行动。

想了解更多？观看我们的金融服务行业论坛：金融智能胜过通用智能了解如何大规模操作化AI。