作者：龙盈智达(北京)科技有限公司创新研发课题组 王彦博 王华军 张月 巩春雨 张超 贾东兴刘 曦子

龙盈智达（北京）科技有限公司首席数据科学家 王彦博 

  金融科技的发展为疫情之下的金融业务“保驾护航”。而在金融科技时代，RPA机器人为商业银行注入了新的动能。然而，银行业务人员并不满足于RPA机器人仅对简单重复手工劳动实现替代，随着AI大数据技术的不断发展，银行业务人员更希望机器人能够帮助他们从日常业务数据中自动洞察出数据背后的业务趋势以及决策依据，由此实现更好的决策智能化。通过为银行一线业务人员打造一款RPA机器人数据挖掘建模助手，敏捷响应业务人员“转瞬即逝”的业务灵感，及时实现AI大数据自动建模并获取相关业务洞察，这将助力银行在金融科技时代下实现全面数字化转型腾飞。

  庚子年伊始，一场没有硝烟的新冠肺炎疫情阻击战悄然打响。在这场战役中，科技(Technology)成为金融(Finance)行业抗击疫情的坚实利器，金融科技(FinTech)成为了业界关注的焦点。对此，银保监会发布《中国银保监会办公厅关于进一步做好疫情防控金融服务的通知》，其中明确要求各大金融机构要加强科技应用，创新金融服务方式;金融机构依托于近年来金融科技的快速发展与自身技术储备，充分发挥科技优势，随“疫”应变，全面保障各项抗“疫”举措的顺利实施。

  在此特殊背景下，面向“非接触式服务”及“居家隔离”等条件约束，在线上化及远程协同技术创新的同时，金融机构还应积极推进发展人工智能及机器人创新技术应用。本文聚焦RPA(RoboticProcessAutomation)机器人流程自动化技术创新，将RPA与AI大数据中的数据挖掘建模工作深度融合，旨在为银行一线业务人员提供一款“AutoModeling”机器人数据挖掘建模助手，积极推进商业银行创新FinTech技术应用发展。

  一、RPA机器人流程自动化技术发展历程

  机器人流程自动化(RPA)是一种预先设定的计算机程序，通过模拟并增强人与计算机的交互过程，能够将基于规则的常规操作实现自动化处理。例如，读取邮件、对账汇总、检查文件、生成报告等枯燥、重复、标准化的工作，均可以由RPA机器人代为完成，从而解放操作人员的双手，将节省出来的时间和人力资源投入到更具价值创造的工作中。

  1.RPA机器人为大数据而生

  RPA机器人技术是“为大数据而生”。在物理世界中，工业机器人帮助人们将物品从一个地方搬运到另一个地方，而对于“看不见、摸不着”的“物品”——数据，其实也需要对它们进行搬运。为了在企业多个IT系统间搬运数据，以维持企业正常信息运转，RPA机器人应运而生。RPA机器人无需过多人工干预，即可实现数据的自动搬运，且对原有系统影响较小。

  RPA技术源于屏幕抓取、工作流自动化、按键精灵等技术。以按键精灵为例，通过制作相关脚本，可以让按键精灵代替双手，自动执行一系列鼠标键盘操作，可实现定时自动打开网页链接、进行文献检索、收集信息资料等重复操作。RPA技术在上述技术的基础上进化出了一些新的技术特征，比如不依赖于特定的应用程序或编程语言、不需要对已有系统进行改造、大量使用OCR(光学符号识别)智能技术等，能够有力推动企业数字化转型和提升业务效能。

  2.RPA机器人发展的四个阶段

  RPA机器人的发展可分为四个阶段，即辅助性RPA、非辅助性RPA、自主性RPA和认知性RPA。辅助性RPA通常以计算机的“虚拟助手”形式出现，支持实现普通个人计算机桌面各类软件的自动化操作，这个阶段的RPA机器人难以实现端到端的自动化和规模化应用，但能够有效减少业务平均处理时间和成本。非辅助性RPA的主要目标是实现端到端自动化，通常部署在VMS虚拟机，支持编排工作内容、集中化管理机器人等;非辅助性RPA机器人很大程度上用业务流程代替人机交互，可以7×24小时昼夜工作，显现出降本增效的巨大潜能。自主性RPA机器人主要目标是实现端到端的自动化和规模化运用，通常部署在云服务器和SaaS上，具有自动分级、动态负载均衡、情景感知和高级分析等功能，有助于企业优化业务流程、降低运营成本、提升核心竞争力，但仍难以处理非结构化数据。下一步，认知性RPA机器人将能够支持使用机器学习、自然语言处理等新兴技术，能够对非结构化数据进行处理，具备预测分析以及自动任务接受处理等功能。

  3.RPA机器人在银行业的应用

  (1)RPA机器人在银行财务管理场景中的应用

  在财务管理场景中存在大量简单重复的工作，人工操作往往效率低、错误率高、人员占用效益低。RPA财务机器人有助于处理重复性工作、模拟手工操作，可以较好地在费用报销、采购到付款、总账到报表、税务管理等几类典型流程中应用。例如，在费用报销场景中，RPA机器人可以自动登录报销系统，查询需要审批的报销单，选择报销单并下载发票附件，通过OCR智能技术从发票图像中提取相关信息，在税局平台中自动输入验证信息进行发票查验，完成发票识别、真伪校验，再进一步核对报销单以及追加审批意见和附件，最后审批或驳回报销单。

  (2)RPA机器人在银行审计管理场景中的应用

  传统内部审计周期长、沟通成本高、重复工作量大，长期阻碍银行内部审计部门有效发挥监督和查错纠弊的职能，成为了银行审计管理部门的业务痛点。RPA机器人可以在审计证据采集、工作底稿填写、审计项目管理、文档初步审阅等过程中发挥作用。例如，根据预设规则，在每天非业务时段抓取审计系统中的各业务流程性文件，并将审计证据填入工作底稿;此外，还可对结构化数据(如业务报表)进行智能化勾稽比对，并形成初步审计结论。

  (3)RPA机器人在银行HR管理场景中的应用

  在HR管理领域有大量的流程需要RPA自动化，包括简历搜寻、入职管理、薪资核算、社保核算、个税管理、转正续签管理、离职管理等。例如，RPA可以协助人事招聘岗人员登录招聘网站发布拟定好的招聘要求，从网站搜索符合要求的简历、下载简历、解析简历、输入内部招聘系统，甚至可以协助招聘岗人员汇总编制候选人报告，并发送邮件给下一步将要参与面试的面试官。

  (4)RPA机器人在银行其他场景中的应用

  日本最大的金融机构三菱日联金融集团旗下的三菱东京日联银行，早在2014年就已开始使用RPA系统，并于2017年5月成立数位企划部，加速RPA的落地，并将RPA系统应用在房屋贷款文件检查、海外汇款等相关业务上。印度第二大银行——印度工业信贷投资银行，早在2012年便开始筹备RPA的实施，以帮助银行实现数字化转型;到目前为止，该银行通过RPA至少实现了1350个业务的流程自动化，主要用于交易处理、交易后服务、对账处理、贷款处理以及系统间的数据移动和提取等。

  二、以大数据挖掘为中心的金融科技发展

  人类社会已经从互联网时代步入了大数据时代，并正在开启人工智能时代。而对于金融行业来说，早已经进入了一个“无科技，不金融”的金融科技时代。当前，金融科技的发展主线是从互联网金融到移动金融，再到物联网金融、区块链，不断拓展和提升数据量、数据活跃度、数据范围以及数据可靠性，以此推进大数据金融及基于大数据的人工智能、机器人、仿真模拟等技术发展和金融应用。我们理解，今天的金融科技就是明天的金融。

  1.数据挖掘是大数据金融的核心驱动力

  当前的金融科技发展是以大数据为中心，而大数据金融发展的核心是数据挖掘。一般而言，大数据金融需要五项能力的支撑：一是与业务的对接协作能力，将大数据价值体现在具体业务应用中;二是数据可视化能力，使业务人员直观有效地理解数据所带来的业务洞察，为后续业务开拓提供导航;三是多类型数据获取与处理能力，支持对非结构性(文本、图像、音频、视频等各类型多模态)数据进行采集、处理和分析，而不是仅仅专注于结构性的库表类数据;四是分布式存储与并行计算能力，比如Hadoop平台、GPU/TPU/FPGA计算，主要包含分布式存储和并行计算两部分内容，它可以被看作为开展大数据应用的“加速器”;五是最为关键的数据挖掘能力，因为即使其他能力均已具备，若缺少有效的数据挖掘算法和模型，就好比“一个人空有体表(业务对接与协作+数据可视化)和骨骼(多类型数据获取与处理+分布式存储与并行计算)而缺失灵魂(数据挖掘)”。我们理解，数据挖掘是大数据金融的核心驱动力。

  2.数据挖掘的金融应用与内涵

  数据挖掘在金融领域的具体应用包括风险识别、欺诈识别、客户细分与画像、精准营销、个性化定价、交叉销售与向上销售等，实际上主要集中于金融风控和营销领域，而在银行HR管理、财务管理、绩效管理、运营管理等中后台经营管理方面目前应用还相对较少。无论面向库表数据、文本数据、图数据、图像数据、音频数据、视频数据、多媒体数据、多模态数据，数据挖掘的主要任务分为趋势预测、有监督分类、无监督聚类、关联规则挖掘等基础模式。其中，趋势预测建立连续值函数模型，其任务就是输入目标字段以往数值和相关字段信息，实现对目标字段未来数值的估算;有监督分类所要解决的问题是为一个数据对象归类，即确定一个特定的对象属于哪一类别，其具体工作任务是要构建一个分类模型或称“分类器”，相比趋势预测，有监督分类的输出值是离散类别值(而非连续数值);无监督聚类基于“物以类聚、人以群分”的朴素思想，根据数据字段特征对数据样本进行区分，尤其当不知道数据样本所带类别标签时，可以使用该技术促使相近的数据样本聚合在一起;关联规则挖掘又称“购物篮分析”，最早源于人们对超级市场购物篮(或购物车)中商品与商品共同被购买以及相互诱发购买问题的研究，不难理解，牛奶、面包、黄油经常被同时购买，尤其面包与黄油会相互产生强烈诱发购买作用，正是基于将这一模式进行提炼，提出相应的快速算法投入应用，人们才能发现诸如“尿片诱发啤酒购买”的有趣规律，并使其产生巨大的商业价值。

  三、自动数据挖掘建模RPA机器人创新技术应用

  1.COSTA关键技术框架

  为支持“AutoModeling”自动数据挖掘建模RPA机器人的构建，在COSTA关键技术框架中包括组件化设计(Componentdesign)、光学符号识别(Opticalcharacterrecognition)、语音识别(Speechrecognition)、语音合成(Texttospeech)及自动机器学习(Automachinelearning)等技术应用。

  (1)C：组建化设计与建模流程步骤分解

  人类社会发展至今离不开工业化，工业化可以理解为标准化、组件化、流程化和社会化的结果，其中组件化尤为重要。通过“积木”式高度组件化工具设计，便捷高效地使用AI大数据技术工具和算法，有助于实现各种金融应用。具体而言，对人工智能建模流程进行抽象，将人工智能建模过程组件化，通过在画布上对组件(算子)灵活连接，让非专家人员可以快速地搭建机器学习模型，实现业务预测，可极大地降低机器学习应用门槛。

  (2)O：OCR技术应用

  OCR是指对文本资料的图像文件进行分析识别处理，并获取文字及版面信息的过程，即将图像中的文字进行识别，并以文本的形式输出。OCR技术路线主要包括图像预处理、文字检测和文字识别，其中文字检测和文字识别是关键技术点。当前，OCR应用比较成熟的场景包括证件识别、银行卡识别、车牌识别、名片识别、营业执照识别、汽车VIN码识别等领域。

  (3)S：语音识别技术应用

  语音识别技术旨在让智能设备听懂人类的语言，其技术原理是基于语音特征参数的模式识别，即通过建模学习，计算机系统能够把输入的语音按一定模式进行分类识别，进而依据判定准则找出最佳匹配结果。当前，通过“语音识别+RPA”能够实现客服中心服务和语音输入功能的自动化处理。

  (4)T：语音合成技术应用

  语音合成技术是可以将文字转化为语音的一种技术，主要分为语言分析部分和声学系统部分。语言分析部分包括文本结构与语种判断、文本标准化、文本转音素、句读韵律预测;而声学系统部分包括波形拼接语音合成、参数语音合成技术、端到端语音合成技术、仿真语音合成技术。语音合成技术已经成功应用在很多领域，包括语音导航、信息播报等。利用语音合成技术，RPA机器人可以“说话”，结合语音识别等自然语言处理技术可以实现与人类的交互，例如智能导游、智能导购、智能HelpDesk服务等功能。

  (5)A：与AutoML技术相结合

  AutoML(自动机器学习)旨在研究当没有机器学习专家的情况下，低门槛甚至零门槛地实现机器学习算法建模。该技术正在成为机器学习赋能行业的关键。AutoML可以让数据分析人员只关注“头”(数据收集)和“尾”(结果预测)，而节省中间繁琐的过程性工作，包括数据清洗、特征工程、模型选择、模型训练、模型融合等步骤。AutoML可以模式化为“输入-机器学习-输出”框架，并可以泛化为“输入-人工智能-输出”框架，为RPA机器人做数据挖掘自动建模(AutoModeling)的可行性提供了理论支撑。与AutoML面向建模分析师不同，“AutoModeling”的提出是为了面向没有任何计算机基础的一线业务人员。更进一步，将AutoML与RPA(AutoModeling)相结合，未来将能够实现更加可观的价值创造。

  2.“AutoModeling”RPA机器人业务应用场景

  在银行的风控和营销领域，AI大数据建模技术得到了相对广泛的应用，但在银行HR管理、财务管理、绩效管理、运营管理等中后台经营管理场景中相关技术应用的普及度较低，一方面是因为中后台经营管理业务特点决定了业务人员精力分散在很多重复性、固定性、流程化事务操作中，业务人员疲于应对，很难深入挖掘出事务出现的深层次规律和原因;另一方面是AI大数据建模技术有一定的使用门槛，除需要了解相关知识原理外，还需要掌握数据挖掘建模技术工具，业务人员的学习成本很高。因此，通过COSTA关键技术框架驱动AI感知技术应用(自然语言处理NLP、计算机视觉CV、人机交互HCI等)，为广大业务人员提供一款“AutoModeling”自动数据挖掘建模助手，可以将AI大数据建模能力及相关业务洞察能力敏捷地带给业务人员。

  对于银行HR管理部门薪资福利岗人员而言，常规工作流程是基于考勤系统、财务系统、业务部门线下提交等各类报表，在本地Excel加工汇总后，计算考勤缺勤扣减、加班费、奖金等数据，再导入薪资系统计算薪资应发金额、实际发放额、代扣代缴个税等数据从而形成薪资报表，最后再将薪资报表提交给财务运营部门实现薪资发放，周而复始。引入RPA机器人后，一是薪资福利岗人员在计算当月薪资数据时，可以通过智能语音技术应用，要求RPA机器人调阅历史相同薪资报表数据，应用异常值检测算法，自动判别员工薪资波动异常情况，及时提示操作风险;二是整个薪资报表的制作工作其实可以完全交给另一个RPA机器人代为完成，此时两个RPA机器人协作，一个制作报表，另一个检查报表，以此来保障相关工作质量。

  更为重要的应用是当人工智能时代带来人员精简时，薪资福利岗人员很可能也同时兼任人事招聘岗(B岗)，这时在向财务运营部门提交薪资报表(以银行员工为样本、以薪资相关加减项为字段)之前，业务人员可能希望通过智能语音指令，要求RPA机器人自动调阅上个月的该张薪资报表，并自动对比两张报表中的员工样本情况，从而在上月报表中增加一列字段，使用“1/0”数值标明是否在后一个月的报表中已经消失，即是否为“离职”员工。随后在有效的隐私与数据保护下，业务人员要求RPA机器人自动在两张报表中再增加相应的其他字段特征，包括员工个人基本信息(如年龄、性别、民族、籍贯、婚姻状况、有无子女等)、行内工作信息(如入行年限、职务职级、岗位类别、员工积分、银行从业年限等)、教育经历(如最高学历、毕业院校、是否海外留学经历等)、员工行为信息(如内网系统登录日志、事务办理流程、近一个季度考勤情况、近一个季度与过往考勤对比情况等)相关数据。而后，通过智能语音指令，业务人员进一步要求RPA机器人基于上月数据宽表，构建数据挖掘有监督分类模型(比如采用逻辑回归算法建模)，并对本月数据宽表中的每个员工样本通过模型自动判别，从而对下个月存在流失隐患的员工实现智能预测识别，以此筛选出具有高离职风险的员工名单，并反馈给用人部门，便于提前做好人才关怀与挽留工作，由此真正发挥银行HR管理部门的人才“指挥棒”作用。

  金融科技的发展为疫情之下的金融业务“保驾护航”。而在金融科技时代，RPA机器人为商业银行注入了新的动能。然而，银行业务人员并不满足于RPA机器人仅对简单重复手工劳动实现替代，随着AI大数据技术的不断发展，银行业务人员更希望机器人能够帮助他们从日常业务数据中自动洞察出数据背后的业务趋势以及决策依据，由此实现更好的决策智能化。“请机器人调用某张业务数据表，实现贴身数据挖掘建模服务，并对需要判别的数据样本自动、敏捷地识别和预测其状态”，这样的业务需求正应运而生并得到满足。通过为银行一线业务人员打造一款RPA机器人数据挖掘建模助手，敏捷响应业务人员“转瞬即逝”的业务灵感，及时实现AI大数据自动建模并获取相关业务洞察，这将助力银行在金融科技时代下实现全面数字化转型腾飞。