通往智能金融的必经之路RPA

智能金融发展阶段新解

关于金融发展阶段，有几种提法，主流看法是三浪叠加的发展阶段：信息金融、互联网金融、智能金融。我们当下正处在这三浪叠加中的互联网金融的下半场、智能金融的上半场。信息金融对标的是信息化，解决了从线下（人工）到线上（系统、网络）的问题。互联网金融对标的是互联网化，解决了触达问题。消费侧触达问题解决了，供给侧跟不上的问题就暴露出来了。智能金融对标的是人工智能，解决的是供给侧重构的问题，带给我们的是传统金融业务演化为智能金融业务，智能投顾、智能投研、智能资管、智能风控等等。

智能金融面临的成本挑战

智能金融在各个领域都诞生了经典的标志性成功案例，比如智能投研领域的Kensho、智能资管领域的阿拉丁，这些经典案例已经成为各大金融机构效仿和追逐的目标。尽管国内不下几十个的团队，希望复制Kensho和阿拉丁的辉煌，可多年下来，却未见到后来的成功者。我的理解造成这一结果的原因是“成本”——大数据的获取与加工成本、样本的积累与提炼成本、算法模型的编写成本、AI工具平台的建设成本，单一看每一项，我们都还有一定的办法解决，综合起来看，作为一个要落地的系统工程来看，其工程成本则是难以承受之重。尤其对于IT投入严重不足的非头部金融机构而言，更加如此。

智能金融的RPA+AI发展模式

那么中小金融机构如何发展智能金融呢？我给出的建议是RPA+AI模式，但前提是大数据化。具体来说，金融机构构建大数据平台，从数据层面解决信息化带来的信息孤岛问题，当数据从割裂到融合之后，面向人工智能的业务流程再造也变为切实可行了，这里涉及到一切业务数据化、一切数据业务化以及一切业务智能化三个层次的发展，目前大多数中小金融机构工作重心停留在前两个阶段，这两个阶段是“智能化”的基础，也是最耗时、最繁琐的修炼内功的阶段。RPA可以有效解决，面向智能金融BRP（业务流程再造）的工程化落地问题(成本问题)，此时通过NLP、OCR等感知技术，机器学习、知识图谱等认知技术可以辅助RPA更好的完成一些人力密集型的重复劳动，所以我说RPA是通往智能金融的必经之路。

什么是RPA技术？

我们可以参考Gartner给出的定义：机器人流程自动化（RPA）是一种生产力工具，允许用户配置一个或多个脚本（某些供应商将其称为“机器人”）以自动化的方式激活特定的键鼠操作事件。达到的结果是：这些机器人可以用来模仿或模拟整个业务或IT流程中的选定任务（交易步骤）。这些可能包括处理数据，与不同应用程序之间进行数据传递，触发响应或执行事务。RPA结合了用户界面交互和多种识别技术。脚本可以覆盖一种或多种软件应用程序。 –

RPA技术的未来趋势与发展方向

RPA 机器人可以在“有人监督”和“无人监督”的模式下工作。通常而言，有人监督的自动化用于前端操作，
在无法自动化整个端到端流程时非常有用。无需人工介入的 RPA 流程被称为“无人监督”的流程。并非所有RPA 解决方案都能同时实现有人监督和无人监督的自动化。

有人监督的 RPA 具有更高的实施成熟度和更庞大的许可证安装基础数量。目前超过一半的 RPA 流程（约 57%）采用的是有人监督模式。其余 43% 的流程则采用的是无人监督的 RPA，包括基于云的 RPA（33% 基于本地部署，10% 基于云端部署）。云端部署具有更低的准入门槛，让各类公司，无论规模大小，都能更轻松地使用 RPA。

RPA 的构思概念是自动化重复性任务，例如保险和医疗索赔单、发票、采购订单和电子邮件等文档的文本挖掘。早期的 RPA 形式主要应对“简单”的流程，这些流程具有“三个五”特征：少于五次决定，少于500
次点击，少于五个要访问的应用程序。但随着 RPA 市场逐步发展成熟，它也变得越来越复杂。

RPA 产品特性越来越智能，因此能够基于人工训练做出更加复杂的决定。也是无人监督的 RPA 系统发展如此迅速的一个重要原因。前沿认知功能，例如机器学习、OCR 和分析能力，将逐渐纳入到 RPA实施中。（例如：网商银行智能钉钉RPA机器人需求，文件自动识别处理）

RPA技术市场容量

根据HFS数据测算

2019年亚洲 $23.44亿 * 7(人民币汇率) * 0.22 =￥36.09亿

2019年中国 ￥36.09亿 * 0.5 = ￥18.045亿

2022年亚洲 $43.08亿 * 7(人民币汇率) * 0.22 = ￥66.34亿

2022年亚洲 ￥66.34亿 * 0.5 = ￥33.171亿

银行业务、金融财务服务和保险业 (BFSI) 将成为实现 RPA 的主导力量

从历史表现来看，在涉及到必须手动输入合同和其他表 单数据的行业，RPA 的实施极其普遍。这些行业包括银行业务、金融财务服务和保险业，并称为 BFSI。 从 RPA 市场行业的角度来看，BFSI 占领先地位。其他行业使用率从高到低排名依次如下：证券、医疗、物流、零售、制造、运营商、政府. Gartner预测2020年，
BFSI使用率将达到72%，并存在224个典型案例场景。国内BFSI落地超过200+

主流厂商

智能金融发展阶段新解

关于金融发展阶段，有几种提法，主流看法是三浪叠加的发展阶段：信息金融、互联网金融、智能金融。我们当下正处在这三浪叠加中的互联网金融的下半场、智能金融的上半场。信息金融对标的是信息化，解决了从线下（人工）到线上（系统、网络）的问题。互联网金融对标的是互联网化，解决了触达问题。消费侧触达问题解决了，供给侧跟不上的问题就暴露出来了。智能金融对标的是人工智能，解决的是供给侧重构的问题，带给我们的是传统金融业务演化为智能金融业务，智能投顾、智能投研、智能资管、智能风控等等。

智能金融面临的成本挑战

智能金融在各个领域都诞生了经典的标志性成功案例，比如智能投研领域的Kensho、智能资管领域的阿拉丁，这些经典案例已经成为各大金融机构效仿和追逐的目标。尽管国内不下几十个的团队，希望复制Kensho和阿拉丁的辉煌，可多年下来，却未见到后来的成功者。我的理解造成这一结果的原因是“成本”——大数据的获取与加工成本、样本的积累与提炼成本、算法模型的编写成本、AI工具平台的建设成本，单一看每一项，我们都还有一定的办法解决，综合起来看，作为一个要落地的系统工程来看，其工程成本则是难以承受之重。尤其对于IT投入严重不足的非头部金融机构而言，更加如此。

智能金融的RPA+AI发展模式

那么中小金融机构如何发展智能金融呢？我给出的建议是RPA+AI模式，但前提是大数据化。具体来说，金融机构构建大数据平台，从数据层面解决信息化带来的信息孤岛问题，当数据从割裂到融合之后，面向人工智能的业务流程再造也变为切实可行了，这里涉及到一切业务数据化、一切数据业务化以及一切业务智能化三个层次的发展，目前大多数中小金融机构工作重心停留在前两个阶段，这两个阶段是“智能化”的基础，也是最耗时、最繁琐的修炼内功的阶段。RPA可以有效解决，面向智能金融BRP（业务流程再造）的工程化落地问题(成本问题)，此时通过NLP、OCR等感知技术，机器学习、知识图谱等认知技术可以辅助RPA更好的完成一些人力密集型的重复劳动，所以我说RPA是通往智能金融的必经之路。