本文共字，预计阅读时间。

文/长江证券信息技术总部方军军、段卉君

（本文为“证券机构数字化转型与证券科技创新”征文活动入围文章。）

近年来随着人工智能、大数据、云计算等为主的数字化技术在证券行业的持续应用，包括智能投资、智能投研、智能投顾、智能风控等新型业务模式在不断涌现，券商开始在新的赛道上不断竞速追逐。数字化技术不仅能在收益端创新商业模式，提升业务效益；在运营端，数字化同样可以发挥巨大价值。面对同质化激烈竞争的行业现状，如果能够不断降低运营成本，提高产品和服务交付的质量和效率，通过增强业务运营管控能力来提升风险管理水平，数字化运营水平已成为券商获取竞争优势的关键，我们也可以看到，数字化运营俨然已成为行业的新风口。

BCG在“智慧运营,银行业竞争的下一个决胜之地”报告中提出了运营管理的业务范围，证券业同样适用，只是要解决的业务种类有所差异。运营管理是解决在业务过程中“怎么做”的问题，即负责产品与服务的交付以及业务落地处理，以支撑商业模式的实现。我们可将运营划分为三个不同层次，①接触层，主要包含产品与服务展示以及客户服务等内容，例如App端运营、微信公众号语音、客服等；②交付层，主要关注业务流程管理与业务落地，例如对于券商开户流程、产品参数服务、各类柜台表单处理等；③管控层，需要关注在运营过程中的关键指标，是整个运营体系的大脑，包括业务质检、运营质量指标管控等。

技术变革为券商的运营能力提升提供了底层支撑。我们可以看到，券商运营已从网点分散运营的1.0时代，全面走入了以精益运营、前后台分离为主的集约化2.0时代，而随着数字化的不断发展，包括大数据、人工智能、机器人流程自动化、知识图谱等新技术的不断应用，券商运营正在逐步进入以数字化为基础的3.0时代。

要建立券商数字化运营体系，可以考虑以下的平台建设：

（1）以客户为中心，识别客户端到端全流程需求，梳理和优化业务流程，形成业务流程库；

（2）构建数字化运营管控平台，实现运营任务智能调度与智能管控；

（3）建立企业级的质量管理指标体系，通过驾驶舱为各级运营人员提供实时和事后的管理和决策支撑；

（4）通过机器人来逐步代替人工操作，提升运营效率，降低成本，逐步释放数字化劳动力。

流程梳理是数字化运营体系的前提，无论技术如何发展，业务运营如何迭代，运营管理仍然以将流程管理为基础。而数字化运营主要以客户为中心，运用精益管理方法，在客户旅程中区分增值与非增值服务，识别重要节点与核心指标，运用定性定量方式来促进流程的持续改进。

数字化运营的核心在于实现任务处理的智能调度与管控（任务指的是某一类业务中的具体任务事项）。在此基础之上，针对业务端，需要对每一类型业务添加任务标签，做好资源与任务匹配的基础打标工作，同时可建立质量指标管理体系，用于业务运营状态把控。针对资源端，首先建立资源画像，通过标签化描述资源的属性与能力，同时可建立资源评价与规划管理平台，实现资源高效配置。在自动化全面发展的今天，业务处理已不完全由人工来主导，随着人工智能、RPA技术的发展，机器人开始逐步替代人工操作，运营效率和质量已实现了大幅提升。

（一）运营任务智能调度简述

券商的运营管理具有业务量大、从事人员多、业务流程标准化等特点，业务人员按照前期拟定好的流程进行业务处理，完成服务和产品交付。在数字化阶段，集约化运营管理可以实现全公司业务人员的逻辑统一，业务人员无需物理集中，只需要用户或需求人员发布任务，任务进入线上智能调度平台，由调度系统将任务智能分配给业务处理人员或机器人，实现劳动力资源高效配置，从而提高业务流程处理效率。

运营任务智能调度平台包含了三大环节，首先是针对运营任务，从广义而言，可以包含证券行业任何业务类型，只需要明确每个任务的业务种类，工作要求，资源胜任力要求即可，业务越集中，业务量越大，调度系统可发挥的价值也越大。第二部分是资源端，即劳动力资源，当前主要以人工为主，而由于技术的发展，劳动力资源已突破人工的限制，越来越多的机器人已加入运营阵营。资源端需要考虑资源岗位权限职责等问题，同时也要做好资源画像，便于任务与资源的匹配。第三部分是调度方案，调度方案普遍采用运筹学和人工智能的相关算法，需要注重静态匹配与动态调度的统一。静态匹配主要用于找到可匹配的资源范围；动态调度是指在任务分配时，在资源范围内智能动态调用资源。做好三类具体问题，基本可以形成智能调度服务闭环。

以券商视频见证业务为例，除总部视频见证团队外，券商还需要分支机构的同步支持。由于业务本身是标准化的，当大量的视频见证任务同时发布时，券商应该如何将任务即时分配出去，又如何控制业务的高质量高效的处理，有哪些人员可以参与视频见证任务，配套的激励措施、管控方式如何，这些因素将直接影响客户体验和服务满意度。

例如应监管要求，券商要面对大量回访工作，大部分券商都是采用集中一批专业回访人员来提供回访服务，回访团队工作压力较大。是否有可能通过业务标准化，做好任务的标签化，明确可以处理该任务的人员素质要求以及合规要求，然后通过员工画像来锁定资源范围，拟定不同区域、不同权限、不同专业程度人员的任务分配比例和调度算法，从而更高效的完成规定的回访要求，这些都是券商可以探寻的运营优化的方向。

同样，券商每天要面对大批量的柜面业务处理，包括证券开户、三方存管、交易权限开通等，这些标准化动作现今已经通过集约化运营在集中处理，一般客户需要等待一段时间才能完成各类账户和权限的开通，那么在这个业务处理过程中，如何高效利用资源，缩短客户等待时间，智能调度会提供一种优质的解决方案。

不仅如此，除了在经纪业务上的体系化和规模化应用，包括资管、投行以及其他券商职能部门，利用智能调度方案可以做到精细化任务分配，并可方便地从事全生命周期的运营流程管理，从企业级全业务的大运营范畴而言，让专业人员做专业事情，资源得到最优配置，智能调度可以发挥更大价值。

（二）智能调度方案探究

1）任务标签

智能调度的实质是对应新需求所产生的任务，需要配置资源进行高效处理。任务本身是客观存在的，只是将管理人员指派任务模式调整由机器智能指派。

针对任务端，从广义而言，任何类型的任务都可以实行智能调度，然而无论从技术角度还是业务角度，都要经历从简单到复杂，从高标准化到高定制化的发展轨迹，因此，在智能调度实施的初期，可以从高度标准化、任务量大、可大规模复制处理的任务入手。

我们可以设置任务矩阵，横轴是风险性、纵轴是任务难度，矩阵上的每个点表示不同类型的任务，点越大，表示该任务的业务量越大。将矩阵分为四个象限，前期智能调度应该在风险小、处理难度低、业务量大的任务中应用，然后的一种迭代方向可以是先从处理难度从低到高逐步实施，再到风险从低到高，每一个象限中的顺序是业务量由多到少的顺序。

智能调度需要对任务本身进行一系列的标注化和标签处理，任务的主要标签包括但不限于：①一般属性标签：任务名称、任务类型、任务描述、任务编号、任务所辖范围、任务开始时间、任务处理时长等；②风险标签：任务处理难度等级、任务风险等级等；③胜任力标签：岗位、角色、权限、资源能力要求、资源经验要求等。

任务标签的记录和计量可以包含两个维度，一个是事前标签，用于描述任务本身；另一个是事后标签，表示任务完成时对于任务本身的评价，例如任务处理时长、任务处理质量、任务处理满意度等。

任务标签有两方面价值，一方面，智能调度是为了解决资源配置的公平与效率问题，因此要求任务能够寻找到所匹配的资源；另一方面，智能调度是为了数字化运营服务，运营水平的提升才是智能调度的最终目的，任务执行过程中，需要持续观察任务的处理时间、处理质量等数据，以考察和回溯运营水平。

2）资源画像

当前任务处理的主体仍然是人工，但随着技术的不断发展，一些低风险高标准化的任务逐步通过机器人来替代，因此在智能调度体系中使用“资源”一词来替代“人工”。

要做好资源画像，仍然需要为资源设置标签。资源的标签包括但不限于：①岗位、角色与权限：表示该资源可以从事的任务范围和任务边界；②资源属性：资源本身的属性信息，例如人员性别、地域、年龄、工龄、能力级别、学历、计算机水平、英语水平、金融从业资格、从业经历等；③资源任务执行情况：例如是否正在处理任务、完成任务量、完成任务类型分布、完成任务质量、完成任务效率等。

从不同维度来设置资源标签对于未来资源的业绩考核以及重难点任务分配均有重要意义。例如有的任务执行很容易，更加倾向让能力相对单一的员工处理；有的任务很复杂，需要谨慎控制风险，那么需要经验足能力强的专家来处理。同时，通过任务的执行情况统计，可以从客观数据得到各类资源的运营绩效水平，也可以进一步反应各资源的使用情况。

3）静态匹配与动态调度

理清了任务和资源标签后，需要根据不同的任务类型执行资源的智能调度。智能调度包含两种调度方式：静态匹配和动态调度，两者的逻辑顺序是先静态后动态。静态匹配应该在任务执行前全部完成，在任务开始执行时需要应用动态调度。

①静态匹配

静态匹配指的是由具体任务种类出发，找到能够处理业务的资源范围。一种可行的匹配方法是使用AI方法，简单AI模型可以是多因子模型、决策树模型、xgboost等，复杂模型可以用到GAN、深度学习、知识图谱等。

静态匹配的前提是已知任务的胜任力要求，以及资源的岗位、角色与权限要求。然后在资源库里面寻找符合任务要求的资源范围。

任务需区分处理难度和风险，可根据专家经验或者其他方式设置不同等级。运营范围内所有任务的难度和风险等级应该从企业级视角统一制定，高层管理人员可首先描述各类难度和风险等级的设置标准，具体业务条线再根据实际情况设定每个任务的难度和风险等级。

不同难度和风险等级的任务，静态匹配方案和算法有所不同，例如对于无门槛（简单）、无风险（或低风险）的任务，所用模型无需过于复杂，以至于不对胜任力有要求，只要框定有相应权限的资源即可。对于有一定风险、业务量较大的业务，则需要使用相应AI模型。以多因子模型为例，假设当前某一任务在网点的业务量巨大，且有一定风险，可以采用逻辑集中，全国范围内均可即时处理，那么首先可将已长期做过和长期未从事该业务的人员作为训练集，由专家或经验法提出影响该任务的可能因素，例如年龄、工龄、性别、学历、岗位年限、历史考核业绩、业务处理时间等，利用逻辑回归方法，得到每个资源胜任该任务的概率，再利用专家经验或者统计方法，对概率设置阈值，超过阈值的部分即代表可以匹配该类任务。

由于AI方法大部分均为监督学习法，需要有前期的数据积累作为训练集，如果部门任务没有积累相关数据，在做智能调度时面临“冷启动”问题，则可首先由专家经验安排部分资源处理该任务，在任务执行的过程中收集数据，待一定周期后（例如数据量达到一定程度，或者执行任务一定时间），数据已满足建模需求，则可以按照AI方法智能处理。对于AI方法，由于模型精度与数据量有关，随着任务处理时间的拉长，数据量累计越大，模型准确度将逐步提升。

②动态调度

动态调度指的是，前期已做好静态匹配，划定了任务的资源范围，在任务执行过程中，由于资源存在占用和空闲等状态，需要动态配置资源。

动态调度需要注意以下关键点：

第一，动态调度需要统筹公平与效率问题，一方面专注任务处理效率和效果，另一方面也要争取做到任务平均分配；

第二，动态调度需要考虑区域问题，部分任务可以全网点协同处理，无需区分区域和辖内客户，另一部分任务则需由客户属地来处理；

第三，动态调度需要考虑线上和线下处理问题，线上一般可以全域处理，线下更需要根据地理位置来调配资源。

针对动态调度算法，可以考虑的方法包括贪心法、随机控制法、排队论、动态规划法等，动态调度方法可使用AI算法，也可以使用传统计算机算法。

动态调度算法的选型主要需考虑业务量大小，例如有些运营任务，每天处理量巨大，则需要对算法做控制，避免累积误差越来越大；对于业务量相对较小的任务，算法选型难度将减小。

4）消息通知与任务管理

①消息通知

消息通知是智能调度系统的辅助功能，主要是通过打通系统和任务发布端、资源执行端的联系，运用MOT工具即可实现消息通知能力。

消息通知的全流程场景可以表述成：A）任务发布端发布任务后，由调度系统分配至相应资源，发送MOT通知至该资源；B）资源端处理该任务，可在任务的每个流程节点反馈通知数字化运营平台当前的任务状态；C）任务结束后，资源端发布MOT通知数字化运营平台、任务发布端，以及可能涉及到的客户端。

整个消息通知的过程也是任务处理过程，各方可即时观察到任务的处理进度，即做到了以客户为中心的客户旅程服务。

②任务生命周期管理

任务的生命周期指的是从任务发布到任务执行，直至任务完成，任务盘点的过程。为了形成数字化运营的管理闭环，任务应该实施全生命周期管理。

例如可以针对任务流程中的重要节点设置“打卡”功能，了解任务处理时间，当前资源所处位置等；也可以在任务完成时设置满意度调查，让客户或者任务发布者为资源执行情况打分；也可以在执行过程中设置工作流或者备忘录功能，记录在任务执行时存在的问题或者操作经验，这样可以提醒和引导其他同类任务执行人，以提升效率，避免踩雷。

（三）数字化运营质量监控

智能调配不是数字化运营的最终目的，运营管理需要在成本、效率、质量、风险等目标之间做决策，而数字化的应用则可以达成多目标之间的最优解。

数字化运营针对各项任务，需要从中总结提炼出核心的质量指标，该类指标需做到可量化，数据可持续输出，通过对这些关键指标实施监控和分析，以实现保运营，降本增效等目的。

1）业务质量管控与风险管理

①关键质量指标

关键质量指标的梳理可从两个方面来做：一个是面向任务流程的关键指标，该指标是针对业务和组织的整体运营水平；另外是面向流程中个体资源的运营指标，来考察个体资源的运营能力。

②指标量化分析

质量指标的量化分析可以分为以下维度，可以从数据采集的维度，例如实时、按小时、按日、按月等；或者可以从分析的时效性，包括实时监控、事后分析、未来业务预测等；另外也可以从分析方法来分，包括横向比较与纵向趋势比较，绝对数值比较与比率比较。

针对实时监控，主要用于质量和风险监控，尤其在实时风险监控过程中，可以采用三级应急方案，设置不同的阈值等级，以提醒业务人员当前的风险现状。

针对事后分析，主要以统计分析和假设检验内容，主要盘点已完成的工作，为未来的运营做好计划。

针对业务预测，可以用到人工智能、时序分析等方法，主要也是面向未来做业务预测。

2）资源评价与绩效评价

①任务完成质量

关键指标量化分析的重要目的是针对任务完成质量的分析，智能调度的效果如何，与前期未做智能调度相比是否在任务完成质量等方面有大幅提升，智能调度算法是否有提升的空间和后续技术方案，从任务完成质量中都可以得到反映。

②绩效指标考评

无论是否应用智能调度方案，任务本身依旧会客观存在，智能调度主要在于资源的高效配置。在推动智能调度系统推广的同时，需要对员工进行相应的绩效考评，激励员工积极实践智能调度系统。

考评一方面是在个人运营指标的业绩考核；同样需要对分配任务的响应时间、系统操作时间、操作效率等进行考核，以培养用户使用该系统的习惯。

（四）新技术应用

新技术的应用使得任务处理的主体从人工逐渐向机器人调整，对于智能调度系统，如果分配任务给机器人，只是系统间的对接，任务处理效率将会得到指数级提升。当前新技术在数字化运营中使用频率较多的包括OCR、NLP、知识图谱、RPA等技术。

1）OCR

OCR指的是光学字符识别，随着深度学习技术的深入推进，基于人工智能的OCR智能识别得到了大幅应用。目前OCR更多应用于证照识别、卡票识别等场景，对于券商业务中，例如线上开户业务，存管业务已有较广泛应用，近年来随着集约化运营的不断发展，利用OCR识别录入票据已成为趋势。

OCR （全称为Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机等）检查纸张上或卡片上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成文字的过程；也可以理解为针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术，是人工智能技术中的一个重要分支。

OCR技术的本质是图像识别，包含两大关键技术：文本检测和文字识别。即先将图像中的特征进行提取并检测目标区域，之后对目标区域的字符进行分割和分类。简单来说，就是将图片上的文字内容，智能识别成为可编辑的文本。

通过运用OCR技术，计算机可以将生活场景中的各种票据、报刊、书籍、文稿、身份证、银行卡及其它印刷品上打印的文字转化为图像信息，再利用文字识别技术将图像信息转化为可供计算机和人类直接使用的文字；可以减少用户的信息输入，省去了大量需要手工录入信息的繁琐步骤，提高效率，提升用户体验，同时为企业节省大量的人力资源成本。在证券行业，可以有如下的应用。

①证件识别。身份证信息识别，校验客户身份证信息。提取客户身份证图像上的文字信息，将客户姓名、身份证号等身份证信息与权威系统中客户身份信息进行对比，核实客户身份证信息真实性，目前OCR识别证件主要为身份证，像台湾身份证、香港身份证、澳门身份证、护照、行驶证、驾驶证、港澳台通行证尚待丰富。证件识别可应用于网上开户业务、线上权限开通业务、线上销户业务等。

②银行卡识别。客户通过上传银行卡图片，由系统进行银行卡号识别，而不必客户手工输入银行卡号，提升客户线上业务办理效率。银行卡识别可应用于网上开户业务中的三方存管开通业务、线上存管变更业务等。

③客户电子签名识别，随着线上业务的丰富，客户手写电子签名作为客户确认的一种手段，对客户签字信息进行识别，确保客户签字无误，电子签名识别可应用于线上协议签署业务等。

④纸质档案质检，对于客户办理业务中的纸质材料，通过扫描形成电子图像，然后借助OCR识别出客户填写的资料，结合此业务规则，校验客户填写内容是否合规，代替肉眼识别和审核，避免人工差错，提升业务办理的审核效率。纸质档案质检可应用于临柜业务资料审核等。

⑤投行业务中纸质材料转电子版，提升工作效率。投行分析中需要收集大量的材料，其中不乏纸质材料，通过OCR要将纸质材料转换为电子材料，方便研究人员进行数据处理、资料整合，提升其工作效率。

2）NLP

NLP指的是自然语言处理，该技术可让机器自动理解简单词组、短语、长句在整篇文章中的含义。将NLP技术引入各类耗时耗力的业务资料审核中，实现业务审核智能化、自动化，例如合同审核与对比，影像数据识别与提取等场景，可以提升审核类业务办理效率。

NLP (Natural Language Processing) 是人工智能（AI）的一个子领域。跟OCR一样，都是从图象中获取文字。

①业务受理表单检查

客户业务申请过程中，会提交各种各样的表单。有的是在A4纸表单，填写相关数据后，扫描提交的；也有无纸化的pdf文本。不管是哪种形式，填写的表单都会出现一定的差错，真实场景中就会出现退回和重新提交的过程，这样浪费大量客户时间，影响客户体验。如果在提交表单时候，通过NLP处理，制定一定的检查规则，填写有问题的表单，及时给出友好的提示，及早处理。提示客户业务办理的效率。

②算法交易

算法交易是一种完全由技术控制的金融投资形式。但是，这些决策中的许多都受到新闻的影响。自然语言处理，可以获取这些明文公告，并以一种可被纳入算法交易决策的格式提取相关信息。例如，公司之间合并的消息可能会对交易决策产生重大影响，将合并细节(包括参与者、收购价格)纳入到交易算法中。

③QQ群自动问答

随着互联网的快速发展，网络信息量不断增加，人们需要获取更加精确的信息。传统的搜索引擎技术已经不能满足人们越来越高的需求，而自动问答技术成为了解决这一问题的有效手段。自动问答是指利用计算机自动回答用户所提出的问题以满足用户知识需求的任务，在回答用户问题时，首先要正确理解用户所提出的问题，抽取其中关键的信息，在已有的语料库或者知识库中进行检索、匹配，

将获取的答案反馈给用户。运营人员每天要花费大量的时间，在各种运营群回答各种问题，大部分问题都是相似性，如果能通过NLP技术，提取问题关键字，自动给出相关回答，就能大大的提示效率

3）知识图谱

知识图谱本质上是揭示实体间相互关系的语义网络，该技术在智能搜索、智能问答、个性化推荐等领域得到了广泛应用。在券商数字化运营领域，由于流程处理产生了大量有价值的实体、关系和属性数据，可建立起相应的运营流程资料库，在流程风险因素识别、流程设计态与实际情况对比、流程运营预测等方面均可得到有价值应用。

知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

构建知识图谱的主要目的是获取大量的、让计算机可读的知识。但是构建知识图谱的重点在于语义理解、知识表示、QA、智能对话和用户建模。但从抽象层面看，本体最抽象，其次是知识库，最后才是知识图谱。知识库就是一个知识数据库，包含了知识的本体和知识。比如Freebase是一个知识库（结构化），维基百科也可以看成一个知识库（半结构化），等等。也就是说，本体是强调概念关系，知识图谱强调实体关系和实体属性值，知识库则是所有知识的集合。但是知识库不局限于分类和图谱，知识库可以包括规则，包括过程性知识等。而本体也可以定义得很抽象，任何概念的内涵和外延可以定义本体。

知识图谱是一系列结构化数据的处理方法，它涉及知识的提取、 表示、存储、检索等诸多技术。从渊源上讲，它是知识表示与推理、数据库、信息检索、自然语言处理等多种技术发展的融合。 但传统的知识处理方法，在实际的工程应用，特别是互联网应用中，面临实施成本高、技术周期长、熟悉该类技术的人才缺乏、 基础数据不足等诸多现实制约。实战中的知识图谱，需要充分利用成熟的工业技术，不拘泥于特定的工具和方法，特别是不盲目追求标准化、技术的先进性或者新颖性，以实际的业务出发，循序渐进推进工程的实施。

知识图谱分为三个部分技术组成：

第一个部分是知识获取，主要阐述如何从非结构化、半结构化、以及结构化数据中获取知识。

第二部是数据融合，主要阐述如何将不同数据源获取的知识进行融合构建数据之间的关联。

第三部分是知识计算及应用，这一部分关注的是基于知识图谱计算功能以及基于知识图谱的应用。

4）RPA

RPA指的是机器人流程自动化，针对业务量大，标准化程度高，风险小的任务流程，则可通过机器人直接替代人工处理。目前已有少数券商开始应用RPA技术在报表报送、账务处理等场景，可大量节约人力成本。

从数字化运营一体化的角度来看，客户接触层是端到端运营服务的前台，包括渠道的统一以及界面交互服务；交付层是业务处理活动的中后台，其运营效率将影响整体流程交付的效率和质量；管控层是数字化运营的神经中枢，主要作用于任务管理、风险控制、数据分析与反馈等核心管理领域。围绕智能调度平台，主要连接了交付层与管控层，通过高效的资源配置，达到运营管理质量与效率的统一。目前已有部分大型银行开始着手智能调度平台的研发，以解决常规运营工作任务分配的公平与效率问题。对于证券行业，智能调度平台的价值不仅在于任务的即时分配与处理，还包括运营的整体把控与分析，智能调度平台承载了数字化运营交付与管控层的众多价值，数字化运营为券业带来了新的赛道，或许未来将会成为券商获取竞争优势的关键钥匙。

为完成证券公司将集中运营平台像智能运营的转变，使员工从重复的事务性操作中脱离出来，将这部分重复的、低含金量工作交给机器完成，释放现有劳动力，员工从而可以从事于具有更高价值的工作，如优化业务流程、支持分析决策等，从而完成运营模式从以成本效率为重的“操作工厂”模式到为以注重体验的“客户中心”服务模式的转变。具体内容如下：

（1）降低运营成本

流程自动化不足导致运营人员埋没于操作性事务中无法脱离出来，从事与更高价值的工作。从而导致企业运营成本居高不下。

借助于RPA流程机器人技术，使得流程机器人替换人的手，代替人的“行动能力”，使得业务流程自动流转，减少人工重复操作工作，降低企业运营成本。

机器人流程自动化（RPA）已在投行运营中台展现出巨大潜能，它能迅速完成数据提取和清洗等日常工作，在交易风险计算方面，机器人可以下载、验证和分析头寸。一些银行已将该流程所需的资源减少了95%，所需时间从10天缩减到20分钟，流动性风险计算也可由机器人代劳。

（2）提高业务办理效率

系统智能化不足导致需要业务办理人员需要花大量时间分析、判断业务信息的准确性、资料的完整性、结果的正确性，从而导致业务办理效率较低。

借助于服务等级机制（SLA）、标准化作业（SOP）、直通式处理（STP）、持续流程优化（BPM）等运营能力评估方法，利用大数据、人工智能（AI）等金融科技手段，替代人的“分析能力”，对业务办理效率进行量化以及持续优化，通过流程机器人减少业务运营过程中的人工干预，使用语音识别、图像识别等技术予以辅助，减少业务办理耗时，提高业务办理效率。

（3）控制业务风险

借助于PRA流程机器人+AI人工智能技术，不断推进企业的智慧运营。通过升级基础架构，汇集大数据形成基础数据，创建有效的管理工具，支持业务处理得自动化、业务异常监控和运营数据分析，在提升业务处理效率的同时，通过数据智能分析、更快速、更全面、更准确的了解自身运营的各个环节，降低业务操作风险，在保证合规的前提下做到风险可控。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。