咏梅访谈 | 李尧：“数据+AI”规避金融风险

抖音热门 2025年10月03日 14:23 1 aa

数据作为新的生产要素，正在迅速改变企业业务形势的运营方式和决策模式。通过数据的采集、处理和分析，可以转化为有价值的信息，为企业提供市场定位、目标客户画像和消费者行为洞察，让企业和资源管理更加精细化、做出更明智的决策，并帮助企业实现流程优化带来的新机会。

北京众联享付科技股份有限公司（以下简称众联科技）作为一家专注大数据、人工智能、精准营销与商业智能的国家高新技术企业和北京市专精特新“小巨人”企业，专注“大数据+AI+金融”解决方案。它是如何以核心技术构建全栈可控竞争力，利用数据资源赋能金融领域，构建“银行—科技—商户”三角生态平台的？总经理李尧给出了答案。

北京众联享付科技股份有限公司总经理李尧

从“单点替代”转向“全栈可控”

《企业家》：众联科技从成立到年营收超30亿元实现跨越式发展，是什么让公司跻身专精特新“小巨人”行列？

李尧：在人工智能领域，我们自主研发的智能算法能够实现精准营销决策，提出“四对”原则，即在对的时间、通过对的渠道、将对的产品、投放给对的人。为了实现这一目标，我们运用机器学习、深度学习等技术，对用户行为数据进行实时分析，不断优化营销策略，提高营销效果。

在战略选择上，我们始终坚持“技术驱动、客户至上”的发展战略。一方面，持续加大研发投入，吸引和培养了一批高素质的技术人才，打造了一支具有强大创新能力的研发团队。目前，公司研发人员占比超过 60%，每年研发投入占营收的比例保持在20%以上。另一方面，我们紧密围绕客户需求，不断优化产品和服务。通过深入了解金融机构、互联网平台及连锁商户等不同客户群体的痛点和需求，我们为其提供定制化的解决方案，赢得了客户的高度认可和信赖。正是这些核心技术的不断突破和正确的战略选择，使我们能够在激烈的市场竞争中脱颖而出，跻身专精特新“小巨人”行列。

《企业家》：数据赋能是现在的风口，众联科技是如何把握这个风口的？

李尧：是风口更是考验，尤其要注意以下几点。一是在监管红线内找创新空间。金融科技的创新永远离不开合规框架，要深耕“监管鼓励的领域”。创业者要养成每天读监管文件的习惯，把政策条文转化为产品设计的约束条件，这不是束缚，而是最安全的护城河。二是用“最小闭环”验证商业模式。从能快速落地的“微型商业闭环”开始，先解决一个痛点，再逐步叠加功能。三是把客户的“拒绝理由”变成产品迭代清单。众联科技早期推广智能营销系统时，某企业领导者说“看不懂数据报表”，我们就把报表改成“今日该进多少箱牛奶”的直白建议；某银行风控总监嫌“模型太复杂”，我们就开发了“一键生成风控报告”的简化功能。客户也许不会告诉你想要什么，但会清晰地告诉你不想要什么。

《企业家》：众联科技作为国内领先的“大数据+AI+金融”解决方案服务商，如何理解当前金融科技行业的变革需求？

李尧：当前金融科技行业正处于快速变革期，一方面，市场对金融服务的效率、精准度和安全性提出了更高要求；另一方面，监管政策不断趋严，推动行业向规范化、可持续发展方向转变。

众联科技在技术上支持银行系统从“单点替代”（业务场景单点优化）转为“全栈可控”（云原生架构+自主技术链）。这意味着金融机构不仅要在某些业务环节应用新技术提高效率，更要构建一套完整、自主可控的技术体系，以应对复杂多变的市场环境和监管要求。

众联科技通过自主研发大数据智能营销决策系统、风险防控技术等核心产品，帮助金融机构实现数据的全生命周期管理，从数据采集、存储、分析到应用，每个环节都做到可监控、可管理。例如，在数据采集阶段，我们采用先进的加密技术和合规的数据获取渠道，确保数据来源的合法性和安全性；在数据分析环节，运用深度学习算法对海量数据进行挖掘，为金融机构提供精准的客户画像和风险评估模型，助力其做出科学决策。同时，我们也积极参与行业标准的制定，推动金融科技行业的规范化发展，为实现全栈可控贡献力量。

数据强化业务壁垒

《企业家》：相较传统金融科技企业，众联科技的差异化优势体现在哪些方面？

李尧：首先，在大数据处理和分析方面具有领先优势。众联科技围绕大数据和人工智能构建了全球最大的负面APP数据库，覆盖率超90%。通过对海量数据的深度挖掘和分析，使我们在风险识别、精准营销等方面具有更高的准确性和效率，能够为客户提供更优质的服务。

其次，注重技术的创新性和实用性。例如，在智能风控领域，众联科技采用深度学习算法构建风险评估模型，能够实时监测和预警风险，有效应对黑灰产（利用互联网实施违法犯罪或游走法律边缘的争议行为集合）技术快速迭代带来的挑战。

最后，应用的场景化更为出色。众联科技深入了解不同行业客户的业务特点和需求，能够为其提供定制化的解决方案。无论是金融机构的智能营销、风险防控，还是连锁商户的数字化运营，都应将先进的技术与实际业务紧密结合，实现技术的落地应用，为客户创造更大价值。

《企业家》：众联科技如何应对黑灰产技术快速迭代带来的挑战，并平衡AI精准营销与用户隐私保护的矛盾？

李尧：首先，在数据采集环节，遵循合法、正当、必要的原则，仅收集与营销决策相关的必要数据，并在获取用户数据前，会明确告知用户数据的使用目的、方式和范围，获得用户的明确授权。例如，在与连锁商户合作开展营销活动时，商户会通过其官方APP或线下门店向用户展示隐私政策，经用户同意才收集相关数据。

其次，在数据处理过程中，运用AI技术对数据进行匿名化和加密处理。通过加密算法将用户的敏感信息转化为密文，即使数据在传输或存储过程中被泄露，也无法被破解和利用。同时，我们采用联邦学习等技术，实现数据的“可用不可见”。在进行数据分析和模型训练时，通过加密技术在本地进行计算，仅交换计算结果，训练出精准的营销模型。

最后，在营销决策环节，通过AI算法对用户行为数据进行分析，预测用户的兴趣和需求，但不直接使用用户的个人身份信息。例如，我们通过分析用户的浏览记录、购买行为等数据，判断用户可能对某类产品感兴趣，然后向用户推送相关的产品信息，但不会显示用户敏感信息。通过技术手段和管理机制，在实现精准营销的同时，最大程度保护用户隐私。

《企业家》：众联科技建立了全国最大的负面APP数据库，负面数据是如何管理的？

李尧：众联科技在涉赌涉诈识别方面确实处于行业领先水平，准确率达到95%以上。这得益于我们先进的AI算法和庞大的负面APP数据库，目前可以对APP的行为模式、资金流向、用户关联等多维度数据进行实时分析，快速准确地识别涉赌涉诈行为。在负面数据管理方面，建立了严格的数据访问权限控制和加密存储机制。只有经过授权的人员才能访问相关数据，并且数据在存储和传输过程中均采用加密技术，确保数据安全。同时，定期对数据进行更新和“清洗”，保证数据的准确性和时效性。众联科技还通过不断优化技术，提高风险识别能力，为金融机构和监管部门提供有力的支持，帮助打击金融犯罪，维护金融市场秩序，坚守科技向善。

技术硬实力与商业软着陆并重

《企业家》：众联科技平台汇聚了150万商户资源，如何通过“银行—科技—商户”三角生态创造增量价值？

李尧：“银行—科技—商户”的三角生态用技术打通金融产品触达用户的“最后一公里”，是创造增量价值的核心。以连锁美妆品牌为例，我们通过分析150万商户中同类门店的消费数据，提炼出“会员生日月高复购”“新品体验装带动全品类消费”等规律，为合作银行设计了“美妆分期满减+会员积分加倍”的组合营销方案。银行通过智能营销系统向符合画像的信用卡用户精准推送活动，使该品牌联名卡的消费笔数提升55%，商户新品转化率提高30%。

《企业家》：DeepSeek等生成式AI快速发展，是否会重构金融营销与风控的技术路径？

李尧：在金融营销方面，生成式AI可以根据用户的历史数据和偏好，自动生成个性化的营销内容，在产品推荐文案、营销邮件等方面大大提高营销的精准度和效率。例如，分析用户的消费习惯、风险承受能力等信息，为不同用户量身定制金融产品推荐方案，让营销更具针对性。此外，生成式AI还可以模拟不同的营销场景，帮助金融机构优化营销策略，降低营销成本。

在风控领域，生成式AI可以通过生成大量的模拟数据，帮助训练更强大的风险识别模型。这些模拟数据可以涵盖各种复杂的风险场景，包括一些罕见但可能发生的金融犯罪案例，从而提高模型对新型风险的识别能力。同时，生成式AI还可以实时分析金融交易中的文本信息，如交易备注、客户沟通记录等，可以识别出可能涉及洗钱、诈骗等犯罪行为的关键词和语句，及时发出风险预警。

由于AI技术的快速发展，真正的价值不是替代人力而是重构业务逻辑，众联科技不断探索AI在金融科技领域深层应用，包括智能营销内容生成系统，即根据客户群体和营销场景自动生成高质量的营销文案、视频脚本等内容，营销策略自动优化和调整。还包括利用AI生成多样化的风险样本数据，以提升风险识别模型的性能。此外，还探索利用AI对金融交易中的文本信息进行深度分析，开发更智能的文本风险识别工具等。通过提升技术硬实力，建立风险评估和防范机制，确保应用的软着陆。

《企业家》：众联科技对未来有什么规划？在技术领域将实现哪些突破？

李尧：金融科技行业从“流量驱动”转向“技术壁垒驱动”的估值逻辑。2023年以来，头部机构对技术研发投入占比超20%的金融科技企业估值溢价达30%，这正是众联科技深耕的方向。

首先，动态用户意图预测引擎。融合了实时行为序列分析与情境感知技术，通过用户当前浏览时长、点击频率、设备位置等12类动态特征，预判其下一步消费倾向。在营销试点中发现该引擎将营销响应率提升40%，误推率降低65%，“临时决策型”用户的识别准确率达82%。

其次，异构数据安全融合技术。研发的“数据语义中台”，通过建立跨模态的金融语义图谱，能在不触碰原始数据的前提下，实现不同类型数据的逻辑关联。在小微企业贷前审核中，用这项技术关联分析使审核效率提升3倍的同时，坏账预测准确率提高22%。

最后，隐私计算与区块链协同技术。解决跨机构数据共享时的“数据可用不可见”难题。测试中实现了30家银行在不泄露原始数据的前提下完成共同建模，风险识别准确率提升15%，计划2026年实现商业化落地。