作者：Anutosh Banerjee、Vishal Kaushik、 Aditya Saxena、Fumiaki Katsuki、Sanchit Suneja、Renny Thomas、曲向军(John Qu)、周宁人（Nicole Zhou）和方颖华（Katrina Fang）
人们通常认为财富管理行业基于老式价值观、为客户提供各自独立的定制化服务。这些属性在财富管理行业依然具有价值，但对许多客户来说，只有这些已然不够。在这个高度互联的世界中，人们想要更快捷、方便地获得产品和服务以及最前沿的数字化体验。在日益激烈的竞争中，老牌财富管理机构在保留独特价值观的同时，还需跟上趋势、推陈出新，为客户提供新的产品和服务。
而离开数字化的运营模式，财管机构很难为当今客户提供有效服务。数字化模式可为咨询和非咨询活动提供支持，还能适应投资者不断变化的投资偏好。一些领先财管机构正在构建模块化的数据和 IT 架构，以实现智能决策、大规模个性化服务以及更广泛的产品覆盖【1】。这些转变还有助于它们履行监管义务，提高客户经理产能并提升不断收窄的利润率。
对此感兴趣的财管机构可以从本文了解到部署高级分析解决方案的潜力，同时本文还提供了战术手册，列举出财管机构应考虑的具体数字化转型措施。
高级分析商业论证
满足当今客户需求的商业模式既要高效，又要能适应每个客户的具体情况。为此财管机构探索出以下两种成功方法：
- 以固定费用为各类资产规模的客户提供财富管理相关咨询服务。不同于目前仍然流行的以产品为中心的模式，财管机构需根据客户在不同生命阶段的需求，构建相应灵活的价格体系。有一种定价模式越来越普遍被采用，即根据客户的投资价值协商一个固定费用。为确保该模式能带来稳定营收，财管机构还需挖掘新的效率来源，提升客户经理产能，即让他们有更多时间面向客户。
- 根据客户所处的不同生命阶段及目标，提供个性化产品和服务。如今的客户不满足于“一刀切”式的服务模式，因此财管机构应考虑基于客户需求提供个性化服务。这要求客户经理熟练掌握更广泛的解决方案，既熟悉最简单的产品，面对更复杂的较高收益投资（私募市场、风险资本、上市前投资以及结构化产品）时也游刃有余。此外，客户经理必须具备帮助客户做出复杂投资决策的能力，而这需要分析的支持。
在当今环境下，只有通过大数据和高级分析才能实现上述目标，尤其是在客户关系管理领域。
聚焦客户关系管理
客户经理职能的现代化变革可能会改变整个行业格局。通过对业内人士的访谈，我们发现，在监管和合规义务不断增多的情况下，客户经理通常要将60%~70%的时间花在非创收活动上（见图1）。其中一个原因在于，大部分人仍在使用老旧的IT系统甚至电子表格。随着客户希望与客户经理进行更多互动并更多通过远程渠道沟通，上述情况必须改变。
一些领先财管机构开始利用技术提升客户经理的服务效率和服务效果。有些采用零基方法重建技术堆栈，应用高级分析手段赋能更个性化的服务。通过提供有针对性的解决方案，这些公司能够增加收入并降低运营成本。
以客户为中心的模式效益显著
数字化对大多数市场都有帮助，而在数字化程度较低地区，提升潜力尤其巨大。例如，在亚洲，许多财管机构仍未全面采用数字化工作方式（见图2）。我们估计， IT 转型可为服务亚洲高净值人士的财管机构带来 400 亿至 450 亿美元的价值提升，对于17万亿美元的财富池而言，这一增量大约占25个基点【2】。
大数据和高级分析带来的潜在效益主要来自以下三个领域：获客及新客登船、存量客户经营及客户关系深化、为客户服务及留客。
获客及新客登船。基本的获客和新客登船应用包括客户发掘、风险分析、开户和登船。客户经理和投资团队可利用数据分析生成潜客线索、进行钱包份额模拟并自动生成建议。在投资管理、风险和合规方面也有多种应用，包括社媒资料调查、反洗钱和客户尽职调查及反欺诈。
存量客户经营及客户关系深化。以客户为中心的应用包括个性化研究、组合管理及通知。客户经理和投资团队可应用客户聚类模型、客户偏好模型、产品推荐引擎和数字化绩效管理等工具（参见底栏《分析工具如何带来可持续成效：来自亚洲的两个实例》）。在投资管理、风险与合规领域，部署分析工具则有助于避免在投资决策、数据分析和交易执行方面的偏见。
客户服务和留客。与客户相关的应用包括组合模拟和优化以及交易的自助执行。
客户经理可采用流失预测和工作规划等应用，而投资管理、风险与合规团队则可在更大范围内加强组合规划和交易监控。
分析工具如何带来可持续成效：来自亚洲的两个实例
亚洲某领先财管机构部署了一个分析主导项目，该项目旨在提供详细的客户洞见，使之能为细分子客群提供快速、及时和个性化的服务。这家银行利用规模化的个性化手段，在6到8个月内将客均管理资产规模提升了30%~40%。
另一家财管机构设立了首席投资官职位，负责提供全行的资产类别和地域相关信息。首席投资官利用分析工具将产品选择与“机构视角”相挂钩，从而确保模型组合之间的一致性。
战术手册：打造分析驱动型财管业务
早期的成功故事令人鼓舞，但成功者只是少数。更普遍的情况是，公司踏上了转型之旅，但却在途中败下阵来。常见原因包括缺乏高层支持、预算或战略上有所局限，这些导致项目团队无法有效落地执行。
服务模式转型的挑战非常大，但并非不可克服。事实上，随着分析用例越来越普遍，大规模实施落地已变得更易实现。我们在下文中介绍了基于分析的转型项目所需具备的五大要素（见图3）。实现这些要素需要强大的领导力、坚持结果导向且员工愿意接受新工作方式。机构若能有效执行，则有望从竞争中脱颖而出，提升满足客户需求的能力。
领导者设定愿景
在向分析驱动型业务转型时，企业往往会失于偏颇，转型交流仅在少数专家范围内进行。这会导致应用无法大规模推广，从而不能真正改善绩效。相反，若变革项目能够得到高层支持并以结果为导向，则业务便能摆脱根深蒂固的运营模式，实现结构性转变。有鉴于此，高管团队应设定转型愿景，自上而下在公司内部进行充分沟通。他们还应打造安全环境或沙盒环境，以便业务部门在大规模推广之前可以先开展试验。
规划变革之旅
财管机构应用高级分析而实现的目标各有不同。一些机构发现，将高级分析应用在业务问题上，可带来巨大价值，能更快、更稳定地做出更好决策。还有一些机构则利用数据和高级分析来改善销售和营销，为投资决策提供依据，并提高客户经理产能。
任何数据驱动型变革规划都必须与企业的业务模式相匹配。而实施落地则会因技术可行性、数据准确性和可访问性、成效产生时间、可扩展性和资金可用性不同而有所差异。最初几个用例将决定士气和方向， 因此财管机构务必要在行动之前认真权衡。
一个常见的推广障碍是缺乏统一的成效衡量指标，这让技术团队无法有效沟通转型带来的效益。而针对这一问题，也有解决办法。选择关键财务绩效指标时，资管机构可侧重于重点委托任务或咨询业务量等指标，而不使用主要依靠执行的管理资产规模指标。非财务指标则可重点关注交叉销售率、客户留存率的提升、受训客户经理人数或解决方案的采用率等。其他有用的评估指标包括客户满意度评分、基于信任的新客户关系、产品及服务面市时间和文化改变情况等。在这些方面的进展将增强组织对于转型益处的信念。
技术为先，打造坚实基础
数据和技术共同构成了分析驱动型业务转型的支持主干。强大的分析主干需要严格的数据管理标准，还需在IT应用和系统采用方面做出明智决策。
财管机构会定期在线下联系客户。这些互动带来大量客户偏好和需求方面的重要信息，但这些信息通常只是以书面形式记录或存在于客户经理的记忆中。为充分挖掘这些信息，财管机构必须将之转化成结构化数据，以能被处理用于创建洞见和个性化服务的方式加以保存（参见底栏《以客户为中心的数字化服务》）。为此，财管机构需要部署各种系统，按照监管要求接入、存储并组织数据，同时确保数据准确、可用且可访问。
技术方面，一些领先财管机构使用自然语言处理技术来分析文本和语音数据，识别个性化触发因素和相关洞见。还有一些机构打造跨渠道的反馈闭环来训练人工智能算法。技术还可被应用于一些工作流程中：例如，机器人流程自动化可取代监管合规、风险评估、报告和查询管理中的常规人工劳动和脑力处理部分。
部署数据驱动的决策体系需要可扩展、适应性强且具备弹性的核心技术组件：要有能连接各种IT活动的统一数据和技术堆栈【3】。
这样，财管机构就能通过技术为先的方法来设计客户旅程。
财管机构在构建数据和IT架构时，需要包含以下四大组件的基本工具包：
- 合理的IT堆栈以构建前台和后台使用的工作平台；以及适用于移动和Web网络应用的统一资源。
- 具备模块化数据管道、基于API的微服务可扩展数据平台，用于大规模构建并部署高级分析解决方案。
- 半自主实验室环境，可支持实验试点；及用于批量创建分析解决方案的规模化工厂环境。
- 用于满足各种数据存储和处理需求的高度可扩展云端分布式网络。
同时，资管机构还必须整合来自不同地区和业务部门的数据。这样，分析师才能从尽可能多的信息中获取洞见。一些领先业者会先在沙盒环境中进行试验，同时与外部合作，在获得必要技能后再逐步扩大规模。
以客户为中心的数字化服务
某领先银行开发了一个分析驱动的数字化应用，可接入内外部数据点，识别出现有客户中的“隐形富裕客户”。
另一家银行将人口分布数据与来自客户互动的信息相结合，生成实时产品推荐，促进交叉销售。为了持续训练推荐引擎，该行构建了一个中央数据湖——合并、集中存储多个来源的原始、非结构化、半结构化和结构化数据——从而为系统提供源源不断的数据用于分析。然后，银行通过多个客户渠道推送产品推荐。
某领先投行不断从2000多个财经新闻源和 800多个博客、股票消息网站和社交媒体平台上抓取数据。这丰富了分析引擎的数据基础，使之可以更有效地评估舆情并获取股票、债券、商品、国家/地区、货币和加密货币等方面的洞见。
构建必胜团队，优先变革管理
扩大并保持分析成效并非易事。组织“孤岛”和文化阻力是常见的阻碍因素，而客户经理在建立和维持客户关系方面上扮演的角色也必须适应新的环境和要求。事实上，在转型过程中，客户经理必须首当其冲、成为主力。为此，组织需要进行有效的团队构建和变革管理。
团队构建。创建由多类型人才组成的跨职能敏捷小队是一个富有成效的团队构建方法（见图4）。产品负责人和设计师应确保团队能满足客户（客户经理或最终客户）的需求，并始终专注于价值交付。数据科学家和数据工程师负责用例实施，检查接入数据后是否生成了洞见，即最小可行产品 (MVP)方式。IT架构师和软件工程师负责构建流畅的界面和后端系统，将洞见通过各渠道交付给客户。
变革的一个核心目标应该是探索可提高客户经理产能的数据分析和 AI 用例（参见底栏《三家亚洲财管机构如何提升客户经理产能》）。为此，变革团队应入驻业务和渠道管理团队，确保其想法与客户经理的客户服务目标一致。多家机构发现，让客户经理与其他领域的专家加入变革团队可以显著改善数据解读和建模。
在许多情况下，组建高效团队需要新型人才。具体而言，银行需要数据科学家负责构建分析软件，还需要数据工程师来确定并构建数据管道和数据架构。而转译员作为业务与技术团队之间的桥梁，对于确保各敏捷小队了解真正的业务需求至关重要。最后，各小队都需要IT技能才能确保分析和数字解决方案与核心数据和技术堆栈相兼容。
获取人才的最佳方法是小步快跑：先确保一个团队获得成功，提高客户经理的采用率，然后随着用例的增多和规模扩大，再逐步扩展能力。
某些技能的需求量很大，因此外包可能是早期一个较为现实的做法。而长远来看，还是应该从内部构建能力。
变革管理。财管机构应鼓励客户经理积极采纳分析法，相信新应用会带来更好的服务和更高的绩效。各种变革管理策略会有所帮助，包括创建“影响者”团队、召开能力建设会议、开发激励各方的变革故事、重新定义角色/职责以及将绩效与财务或非财务奖励挂钩等。
推广全新工作方式
分析驱动的大规模转型应该以协作、团队自我指导和迭代式问题解决方法为基础——也就是起源于软件开发的“敏捷方法”。在敏捷冲刺阶段，应谨记业务需求并接受失败是成功过程的一部分。两周的冲刺通常足以让试点项目启动并运行，而每次冲刺都应以产生一个最小可行产品为目标。
财管机构可通过以下四个流程控制环节来应用这些基本原则：
- 检视与调整。每日晨会可确保团队发现前进障碍，如产品待办事项等，帮助团队聚焦目标。
- 与终端用户互动。与终端用户、利益相关者和支持方一起进行冲刺评审，有助于团队收集反馈并提出建议。
- 树立团队感和目标感。团队应召开回顾会，总结并吸收相关经验和教训。
- 实现基础设施体系化。敏捷工具（例如Confluence、Jira 和 Zeplin）有助于试验推进并在必要时支持远程工作方式。
采用敏捷运营模式的组织应该拥抱灵活的学习方式。这与在每个项目一开始就做出决策的传统瀑布式开发方式不同。在敏捷模式中，持续的能力建设和对变革管理的不懈关注是关键。为了强化创新与增长的关联，领先机构还会针对应用推广分配关键绩效指标（KPI），并基于所创造的价值对决策者给予奖励。
三家亚洲财管机构如何提升客户经理产能
某领先私人银行部署了机器学习，用于生成下一个最佳的客户互动创意。银行构建了客户偏好模型并对客户聚类进行分析，确定哪些是主力客户并从交易模式中学习。
另一家私人银行构建了一个数字化工作平台，让客户经理可通过单一平台为客户提供服务。工作平台集成并集中托管推荐引擎，可基于客户的生活事件和交易数据提供个性化推荐。
第三家私人银行使用解释性和预测性模型来识别“关键时刻”。这些信息有助于客户经理形成更有针对性的客户覆盖和拓展策略，从而帮助银行制定增长举措，让客户经理聚焦高价值活动。
大部分财管机构都认为自身已踏上分析转型之旅，许多公司已开始在业务的各个方面部署数字化应用。但很多情况下，系统整体发挥的作用常常小于各部分之和，人们各自为战，固守着既有工作方式。要想实现质的飞跃，财管机构应坚定制定果敢的转型议程，为大规模推广分析驱动模式提供强有力的支持。
注释：
【1】 如需深入了解这些要素在银行业是如何构建的，请参阅《构建未来的 AI 银行》(Building the AI bank of the future)，2021年5月，mckinsey.com。
【2】 该地区的财富管理渗透率为 35%~40%，但出于计算目的，我们假设服务涵盖100%的高净值人士个人金融资产（可投资产超过100万美元）。
【3】 Sven Blumberg、Rich Isenberg、Dave Kerr、Milan Mitra 和 Renny Thomas，《超越数字化转型：未来人工智能银行核心技术的现代化》，（Beyond digital transformations: Modernizing core technology for the AI bank of the future），2021年4月，McKinsey.com。
点击此处，获取本文PDF版本。
作者：
Anutosh Banerjee
麦肯锡全球董事合伙人，常驻新加坡分公司
Vishal Kaushik
麦肯锡全球副董事合伙人，常驻新加坡分公司；
Aditya Saxena
麦肯锡全球副董事合伙人，常驻新加坡分公司
Fumiaki Katsuki
麦肯锡全球董事合伙人，常驻河内分公司
Sanchit Suneja
麦肯锡全球董事合伙人，常驻孟买分公司
Renny Thomas
麦肯锡全球资深董事合伙人，常驻孟买分公司；
曲向军
麦肯锡全球资深董事合伙人，常驻香港分公司
周宁人
麦肯锡全球董事合伙人，常驻北京分公司
方颖华
麦肯锡资深项目经理，常驻上海分公司。
中文编辑：鲁志娟
作者在此感谢 Tiffany Kwok 和 Charu Singhal对本文的贡献。
