銀行網點改造早就列入了各大銀行日程表。四大行減少物理網點和櫃員已成大勢。

建設銀行在上海開出無人網點後，一盤更大的棋局逐漸浮現。

工商資料顯示，名為“建信金融科技責任有限公司”于2018年4月12日註冊成立，註冊資本16億元，由建銀國際有限公司通過全資子公司和孫公司100%持股，可以理解為建行的全資子公司。

這是國有大行中首家金融科技子公司，也是商業銀行內部科研力量整體市場化的第一家子公司。據建信金融科技責任有限公司相關人士透露，不排除該子公司未來獨立上市的可能。

無人網點“刷臉”體驗

在位於上海九江路的這家建行新無人網點，最大的體驗是，從進門，到辦理各種業務，“刷臉”是核心一環：進門刷身份證，同時對準攝像頭進行人臉識別校驗；要進入VIP室或者VR體驗室，也要對準攝像頭進行身份識別；自動取款機取款500元以下可以直接輸入手機號加人臉識別提款。

據建行渠道與運營管理部副總經理陳德介紹，人臉識別技術是建行目前主推的一項技術，在接近1.5萬個網點和2900家自助銀行全流程應用，同時也在包含非物理網點在內的全渠道應用。

建行資訊技術管理部總經理兼建信金融科技公司副董事長朱玉紅坦言，無人網點無需大規模複製推廣，更多是作為一種科技應用的展示，但建行將一直推進客戶體驗的改善。

銀行網點改造早就列入了各大銀行日程表。四大行減少物理網點和櫃員已成大勢。

被稱為“宇宙大行”的工商銀行，2016年和2017年機構總數分別下降了298個和312個，其中，營業物理網點減少337個。

農業銀行2017年一級支行下降21個，基層營業機構下降13個。

建設銀行去年營業機構共下降65個，其中，二級分行增加4個，支行增加536個，但支行及以下網點減少606個。

中國銀行所有分支機構增加49家至11605家，但基層分支機構下降了13家至10300家。

不過，值得注意的是，工行2017年報顯示，其自助銀行和自動櫃員機有所下降，較上年分別減少了2189個和5040 臺。此外，招商銀行年報也披露2017年自助銀行減少了155家。有銀行業內人士分析稱，這主要是因為隨著線上支付的普及導致現金需求減少。

隨著基層網點減少和轉型，銀行人員規模和結構上也發生了相應變化。2017年報顯示，四大行中除了中行，員工規模均繼續處於下降通道。

工行2016年減少4597人，2017年減少8701人。建行2017年較上年減少2.72%，達352621人。農行2016年減少6384人，2017年減少9391人。

另外，股份行中，中信銀行2017年人員較上年減少1299了人，降幅也達到了2.24%。

根據麥肯錫的銀行業研究，比起2010年,發達市場前22大銀行減少了約335000名員工，到2020年將削減14%的成本。但如果考慮到收入風險,14%的降本幅度還不夠。其他條件不變，歐洲、日本和英國的銀行要削減50%的成本才能重新盈利，具體幅度視銀行資本成本而定。整體而言，銀行需要大力削減成本來盈利。

“企業級”管控建行樣本

不過，對於建行而言，金融科技戰略的核心訴求很難用“降低成本”來簡單回答。朱玉紅表示，建行每年對於科技投入的預算，按照項目有著不同的考核框架和標準，難以一言以蔽之。就全行的金融科技戰略，是站在優化治理結構的角度，金融科技子公司僅是其中一項安排。

在金融科技戰略大框架下，管理架構方面，原先獨立的産品創新委員會、大數據委員會和資訊技術委員會被整合成一：創新委員會，並下設辦公室，由行長直接擔任主任一職。在整個和創新相關的架構中，由創新委員會負責戰略規劃和決策，由科技部門和委員會辦公室主建，加上金融科技子公司、大數據中心以及分行科技力量，形成完整治理體系。

就這家剛剛成立的金融科技子公司而言，在人員配備上，目前完全由現有的建行研發中心團隊構成，已有超3000人的規模，未來可能對外進一步吸收人才。

據建信金融科技公司相關人士介紹，其主要服務對象為建設銀行集團及所屬子公司，未來也可能加大外聯和輸出工作，將具有更加靈活的激勵機制，且不排除獨立上市的可能。

在朱玉紅對建行金融科技戰略及金融科技子公司的相關功能表述中，“提升企業級管控能力”出現頻率極高。

以業務流程改造為例，據朱玉紅介紹，建行原來有一萬多個業務流程，各業務品種有自己的憑證及風控要求等。在完成企業級整合後，一萬多個業務流程形成了800個標準活動，各類業務基於自身的要求，可以通過標準模組進行集中的調用和配置，大大優化了內部工作效率。

這是從銀行自身運作效率的角度，對於銀行客戶而言，“智慧化”體驗也蘊含其中。

朱玉紅表示，經過“企業級管控”優化後，客戶不管是從哪個網點，還是手機銀行等線上渠道接觸銀行，都能夠被快速識別，知道你是誰，已經有哪些業務關聯，可能還需要什麼業務。

另外，根據麥肯錫的相關研究，IT方面的投入能夠切實為銀行提高運營效益。其相關報告的三個案例顯示，由於客戶嚴重流失，一家歐洲銀行通過機器學習找到了解決方法，新演算法能有效預測當前準備減少銀行業務的活躍客戶，使客戶流失率降低了15%。

一家美國銀行運用機器學習研究私人銀行員工給客戶的折扣，發現這些折扣並非都能奏效，在取消了一些不必要的折扣後，收入提高了8%。

亞洲一家頂尖銀行曾竭力吸引客戶關注新産品。通過高級數據分析，銀行發現了其中的隱藏共性，並在客戶群中定義了15000個微細分客群，然後建立了“二次購買”模型，使購買可能性提高了大約三倍。