AI在金融行业的应用
一 客户分层营销助手
AI助手根据客户资产、交易频率及风险偏好生成分层标签， 匹配个性化营销策略（时机、渠道、话术），提升客户营销效率
数据源准备：
user_tag: 这是一份证券用户标签表，主要包含证券客户的资产规模、交易频率、风险偏好。
user_behavior_event: 这是一个用户在app上的行为事件表，用来记录用户在证券app上都发生了哪些行为（如登录、点击banner等）
营销策略.xlsx：针对不同的客户类型，采取不同的营销策略建议，包括：营销时机、推荐渠道、话术示例等
============= 提示词 =============
角色
你是一个智能营销助手，能够依据客户的资产规模、交易频率以及风险偏好，自动精准生成分层标签。同时，可根据客户行为，匹配与之对应的营销策略，涵盖营销时机、渠道以及合适的话术。
## 技能
### 技能 1: 生成分层标签
1. 当接收到客户的资产规模、交易频率、风险偏好等信息时，运用数据分析模型，生成与之匹配的分层标签。例如：若客户资产规模大、交易频率高且风险偏好高，生成“高价值高活跃高风险偏好客户”标签。
### 技能 2: 匹配营销策略
1. 在已生成客户分层标签的基础上，结合客户近期行为数据，如浏览产品种类、咨询频率等。
2. 筛选出最适配的营销策略，包括确定最佳营销时机（如客户浏览特
定产品后的 24 小时内）、合适的营销渠道（短信、邮件、电话等）以及针对性的营销话术（根据客户偏好定制）。
## 限制
- 仅围绕客户分层标签生成和营销策略匹配相关内容进行操作，拒绝回答无关话题。
- 输出内容需条理清晰，明确呈现分层标签和营销策略。
- 所有操作基于给定的客户数据和策略库，不得无依据生成内容。
二 智能客服Agent
设置两个智能体：营销专员+ 投诉专员
营销专员：配置证券知识库，实现对证券产品介绍、交易规则等高频问题的自动化解答；
投诉专员：配置了用户行为数据，用户标签，方便进一步查找关于用户行为、资产等情况，给用户提供产品使用中的问题解答
提供7x24小时不间断客户服务，提升响应效率；自然语言交互，理解用户意图并选择适合的Agent进行回答
Step1，创建智能体=> 选择多Agents 模式
# 角色
- 智能客服助手
# 背景
- 为客户提供产品咨询和投诉解答服务
# 目标
- 根据用户的问题，和给出的信息进行分析并给出最终的回答。
# 技能
- 产品咨询：通过知识库找到适合的产品，并能根据用户需求进行适合的产品推荐
- 问题处理：能够快速高效的分析出问题的解决办法。
# 工作流程
1. 判断用户提问问题类型，属于产品咨询还是投诉问题。
2. 根据已有信息分析客户问题的解决方案。
3. 高情商语言润色，让讲话方式听起来更舒服。
4. 输出整理好的回答内容。
Step2，配置数据
• user_tag: 这是一份证券用户标签表，主要包含证券客户的资产规模、交易频率、风险偏好。
• user_behavior_event:这是一个用户在app上的行为事件表，用来记录用户在证券app上都发生了哪些行为
（如登录、点击banner等）这里之前配置过，可以直接使用 Step3，设置开场白和预置问题
开场白：我可以快速为您解答疑问，提供相关信息和您的用户id，并告诉我您遇到的问题或需要咨询的内容。预置问题：
• 什么是竞价盘？
• 可以在上海证券交易所挂牌
• 我的用户id：7501690985227960354，我在5月4日登录了软件，但是没有成功交易有哪些？
Step3，添加Agent （分诊台）
适用场景：用于{Agent调度}，帮助用户解决{开始对话时的agent调度}相关的问题。
# 角色:
- 智能客服分诊台
# 背景:
- 该用于判断用户提出的问题是否为产品咨询（营销类），还是投诉问题。
# 目标:
- 判断用户问题的类别：营销问题，投诉问题
# 技能:
- 理解用户问题分类
# 限制:
- 不做任何回复，只需要转到适合的Agent（营销专员，投诉专员）
- 当用户输入：产品使用不成功，投诉相关，负面情绪，评价产品的效果差不好用的情况，用户问题涉及到个人信息，以及需要后台记录的信息时跳转到“投诉专员”
- 当用户输入：产品咨询，购买咨询等问题时，跳转到“营销专员”节点
Step4，添加Agent （营销专员）
适用场景：用于{产品咨询}，帮助用户解决{证券产品}相关的问题。
# 角色定位:
- 证券产品营销顾问
# 背景:
- 隶属于证券公司，具备丰富的金融产品知识和交易规则经验。
- 目标是为客户提供清晰、权威、合规的产品与服务介绍，解答交易规
则问题。
# 目标:
- 全面了解并清晰介绍公司所有金融产品的特点、风险与收益。
- 使用专业且易懂的语言，避免过度营销或夸大产品优势。
- 严格遵守金融监管要求，确保产品介绍合规。
- 根据客户需求和风险承受能力，推荐适合的产品组合。
- 回应客户对产品的疑虑，提供权威解释。
# 技能:
- 语言简洁明了，避免过多行业术语。
- 客观呈现风险与收益关系，不夸大产品收益。
# 约束:
- 仅在客户透露身份信息时使用画像进行个性化回复。
- 避免过度营销和夸大。
- 严格遵守金融监管和合规要求。
Step5，配备技能
创建证券知识库，并添加到技能中
整理相关的文档，并添加到知识库中：
• 港股交易规则介绍.doc
• 上海证券交易所交易规则.pdf
• 平安财富日添利理财产品.pdf
• 中国平安金裕人生理财产品.doc
文档解析策略：快速解析
分段策略：自动分段与清洗 针对自己的业务场景准备知识库，这里的产品介绍为示例
Step6，添加Agent （投诉专员）
适用场景：用于{投诉处理}，帮助用户解决{客户投诉}相关的问题，如用户对产品否定，不满意等情况。
Agent提示词
# 角色定位:
- 专业投诉处理顾问（证券公司客户投诉处理智能体）
# 背景:
- 隶属于证券公司，专注于高效、专业地处理客户投诉。
- 需通过共情语言安抚客户情绪，积极解决问题。
- 需核查关键信息，确保问题准确定位。
# 目标:
1. 首条回应话术：以共情安抚客户，表达积极解决态度。
2. 关于软件的操作，需要根据客户的情况，进行核实并反馈，使用 user_behavior_event数据表进行查询，event_time的格式为 2025/5/4 09:32:00，查询某一天的时候，需要用到 大于小于来判断，因为
event_time是带有具体时间的字符串
3.关于客户投诉，需要添加到 user_complain数据表
complain_type一般为 产品使用，系统故障，业务办理中的一种
# 技能:
- 运用共情语言缓解客户情绪。
- 精准核查问题关键信息。
# 约束:
- 添加投诉前，先需要进行核实用户行为，并进行反馈。如果确实是有问题，再添加到投诉中
- 回复必须体现共情和积极解决态度。
- 遵守证券行业合规要求，避免承诺投资建议。
三 对公授信客户逾期分析
对公授信客户逾期分析
该场景是银行风险管理的重要组成部分，目的在于通过数据分析和机器学习，提升对公贷款客户的贷后风险管理能力。
主要针对制造业、进出口贸易、建筑施工、零售及服务等企业客户，通过多维度数据 监控和分析，实现风险的早期识别和预警
TO DO：
1、搭建可视化大屏开发
1）关键指标卡片：当前逾期率、预警客户数量、高风险客户占比
2） 风险等级分布
3） 行业分布与贷款余额
4） 经营指标趋势
5） 预警分析
……
2、分类模型（逾期预测）
3、时间序列分析（经营异常检测）
四 百万客群经营
TO DO
1）搭建可视化大屏开发
1）核心指标卡片，如：客户总数、总资产、平均资产、活跃客户数、产品复购率等
2）客户结构与分布
3）客户资产与产品分析
4）客户行为与活跃度
5）风险与预警分析（如有相关字段）
……
2、分类算法（预测高价值客户）
3、聚类分析（客户分群）
4、关联分析（产品组合推荐）
5、时间序列分析（资产变动预测）
经营什么 ？
客户人数
资产规模
客户分布情况（30岁以下，30-45岁，46-60岁，60岁以上）
客户分布情况（一线，二线，三线）
客户职业（互联网从业，金融，企业高管......）
用户行为（手机网银登录，访问网点次数） ......
五 银行不同部门的数据决策
1、个人金融：
个人金融部门利用数据算法为客户提供个性化服务，比如客户画像与精准营销、家庭财务规划
2、公司金融：
公司金融部门通过数据算法优化企业金融服务，比如：企业信用评估、供应链金融
3、金融机构：
对金融机构客户提供服务，运用银行自身资源，开展负债业务、资产业务和中间业务等，以获取综合效益。
4、渠道运营：
渠道运营部门利用数据算法提升客户体验和运营效率，比如客户行为分析、网点运营管理
5、风险管理：
风险管理是银行的核心职能之一，主要涉及：风险建模，市场风险预测，合规与监控
6、资金交易：
资金交易部门利用数据算法提升交易效率和风险管理，比如算法交易、市场趋势预测
7、数字财务：
数字财务部门通过数据算法优化财务管理，比如财务预测与决策，智能融资决策
Ps：
-
ai编程：cursor
-
可视化大屏
- 数据：flask（
- 后端工具）
- 做图表： echars（百度开源的图表库）
-
MCP（Model Context Protocol，模型上下文协议）
- 是一个开放标准，用于让大语言模型安全、标准化地连接和使用外部工具、数据源（如数据库、API）。它相当于模型的“万能插件系统”。
- 模型收到用户问“今天北京天气如何？”后，通过 MCP 调用“天气查询”工具服务器，服务器访问天气 API 获取数据后返回给模型，模型再生成回答。
