DBS Bank
全行AI工业化与个性化客户经营
企业原始材料
银行
企业部署案例
深度案例｜关键链路较完整
A级证据
全行规模化
A
证据等级
Innovating impactful solutions for customers
证据等级衡量“能否定位和复核来源”，不评价厂商披露是否经过第三方审计。
深度案例｜关键链路较完整
12 / 12
业务背景2 / 2
改造流程2 / 2
技术工作流2 / 2
人机与治理2 / 2
量化结果2 / 2
来源定位2 / 2
六个维度均达到当前完整度标准。
业务问题
DBS需要把分散在各业务条线的数据分析和机器学习项目，从漫长的一次性交付改造成可规模复制、可治理、可量化经济价值的全行能力，同时兼顾银行风险、客户信任和员工采用。
解决方案
银行建立统一的数据与AI基础设施、模型交付和PURE责任治理框架，以跨职能客户旅程团队持续选择高价值用例；在客户侧大规模运行个性化提醒、理财规划和反诈骗模型，在组织侧推进生成式AI助手与专业人员培训，并以经济价值而非模型数量作为组合管理指标。
技术架构与生产工作流
Step 01
客户交易、渠道、风险与经营数据
→
Step 02
统一数据与AI平台及可复用模型能力
→
Step 03
用例价值评估与PURE责任治理
→
Step 04
预测/推荐/反诈骗等模型组合
→
Step 05
个性化提醒、理财工具与员工工作流
→
Step 06
客户行为与经济价值反馈进入持续迭代
关键技术与基础设施组件
企业数据平台模型开发与运营个性化推荐风险评分责任AI治理价值度量体系
人机分工与责任边界
模型负责预测、推荐和大规模触达；业务、风险与合规人员共同审批用例、设定限制并对客户结果负责，客户仍保留理财和安全操作的最终决定权。
FDE 动作拆解
- 围绕客户旅程而不是部门系统组织跨职能团队
- 把模型交付周期和经济价值纳入组合管理
- 建立用途、意外性、尊重和可解释性治理检查
- 把模型能力嵌入客户触达和员工工作流
- 持续比较触达组和非触达组的客户行为
可迁移复用的落地方法论
- 企业AI规模化要同时建设平台、治理和价值度量
- 按客户旅程组织团队比按模型类型组织更接近业务结果
- 模型数量不是成果，必须跟踪可归因的经济价值
- 高监管行业应在用例设计阶段嵌入责任治理
业务成效与交付成果
DBS 2024年报披露，超过1,500个模型覆盖370多个用例，全年产生超过7.5亿新元经济价值；向1,300多万客户发送超过12亿次个性化提醒。
证据边界与核验记录
- 模型、用例、触达量和经济价值来自DBS 2024年报。
- 7.5亿新元为DBS自身经济价值度量，不等同于审计后的利润增量。