摘要：按真实数据可得、合规可落地、收益可量化三条标准，我们从银行日常经营里挑出 10 个 Data Agent 落地场景，按年化收益排序：违约预警压降、尽调报告生成、存款流失挽留、反洗钱甄别、分行经营诊断、管户效率、反欺诈、监管报送、分期营销、理财承接。示例是一家 5000 亿资产的城商行，参数取自上市银行年报公开区间。满额上限约 1.2 亿，首年爬坡口径约 3500 万。

一、10 个场景是怎么挑出来的

讲"Data Agent 在银行怎么用"的清单很多，大多是功能罗列：查数、报表、问答。我们的筛法不一样，从经营账倒推，三条标准。

真实数据可得。 只用银行自己就有的数据：核心、信贷与还款、信用卡与交易流水、理财持仓、客户经理与网点、走访记录与客服工单，再加公开数据（工商、征信、监管口径）。客户看到场景的第一反应得是"我的数据能跑"，不能是"我的数据不支持"。

合规可落地。 银行是强监管行业，AI 能自主到什么程度是红线。每个场景都写清了数字员工干什么、人干什么、绝对不干什么。涉及客户实质权益的动作一律人工决策：不自主触达客户，不改费率，不拒贷，不降额冻结，不上反欺诈引擎，不提交监管报送。合规总敢签字，场景才算数。

收益可量化。 每个场景按"基础参数、动作变化、经营结果"三段拆解，客户拿自家三个数就能算出自己的收益。

从最初 20 多个候选里筛出 10 个，按年化收益排序如下。

有一点先说在前面：收益排序不等于落地顺序。收益最大的场景往往最难验证，表里那列兑现确定性就是给这个用的。尽调报告、监管报送、反欺诈、反洗钱、分行诊断当天就能验，建议先做；分期营销的转化率归因最弱，不适合放主推位。

二、10 大经营场景总览

口径说明：场景 2/4/8 是效率与成本节约口径（人力当量释放），场景 1/7 是风险成本规避口径，场景 3/5/6/9/10 是增量收入口径（AUM×费率 或 手续费）。合计是综合经营收益口径，不是财务报表科目。上表 1.2 亿是满额理论上限（逐项加总 1.16 亿），按 50% 兑现折算约 5800 万，按首年爬坡 30% 折算约 3500 万。

推演基准：5000 亿资产、净息差 1.6%、不良率 1.5%、个人贷款 900 亿（其中小微经营贷约 300 亿）、对公贷款 1600 亿、零售 AUM 1200 亿、信用卡 150 万张、客户经理 1200 人（对公 200 人）。这些参数取自上市银行年报公开区间，可自行查证。所有收益数字都是基于这些公开基准的推演假设值，不是实际客户回款。

三、10 个场景到底解决什么问题

场景 1｜小微经营贷违约预警与坏账压降（收益最大）

为什么聚焦小微经营贷，不是所有个人贷款？房贷有抵押、消费贷金额小，非结构化风险信号都很薄；真正信号密度高、又一直没进模型的，是小微经营贷——客户经理走访记录、客服工单、对外担保里的文本。贷前主要看人行征信和评分卡，这些非结构化信号一直没进模型；贷中预警靠日报，等日报出来客户已经实质违约了；贷后预警名单每周都有，但客户经理人手有限，谁先管靠经验拍。极昆仑iInsight 把结构化和非结构化揉在一起，在实质违约前 30-60 天把散落的信号聚出来，按违约概率排出处置优先级，迁移率压降约 8pp（示例口径）。收益不按"不良率×余额"简单折算，而是按"预警干预名单余额 M × 迁移率压降 ΔD ×（1-回收率）× 兑现率"算：示例按全年高危名单覆盖余额约 6 亿、迁移率压降 8pp、回收率 40%、兑现率 0.7 算，一年省下风险成本约 2000 万（示例口径）。要说清楚的是，风控场景做不了干预组/对照组，效果只能参考历史批次迁移率且受宏观影响；我们不说"AI 能大幅降低不良"，做的是把信号提前聚出来、把处置优先级排出来，让处置动作提前发生。

场景 2｜贷前尽调报告自动生成（兑现确定性最高）

一份尽调报告要写 2-3 天，得融合征信、流水、工商、走访记录、对外担保，是客户经理最高频的重复劳动。极昆仑iInsight 多源融合一键成稿，2-3 天压到 3 小时，每个数据点都能溯源到原始表，贷审会的审计能过。按对公客户经理 200 人、人均一年 60 份、每份省 2 天算，一年释放约 1400 万人力当量。这个场景当天就能验，现场计时即可，不需要客户先信任何归因模型。

场景 3｜大额资金异动监控与存款流失挽留

存款是银行的根本。大客户资金一走就是几千万上亿，现在靠柜面报告加客户经理经验，漏报多，也滞后。极昆仑iInsight 巡检大额异动，当天归因，线索里包括他行竞品动态、客服沟通中"他行利率高 0.3%"这类非结构化信息，然后生成一户一策的挽留方案派给客户经理，要求 24 小时内首次触达。挽留率从 15% 提到 45%（推演值），按一年大额流失 30 亿、净息差 1.6% 算，一年挽回约 1400 万。

场景 4｜反洗钱可疑交易智能甄别

银行 AML 告警量大，误报率 90% 以上，人工逐条甄别成本很高，而监管处罚一年比一年重。极昆仑iInsight 用关联图谱加非结构化融合做甄别，误报率从 90% 压到 65%，释放约 70% 人工。按一年 73 万条告警、单条人工甄别 15 分钟算，一年释放约 1300 万合规人力。红线：AI 只做甄别归集和 STR 初稿，不自主上报监管，不自主冻结账户。

场景 5｜分行经营诊断与排名归因

总行看分行排名只看结果，不知道为什么某家分行存款掉了、不良升了。季度经营分析会靠人工拼报告，一周才出一份。极昆仑iInsight 从业务条线钻到产品、网点、客户经理、时段，分钟级出诊断报告和改进行动工单，同时生成可上会材料，附 SQL 和数据来源。按 20 家分行存款止跌回升合计 8 亿、净息差 1.6% 算，一年约 1200 万。演示时可以切换总行视角和分行视角，行列级权限一眼能看见。

场景 6｜客户经理日常经营与管户效率

管户 300-500 户，今天该联系谁、说什么，现在靠 CRM 的静态待办（生日、到期）加个人经验，高价值客户被冷落，商机漏掉。极昆仑iInsight 每天早上 7:30 生成当日经营清单，每一户写清为什么是这户、为什么是现在、为什么排前面，配一户一策话术。客户经理不用再翻名单，照着做就行。日均有效触达从 3.2 户提到 7.5 户（推演值），按管户 AUM 1200 亿、增速提升 1pp 算，一年约 1200 万。10 个场景里只有这一个，客户经理每天上班第一件事就打开。

场景 7｜信用卡反欺诈与套现识别

欺诈和套现主要靠规则引擎识别，误报率 90% 以上，新型团伙套现规则覆盖不到。极昆仑iInsight 用资金回流图谱（A→B→C→A）加异常检测识别团伙套现，输出可追溯的证据链，满足反欺诈取证要求，还能反向生成新规则推给反欺诈引擎。按一年识别可疑账户 1800 户、确认率 80%、户均损失 8000 元算，一年止损约 1100 万。红线：AI 不自主冻结账户，不上黑名单，不报案，全部人工复核后执行。

场景 8｜监管报送自动化与口径治理

EAST、1104、客户风险这些报送口径复杂、容易出错，一个口径错了全行返工，审计压力大。极昆仑iInsight 做口径差异自动归因，每个差异数字都能展开看原始记录、SQL 和计算时间，全链路可追溯，再生成整改工单、口径治理建议和审计证据包。按报送专职 40 人、差异返工减少算，一年节约约 900 万。红线：不自主提交监管报送，不自主修改监管口径。这是 CIO 和 CDO 级的痛点，可追溯和确定性在合规那里最有说服力。

场景 9｜信用卡分期精准营销闭环

客户大额消费后 7 天是分期的黄金窗口，客户经理和电销经常事后才知道，营销一刀切，转化率低。极昆仑iInsight 巡检出窗口期客户，按响应预测分三层，给一客一策话术和产品方案，派客户经理企微和电销任务。转化率从 8% 提到 11%（推演值；demo 演示里干预组 22%，对照组 8%）。按一年触达 30 万人次、户均分期 1.2 万、手续费率 7% 算，一年增量手续费约 750 万。这个场景的兑现确定性标了"低"，因为转化率提升要靠 A/B 对照组才能证明，银行得愿意配合跑对照。

场景 10｜理财产品精准推荐与到期资金承接

理财产品到期承接率约 60%，剩下的客户往往转走，产品推荐靠客户经理经验，高净值客户匹配度不高。极昆仑iInsight 拆出流失风险客群画像（保守型、单一持仓、历史转出），一户一策匹配产品和话术，到期前 30 天启动触达。承接率从 60% 提到 75%（推演值），按一年到期理财 40 亿、综合中收费率 0.5%（管理费+销售服务费+托管费）算，一年多承接约 300 万综合中收。

十个场景都可以做免费 POC，2 周验证。尽调报告当场计时，监管报送当场对数，分行诊断当场对账。