银行网点改造早就列入了各大银行日程表。四大行减少物理网点和柜员已成大势。

建设银行在上海开出无人网点后，一盘更大的棋局逐渐浮现。

工商资料显示，名为“建信金融科技责任有限公司”于2018年4月12日注册成立，注册资本16亿元，由建银国际有限公司通过全资子公司和孙公司100%持股，可以理解为建行的全资子公司。

这是国有大行中首家金融科技子公司，也是商业银行内部科研力量整体市场化的第一家子公司。据建信金融科技责任有限公司相关人士透露，不排除该子公司未来独立上市的可能。

无人网点“刷脸”体验

在位于上海九江路的这家建行新无人网点，最大的体验是，从进门，到办理各种业务，“刷脸”是核心一环：进门刷身份证，同时对准摄像头进行人脸识别校验；要进入VIP室或者VR体验室，也要对准摄像头进行身份识别；自动取款机取款500元以下可以直接输入手机号加人脸识别提款。

据建行渠道与运营管理部副总经理陈德介绍，人脸识别技术是建行目前主推的一项技术，在接近1.5万个网点和2900家自助银行全流程应用，同时也在包含非物理网点在内的全渠道应用。

建行信息技术管理部总经理兼建信金融科技公司副董事长朱玉红坦言，无人网点无需大规模复制推广，更多是作为一种科技应用的展示，但建行将一直推进客户体验的改善。

银行网点改造早就列入了各大银行日程表。四大行减少物理网点和柜员已成大势。

被称为“宇宙大行”的工商银行，2016年和2017年机构总数分别下降了298个和312个，其中，营业物理网点减少337个。

农业银行2017年一级支行下降21个，基层营业机构下降13个。

建设银行去年营业机构共下降65个，其中，二级分行增加4个，支行增加536个，但支行及以下网点减少606个。

中国银行所有分支机构增加49家至11605家，但基层分支机构下降了13家至10300家。

不过，值得注意的是，工行2017年报显示，其自助银行和自动柜员机有所下降，较上年分别减少了2189个和5040 台。此外，招商银行年报也披露2017年自助银行减少了155家。有银行业内人士分析称，这主要是因为随着线上支付的普及导致现金需求减少。

随着基层网点减少和转型，银行人员规模和结构上也发生了相应变化。2017年报显示，四大行中除了中行，员工规模均继续处于下降通道。

工行2016年减少4597人，2017年减少8701人。建行2017年较上年减少2.72%，达352621人。农行2016年减少6384人，2017年减少9391人。

另外，股份行中，中信银行2017年人员较上年减少1299了人，降幅也达到了2.24%。

根据麦肯锡的银行业研究，比起2010年,发达市场前22大银行减少了约335000名员工，到2020年将削减14%的成本。但如果考虑到收入风险,14%的降本幅度还不够。其他条件不变，欧洲、日本和英国的银行要削减50%的成本才能重新盈利，具体幅度视银行资本成本而定。整体而言，银行需要大力削减成本来盈利。

“企业级”管控建行样本

不过，对于建行而言，金融科技战略的核心诉求很难用“降低成本”来简单回答。朱玉红表示，建行每年对于科技投入的预算，按照项目有着不同的考核框架和标准，难以一言以蔽之。就全行的金融科技战略，是站在优化治理结构的角度，金融科技子公司仅是其中一项安排。

在金融科技战略大框架下，管理架构方面，原先独立的产品创新委员会、大数据委员会和信息技术委员会被整合成一：创新委员会，并下设办公室，由行长直接担任主任一职。在整个和创新相关的架构中，由创新委员会负责战略规划和决策，由科技部门和委员会办公室主建，加上金融科技子公司、大数据中心以及分行科技力量，形成完整治理体系。

就这家刚刚成立的金融科技子公司而言，在人员配备上，目前完全由现有的建行研发中心团队构成，已有超3000人的规模，未来可能对外进一步吸收人才。

据建信金融科技公司相关人士介绍，其主要服务对象为建设银行集团及所属子公司，未来也可能加大外联和输出工作，将具有更加灵活的激励机制，且不排除独立上市的可能。

在朱玉红对建行金融科技战略及金融科技子公司的相关功能表述中，“提升企业级管控能力”出现频率极高。

以业务流程改造为例，据朱玉红介绍，建行原来有一万多个业务流程，各业务品种有自己的凭证及风控要求等。在完成企业级整合后，一万多个业务流程形成了800个标准活动，各类业务基于自身的要求，可以通过标准模块进行集中的调用和配置，大大优化了内部工作效率。

这是从银行自身运行效率的角度，对于银行客户而言，“智能化”体验也蕴含其中。

朱玉红表示，经过“企业级管控”优化后，客户不管是从哪个网点，还是手机银行等线上渠道接触银行，都能够被快速识别，知道你是谁，已经有哪些业务关联，可能还需要什么业务。

另外，根据麦肯锡的相关研究，IT方面的投入能够切实为银行提高运营效益。其相关报告的三个案例显示，由于客户严重流失，一家欧洲银行通过机器学习找到了解决方法，新算法能有效预测当前准备减少银行业务的活跃客户，使客户流失率降低了15%。

一家美国银行运用机器学习研究私人银行员工给客户的折扣，发现这些折扣并非都能奏效，在取消了一些不必要的折扣后，收入提高了8%。

亚洲一家顶尖银行曾竭力吸引客户关注新产品。通过高级数据分析，银行发现了其中的隐藏共性，并在客户群中定义了15000个微细分客群，然后建立了“二次购买”模型，使购买可能性提高了大约三倍。