banking-use-case-discovery

银行业用例发现

将宽泛的银行业研发目标转化为优先级明确的用例组合。

目标不是罗列银行业中所有可能的 AI 用例，而是找出业务价值、数据可行性、风险控制和文献先例能够相互契合的机会。

何时使用此技能

当用户提出以下问题时，请使用此技能：

• 在银行中探索哪些 AI/ML/研发问题；
• 如何将银行业痛点转化为用例；
• 根据现有数据，哪些银行业用例可行；
• 如何为研发、PoC 或试点项目确定创意的优先级；
• 如何在信贷、欺诈、AML、客户、运营、文档、合规或生产力领域进行头脑风暴。

选定用例后，如需基于论文的解决方案详情，请使用 publication-grounded-solution-design 或 banking-ai-literature-mapper。

银行业机会图谱

考虑以下领域：

领域	决策/工作流示例	常见方法	主要风险
信用风险	审批、额度、早期预警、偿付能力评估	评分、生存模型、图机器学习、可解释机器学习	公平性、可解释性、监管、数据泄漏
欺诈与诈骗	交易监控、冒名账户检测、诈骗防范	异常检测、图学习、序列模型、规则 + 机器学习	对抗行为、误报、延迟
AML	可疑活动检测、案件优先级排序	图分析、弱监督、实体消歧、类型模式挖掘	标签偏差、可审计性、监管可辩护性
催收	联系优先级排序、财务困难检测、策略选择	增益建模、强化学习、细分	客户伤害、政策约束
客户洞察	流失、下一最佳行动、个性化	推荐系统、增益建模、表征学习	同意、偏见、过度定向
联系中心	路由、摘要、质量保证、客服坐席辅助	检索、大模型、语音/文本分析	幻觉、隐私、人工采纳
文档 AI	KYC、贷款文件、合同、表单	OCR、版面模型、信息抽取、RAG	抽取错误、审计轨迹、文档变化
合规与风险运营	政策检查、控制测试、报告	NLP、检索、工作流挖掘、异常检测	法律解释、问责
生产力	分析师副驾驶、知识搜索、代码/数据助手	RAG、Agent、工具使用、摘要	数据泄漏、答案依据、评估

工作流

1. 从痛点出发，而非技术

对于每个候选领域，记录：

• 当前流程；
• 用户痛点；
• 失败成本；
• 决策频率；
• 人工工作量；
• 可用数据；
• 已知限制；
• 负责人和采用路径。

除非问题特征确实适用，否则不要一开始就提出“使用大模型”或“使用图神经网络”。

2. 将领域转化为用例卡片

使用此模板：

### Use case: [name]
- Business problem:
- Decision/workflow:
- Target users:
- Data needed:
- Candidate method families:
- Prior precedent to search:
- Business value hypothesis:
- Risk/compliance concerns:
- Pilot shape:

3. 为每个用例评分

按以下维度打 1–5 分：

• 业务影响；
• 数据就绪度；
• 技术可行性；
• 文献/行业先例；
• 评估清晰度；
• 运营采纳度；
• 风险/可管理性。

然后分类：

• 快速试点：可行性高、数据明确、风险可控；
• 研发候选项：前景良好，但需要探索方法或数据；
• 战略押注：影响大，但集成或治理难度高；
• 暂缓：价值不明确、数据薄弱或风险不可接受。

4. 明确研究依据需求

针对每个有前景的用例，列出搜索方向：

• 银行业/金融业的规范术语；
• 问题特征相似的相邻领域；
• 评估基准；
• 监管或可解释性文献；
• 已知失效模式。

示例：

• 冒名账户检测 → 图异常检测、欺诈团伙、金融交易网络；
• 投诉摘要 → 有依据的摘要、客户支持质量保证、RAG 评估；
• 信贷早期预警 → 生存分析、时序表格建模、宏观经济压力特征。

5. 优先规划项目组合

推荐一组均衡的项目：

• 一个快速试点；
• 一个中期研发项目；
• 一个战略性探索项目；
• 如果许多用例都受阻于同一项缺失数据，则增加一个数据基础项目。

输出格式

# Banking use-case discovery

## Context and constraints

## Use-case portfolio
| Use case | Domain | Impact | Data readiness | Feasibility | Precedent | Evaluation clarity | Risk | Priority |
|---|---|---:|---:|---:|---:|---:|---:|---|

## Top use-case cards
### 1. [Use case]
- Business problem:
- Decision/workflow:
- Target users:
- Data needed:
- Candidate methods:
- Prior precedent to search:
- Pilot shape:
- Main risks:

## Recommended portfolio
- Quick pilot:
- R&D candidate:
- Strategic bet:
- Data foundation need:

## Next literature searches

质量标准

好的用例图应帮助用户选择接下来要调查的方向，而不只是展示许多银行业务都可以使用 AI。