Financial Services（金融服务）

知识库位置：FDE Knowledge Base/08 Industries/02-Financial-Services.md

Industry Metadata（行业元数据）

Industry ID: IND-002

Industry（行业）:
Financial Services（金融服务）

Primary Value Drivers（主要价值驱动）:
Revenue（收益）
Risk Control（风险控制）
Compliance（合规）

Primary Business Risks（主要业务风险）:
Credit / Market / Fraud / Compliance Risk（信用/市场/欺诈/合规风险）

Data Sensitivity（数据敏感度）:
Very High（极高）

Typical Integration Complexity（典型集成复杂度）:
High（高，遗留系统多）

AI Opportunity Level（AI 机会等级）:
High（高，以辅助优先）

Human Oversight Requirement（人工监督要求）:
High for credit / transfer / compliance（信贷/转账/合规必须人工监督）

Status: Core
Version: v0.1

1. Industry Overview（行业概览）

金融服务覆盖：

Banking（银行）
Payments（支付）
Insurance（保险）
Wealth Management（财富管理）
Capital Markets（资本市场）
Lending（信贷）
FinTech（金融科技）

行业特点：

数据价值高、风险高、监管要求强、系统复杂。

2. Business Model（商业模式）

不同业务差异很大，但常见收入包括：

Interest（利息）
Fees（费用）
Transaction Revenue（交易收入）
Advisory Fees（顾问费）
Premiums（保费）
Investment Management Fees（投资管理费）

核心风险包括：

Credit Risk（信用风险）
Market Risk（市场风险）
Fraud（欺诈）
Operational Risk（操作风险）
Compliance Risk（合规风险）

3. Value Chain Example — Lending（价值链示例：信贷）

Customer Acquisition（获客）
↓
Application（申请）
↓
Identity Verification（身份核验）
↓
Credit Assessment（信用评估）
↓
Underwriting（核保/承保）
↓
Approval（审批）
↓
Funding（放款）
↓
Servicing（贷后服务）
↓
Collections（催收）

4. Key Functions（关键职能）

Retail Banking（零售银行）
Commercial Banking（商业银行）
Risk（风险）
Compliance（合规）
Fraud（反欺诈）
Operations（运营）
Trading（交易）
Research（研究）
Customer Service（客服）
Finance（财务）
Technology（技术）

5. Core Processes（核心流程）

KYC（客户身份识别）

Know Your Customer。

AML（反洗钱）

Anti-Money Laundering。

Underwriting（核保/承保）

判断贷款或保险风险。

Fraud Investigation（欺诈调查）

识别异常交易。

Trade Lifecycle（交易生命周期）

Order（下单）
↓
Execution（执行）
↓
Confirmation（确认）
↓
Settlement（结算）

6. Enterprise Systems（企业系统）

常见：

Core Banking（核心银行系统）
Payment Platform（支付平台）
Loan Origination System（贷款发起系统）
CRM（客户关系管理）
Risk Engine（风险引擎）
Fraud Detection（欺诈检测）
Data Warehouse（数据仓库）
Document Management（文档管理）
Case Management（案件管理）
Trading Systems（交易系统）

7. Important Data（重要数据）

Customer Identity（客户身份）
Account（账户）
Transaction（交易）
Payment（支付）
Loan（贷款）
Credit（信用）
Market Data（市场数据）
Documents（文档）
Communication（沟通记录）
Investigation Cases（调查案件）

8. Business Metrics（业务指标）

可能包括：

Approval Rate（批准率）
Default Rate（违约率）
Fraud Loss（欺诈损失）
False Positive Rate（误报率）
Transaction Success Rate（交易成功率）
Cost per Case（单案成本）
Case Resolution Time（案件解决时长）
Customer Acquisition Cost（获客成本）
Assets Under Management（管理资产规模）
Net Interest Margin（净息差）

具体指标取决于业务线。

9. Common Pain Points（常见痛点）

合规人员需要阅读大量文档
Fraud Alert（欺诈警报）数量过多
Analyst（分析师）在多个系统搜索数据
客户 Onboarding（开户/入驻）太慢
文件处理人工量大
调查 Case 很复杂
Legacy System（遗留系统）难集成
数据权限非常严格

10. AI / Data Use Cases（AI/数据用例）

Document Intelligence（文档智能）

Loan Document（贷款文件）
Financial Statement（财务报表）
Insurance Claim（保险理赔）

Investigation Copilot（调查副手）

辅助：

Fraud（欺诈）
AML（反洗钱）
Compliance（合规）

Research Assistant（研究助理）

搜索：

Internal Research（内部研究）
Market Data（市场数据）
Filings（公开披露文件）

Customer Service AI（客服 AI）

处理：

Product Information（产品信息）
Account Support（账户支持）

Risk Analytics（风险分析）

辅助风险分析。

11. Reference Architectures（参考架构）

常见：

12. Architecture Principle（架构原则）

金融系统通常应优先：

AI Suggestion（AI 建议）
↓
Deterministic Controls（确定性控制）
↓
Human / Policy Decision（人工/策略决策）

特别是在：

Credit（信贷）
Financial Transfer（资金转移）
Compliance（合规）
Account Action（账户操作）

等高风险领域。

13. Security / Compliance Considerations（安全/合规考量）

FDE 应特别关注：

PII（个人身份信息）
Financial Data（金融数据）
Access Logging（访问日志）
Segregation of Duties（职责分离）
Retention（留存）
Explainability（可解释性）
Model Governance（模型治理）
Auditability（可审计性）

具体法律与监管要求因司法辖区和业务类型而异，需要由客户法务与合规团队确认。

14. Discovery Questions（调研问题）

哪个流程目前最依赖人工调查？
一次 Case 平均需要多久？
False Positive（误报）成本多高？
什么决策必须人工完成？
哪些字段属于高度敏感数据？
模型结果是否需要解释？
是否需要完整 Audit Trail（审计轨迹）？

15. Warning Signals（警示信号）

「让 AI 自动批准贷款。」

首先需要澄清：

Decision Policy（决策政策）
Regulatory Requirement（监管要求）
Human Review（人工复核）
Explainability（可解释性）
Bias / Fairness Controls（偏见/公平性控制）

「直接把生产交易数据发给外部模型。」

必须先完成数据和安全评估。

16. Common Failure Modes（常见失败模式）

AI 没有 Audit（审计）
Permission（权限）过宽
只关注模型效果，不关注 False Positive / False Negative（误报/漏报）成本
缺乏 Human Review（人工复核）
无法解释结果来源
Production Data 处理不符合客户治理要求

17. Sample Scenario（客户情景示例）

Problem（问题）:
AML analysts spend hours gathering data across systems per case.
（反洗钱分析师每案需跨系统收集数小时数据。）

Architecture（架构）:
Case Data Integration（案件数据整合）
→ Investigation Copilot（调查副手）
→ Evidence Summary + Citation（证据摘要 + 引用）
→ Analyst Decision（分析师决策）

当前 Case Studies v0.1 暂无金融专属案例；建议后续新增 AML Investigation Copilot（反洗钱调查副手）、Loan Document Processing（贷款文件处理）。