banking-use-case-discovery

用途

该技能旨在将宽泛的银行研发目标转化为按优先级排序的用例组合。其目标不是罗列银行业所有可能的 AI 用例，而是识别业务价值、数据可行性、风险控制与文献先例能够对齐的机会。

何时使用

当用户询问以下问题时使用：

银行中应探索哪些 AI/ML/R&D 问题；
如何将银行痛点转化为用例；
哪些银行用例在现有数据下可行；
如何为 R&D、PoC 或试点排定优先级；
如何在信用、欺诈、反洗钱、客户、运营、文档、合规或生产力领域进行头脑风暴。

用例选定后如需基于论文的解决方案细节，应使用 publication-grounded-solution-design 或 banking-ai-literature-mapper。

银行机会地图

技能考虑以下领域：

领域	示例决策/工作流	常用方法	关键风险
信用风险	审批、额度、早期预警、可负担性	评分、生存模型、图 ML、可解释 ML	公平性、可解释性、监管、泄漏
欺诈与诈骗	交易监控、骡子账户检测、诈骗预防	异常检测、图学习、序列模型、规则+ML	对抗行为、误报、延迟
反洗钱	可疑活动检测、案件优先级排序	图分析、弱监督、实体解析、类型学挖掘	标签偏差、可审计性、监管可辩护性
催收	联系优先级、困难检测、处置策略	增益建模、强化学习、分群	客户伤害、政策约束
客户智能	流失、下一步最佳行动、个性化	推荐系统、增益建模、表示学习	同意、公平性、过度定向
联络中心	路由、摘要、质检、坐席辅助	检索、LLM、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、文档漂移
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、智能体、工具使用、摘要	数据泄漏、答案接地、评估

工作流

1. 从痛点出发，而非技术

对每个候选领域，记录：当前流程；用户痛点；失败成本；决策频率；人工投入；可用数据；已知约束；负责人与采纳路径。

避免以“使用 LLM”或“使用图神经网络”开头，除非问题形态支持。

2. 将领域转化为用例卡片

使用模板：

用例：[名称]

业务问题：
决策/工作流：
目标用户：
所需数据：
候选方法族：
待检索的先例：
业务价值假设：
风险/合规关注：
试点形态：

3. 为每个用例评分

对以下维度打 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；风险/可管理性。

然后分类：

快速试点：高可行性、数据清晰、风险可控；
R&D 候选：有前景但需方法/数据探索；
战略押注：高影响但集成或治理困难；
暂缓：价值不明、数据薄弱或风险不可接受。

4. 识别研究基础需求

对每个有前景的用例，列出搜索方向：经典银行/金融术语；问题形态相似的相邻领域；评估基准；监管或可解释性文献；已知失败模式。

示例：

骡子账户检测 → 图异常检测、欺诈团伙、金融交易网络；
投诉摘要 → 接地摘要、客服质检、RAG 评估；
信用早期预警 → 生存分析、时序表格建模、宏观经济压力特征。

5. 优先排序组合

推荐平衡的组合：一个快速试点；一个中期 R&D 项目；一个战略学习押注；如果许多用例被同一缺失数据阻塞，则增加一个数据基础项目。

输出格式

银行用例发现

背景与约束

用例组合

用例	领域	影响	数据就绪度	可行性	先例	评估清晰度	风险	优先级

顶级用例卡片

1. [用例]

业务问题：
决策/工作流：
目标用户：
所需数据：
候选方法：
待检索的先例：
试点形态：
主要风险：

下一步文献检索

质量标准

好的用例地图应帮助用户选择下一步调查什么，而不仅仅是展示许多银行任务都可以使用 AI。

限制

资料未提供该技能的具体安装命令、平台支持、收费方式或价格信息。

技能介绍

用途