原文標題：

　　How Machine Learning Is Helping Morgan Stanley Better Understand Client Needs

　　作者：homas H. Davenport; Randy Bean

　　翻譯：吳昊

　　術語校對：王偉玲

　　全文校對：王紅玉

　　本文長度為1800字，建議閱讀4分鐘

　　巴布森學院管理和資訊科技專業的傑出教授Thomas H. Davenport和NewVantage Partners公司的執行長Randy Bean為你解讀摩根士丹利最新的智慧投顧“next best action”是如何在該公司的業務中發揮作用的。

　　智慧投顧，即為金融公司提供投資建議的自動化系統。雖然行業中大多數人對這個名詞並不感冒，但是它但是其流行的勢頭仍然難以阻擋。不過，摩根士丹利最近宣佈了一款經過機器學習增強的人性化諮詢系統，它的智慧程度遠遠超出了“機器”這一標籤，可能在未來將這個詞掃入歷史的廢紙筐中。

　　位於紐約的摩根士丹利自1935年開始運營以來一直被譽為零售投資行業中最具人本精神的企業之一。摩根士丹利擁有16,000名財務顧問，他們通過諸如面對面會議和電話等傳統渠道與客戶保持著穩固的工作關係。然而，該公司深知傳統渠道勞動密集型的性質限制了潛在客戶數量的增長，而且主要吸引的都是年長的客戶。根據德勤研究所得報告（

　　因此，摩根士丹利的財富經營管理部門近年來持續致力於研發“next best action”系統，這個系統可用來幫助財務顧問更高效地向客戶提供更有效的服務。該系統的初始版本功能僅為使用基於現有規則的方法來提出投資選擇的建議。升級換代之後採用了基於機器學習的系統，這樣便可以更好地將適配投資潛在選擇與客戶的偏好。對於財務顧問來說，當前有太多的投資選擇要追蹤並呈遞給客戶。一旦在市場上發生重大事件，例如，英國脫歐投票及由此造成的英國股票下跌，此類重要資訊很難在短時間內由財務顧問親自傳達給所有客戶。

　　摩根士丹利的下一代“next best action”系統則著眼於三個獨立的目標。其中只有一個在智慧投顧市場上常見，即為對客戶投資的提供投資洞察和選擇。在大多數現有的智慧投顧所提供的服務中，推薦的投資建議都是完全被動的，即針對共同基金或交易所交易基金。摩根士丹利的系統可以根據客戶的意願提供這些資訊，也可以根據公司的研究成果提供個人股票或債券（的投資建議）。財務顧問藉此可以獲得數個想法以供客戶選擇，並且通過自己判斷決定是否傳遞其中任何一個或全部。

　　系統的第二個方面是提供操作警報。這些可能包括保證金通知，低現金餘額警報或客戶投資組合大幅增加或減少的通知。它也可以留意到金融市場上值得注意的事件，例如上述的脫歐投票。財務顧問可以將個性化的文字與警報資訊附在一起並通過多種通訊渠道釋出。

　　最後，摩根士丹利系統還包括了針對使用者個人生活資訊的服務。例如，如果一個客戶有個孩子得了某種疾病，該系統可以推薦最好的當地醫院和學校，以及用於治療疾病的財務策略。在其他智慧投顧系統還沒有該種生活服務的時候，這一獨有的特性將有助於客戶和財務顧問之間建立一個累積信任和價值的關係。

　　這個系統的特點和功能都令人印象深刻，但一旦涉及到推向市場，它的初次體驗往往決定了它未來是否成功。因此摩根士丹利在推廣過程中也一直保持著謹慎，機敏和開放的態度，所以系統在設計過程中引入了數個財務顧問。目前該系統的開發已經完成，正處於測試狀態之中，並將在9月份推薦給500個財務顧問使用。在首席資料和分析主管Jeff McMillan的領導下，財富管理分析和資料組織（the Analytics and Data Organization within Wealth Management）完成了對此係統的研發。Jeff McMillan一開始就知道讓財務顧問使用該系統是一個巨大的變革管理專案。一般來說，財務顧問的工作依賴於他們的過往經驗，並且最初他們也不瞭解機器系統的運作方式。

　　“next best action”系統將在一開始先通過財務顧問進行仲裁，但客戶也可以訪問最新的線上資訊。摩根士丹利計劃最終發行具有投資組合管理功能的純數字版本，這樣就可以用更低地成本向更偏愛純數字版的顧客提供服務（客戶中很多人為千禧一代）。為了協助顧客，以及接受了該系統的投資顧問，一位供職於呼叫中心外的數字顧問還將就係統的使用提供專家級別的建議。

　　McMillan強調人類將保持在財富管理方面的作用。他認為“智慧投顧”這個術語特別令人討厭。通過電話他告訴我們：

　　在可預見的未來，像這樣的系統將會作為顧問和客戶之間人際關係的一個補充。在整個行業中，“人機混合”產品已經越來越成功。但是人可以理解上下文，處理客戶情緒，處理不同的資料集，所以人在財務諮詢方面仍然扮演著非常重要的角色。

　　McMillan和他的同事們做了大量工作，以使公司所有的投資知識都可以通過該系統靈活運用。例如，他們發現當前沒有一種人工智慧系統提取運用投資分析報告中蘊含的知識，以此來支援他們向客戶所提供的投資策略。所以McMillan正在與公司的研究部門合作，努力使報告中的知識更加結構化以便於機器來學習運用。這一挑戰一旦達成，它至少將有助於財務顧問更加有效地使用 “next best action”系統。

　　當然，這個新的系統和流程之中，機器層面的佔比只有很小的部分。無論是摩根士丹利的商業模式，還是其文化使然，都不會採用完全基於機器且不提供人類支援的財富管理解決方案。我們也同樣認為行業中的大多數公司也都認同這一理念。