在金融行业，尤其是证券领域，AI大模型的应用也在逐步探索中。本文将深入探讨AI大模型在券商用户运营中的应用前景，从获客、激活、留存、收入到推荐的全流程，分析如何通过AI技术优化用户运营策略，提升用户体验和业务效率。
AI大模型正在迅猛发展，参数规模飞速跃升，推理训练成本不断下降，AI大模型在医疗、教育、办公、媒体创意领域已开始普遍的应用，人们都开始相信它在未来将成为如同电力、网络一般的重要基础设施。
在金融行业里，具备战略远见与资本实力的银行已率先布局AI人才争夺——从工行、建行等国有大行，到招行等股份制银行，乃至成都银行等城商行，都已在今年启动系统性的AI人才招聘计划。从当前招聘的方向来看，银行的AI人才布局主要在智能投顾、风险评估、客服等方面。
图1：AI人才招聘计划
与银行相比，证券公司AI应用的场景有异有同，证券公司的场景主要在研报生成、智能投顾和风控合规几个方面。其中，研报撰写因高度依赖文本处理能力，与大语言模型的技术特性最为契合，已成为普及率最高的应用方向。
但在证券公司的用户运营领域，AI的应用仍处于探索阶段，多数机构还处在传统的人工化或是数字化营销的范式。然而，“引客、活客、转化”的用户运营对证券公司来说一直至关重要。如何借助AI能力重构客户旅程、提升运营效能，实现用户运营的能力的跨越式提升呢？
AARRR模型由硅谷的风险投资人戴夫·麦克卢尔在2007年首次提出，此后在互联网行业开始广泛使用，是“用户运营”中普遍使用的运营模型。该模型从获客、激活、留存、收入、推荐5个环节对用户运营的各步骤进行了划分。
图2：AARRR漏斗
对证券公司来说，获客阶段的目标是客户开户。当前券商经纪业务的客户获取主要依托四大主流模式：银证合作、电话营销、客户经理人脉拓展及互联网广告投放。
各类模式在实践过程中呈现出差异化特征：银证合作渠道具有客户基数大的优势，但实际在客户开户后，参与投资交易的客户占比较低；电话营销模式以活动拓客或渠道资源为主要线索来源，其效能受制于电话线索质量与呼出转化率的效果，具有明显的人力密集型特征；客户经理人脉拓客模式在质量上具备优势，但其业务增长高度依赖从业人员个人资源禀赋，存在人力叠加成本高、规模化复制难度较大的瓶颈；互联网广告投放遵循流量购买逻辑，通过抢占搜索排名、头部投资平台合作等，在互联网人口增长阶段及行业竞争早期曾有过较大的红利，但伴随流量成本的持续攀升、营销内容过于同质化的问题，该模式也面临成本过高、收益倒挂的压力。
激活的目标是客户首次关键动作，关键动作指客户直接产生价值的动作，包括入金、股票交易、购买基金等。
券商当前仍由客户经理承担主要激活职责，通过一对一沟通引导新客完成首次操作。该模式虽能建立人际信任，但受限于服务半径，往往仅能覆盖客户经理自主开发的客群，导致大量非客户经理自主开发关系的客户缺乏系统的激活引导。另一方面，在激活的方式上，不同渠道来源的客户，激活他们的产品应有一定差异性，例如银证合作客户倾向通过固收产品实现首次入金，而互联网渠道客户更易被智能选股工具激活。但在执行层面，券商尚未建立渠道特征与激活策略的标准化匹配机制，仍依赖客户经理基于经验进行个性化适配。由于各机构和人员的营销能力存在差异，经验驱动的激活效果难以实现均衡发展。
留存的目标是客户在券商的资金留存和交易客户留存。
一方面是客户的自主留存，客户基于个人投资动机（如长期资产配置需求）、市场行情波动（牛市资金沉淀效应）、热点资讯刺激（主题投资机会）等因素自主调整持仓结构，形成自然留存。另一方面是员工的主动营销，客户经理通过推荐特定金融产品或交易策略，引导客户资金停留于公司账户内。
这在市场较好时较为适用，但在行情向下时流失较高。同时也因为针对客户风险偏好、交易习惯进行个性化服务需求依赖人工经验，服务的颗粒度较为粗放。过于依赖“人”的服务也会受限于人效和人数，使公司的整体规模扩张受到制约。
证券经纪业务长期以来高度依靠交易佣金与融资融券息差等通道型收入，此类业务模式在过去数十年间一直占据核心地位。尽管行业已普遍认知到向财富管理转型的必然性——尤其是买方投顾等客户需求导向型业务。但在实践层面，针对服务能力建设的战略性投入仍显滞后：以投资顾问服务、资产配置研究为代表的专业服务起步较晚、人员培养路径较长；面向买方投顾模式的资源投入相对不足；智能化服务体系的构建速度尚未匹配客户对个性化、实时化投资建议的期待。
尤其是业务的宣导及服务过程中，价值传递高度依赖一线员工的主观能动性，当客户经理受限于服务能力（如精力分配、专业素养）而未能主动推介时，大量中长尾客户实际上处于服务盲区，既不了解券商可提供的多元化产品矩阵，亦无法感知智能化工具带来的决策支持价值。这种”服务供给”与”客户认知”的分离状态，也成为制约业务收入结构升级的掣肘。
推荐是指老客户介绍新客户。线下端主要依赖客户经理通过人际传播开展转介绍，线上渠道则普遍缺乏系统化的裂变运营。尽管少数具备资源协同优势的券商如保险系券商较早布局社交裂变营销，曾实现客户规模快速增长，但在监管对”营销赠品须与证券业务强相关”的要求出台后，传统裂变激励手段（如实物礼品、通用积分）的有效性显著削弱。
当前行业正积极探索合规框架下的创新路径，例如将投教课程、智能工具体验券等证券关联权益设计为裂变激励标的，以平衡监管要求与用户吸引力。
AI大模型是指具有海量参数和复杂架构、 用于深度学习任务的模型，其经历了单语言预训练模型、多语言预训练模型和多模态预训练模型等发展阶段。通常基于深度学习和神经网络技术，能够处理更复杂的任务，具备更强的泛化能力。按照应用方向分类主要有以下几类：
自然语言处理（NLP）大模型是让机器能够执行文本理解、信息提取、自动翻译、情感分析等任务，从而实现人与计算机的自然交互。
主要应用在对话、文本生成、翻译、信息抽取和总结上。NLP大模型的问题是在缺乏真实世界依据的情况下，有可能会生成虚假或误导性内容，即“幻觉”。同时推理能力依赖于数据，不像人一样具备常识。
多模态大模型是一种能够同时处理和理解不同类型数据（如文本、图片、视频、音频等）的 AI 模型，能执行跨模态任务，比如图文理解、视频生成、语音识别合成等。
它的特点是“跨越”，可以通过文字自由创造、超越一般的单一模态只能阅读文字或只能听音频的功能。在处理语音信息时，即便有口音、噪音这种相对复杂的情况也能识别；处理视频信息时，也从过去只能分析单帧视频到理解整个视频。主要问题是生成结果不稳定、计算成本高，在对图片理解的准确性上也还有待提升。
搜索及代码大模型是指专门用于信息检索和代码生成的大型人工智能模型。它们基于大规模预训练语言模型，结合搜索引擎、代码语料库和特定优化技术，实现高效的信息查询、精准代码补全和自动化编程支持。
AI大模型的搜索可以在搜索问题或关键词之后直接告诉答案而不是像过往只提供与搜索词有关的网页让用户自己寻找答案。
代码生成大模型是使编程更高效的大模型，可以帮助补全代码、修复错误、优化性能。能提高开发效率，减少重复劳动，但依然依赖于人工的检查判断。
强化学习及决策优化大模型是专门用于自动化决策、策略优化和长期规划的 AI 模型。它们广泛应用于机器人控制、自动驾驶、智能交易、工业调度等场景，使 AI 具备类似人类的决策能力。
强化学习是让AI练习“试错”的学习，通过让AI奖励或是惩罚的方式，让AI自己探索最优的策略。强化学习及决策优化大模型可以用于自动决策、策略优化、量化交易、机器人控制等，它擅长在没有标准答案的环境中找到最优解，甚至可以超越人类的直觉和经验。强化学习及决策优化对训练数据的需求极高、计算成本高、训练时间长，而且对训练环境的依赖很强。
知识图谱大模型结合了知识图谱与大规模预训练语言模型，用于增强 AI 逻辑推理、知识存储和问答能力。它在信息检索、智能问答、推荐系统、自动推理等任务中起着关键作用。
知识图谱是一种用结构化方式存储和表示知识的AI大模型，它通过“实体”和“关系”构建出一个知识网络，让机器像人类一样能够理解和推理信息。比如A是B的母亲，B是C的父亲，知识图谱可以推理出A是C的奶奶。知识图谱可以多模态地融合和结构化地存储数据，适合资料或专业知识类的搜索问答，在构建成本以及知识的泛化上存在一定的局限。
为实现AI大模型在证券经纪业务中的应用，整体框架设计可分为以下四个层次，逐层递进，确保技术落地与业务目标的精准匹配。
图3：架构设计
数据层是基础，提供支撑AI大模型、应用及业务目标所需要的所有数据。包含用户、内容、行为、交易四类数据，总结下来就是谁、看了什么、做了什么、买了什么。用户是谁（用户的静态信息，如身份信息）、看了什么（用户选择和消费的信息，如资讯、研究报告、视频、股票分析等）、做了什么（用户的操作、交互过程，如点击了什么、浏览了什么、停留了多久）、买了什么（实际的买卖决策，以及由买卖决策计算出的数据，如交易频率等）。
AI大模型层处理数据并生成智能决策，它在数据层之上，通过调用数据层的数据，统一处理、清洗和整合等预处理后，将某类特征的数据形成统一的数据集后训练和优化，找到数据中的模式和趋势，继而用于应用层的预测和决策。
应用层是AI大模型结果在业务场景的落地，它本身不做运算而是向AI大模型层发出指令和调取结果，AI大模型层再通过应用层的指令抽取底层的数据库后运算，在运算获得应用层指令的结果后，将结果输出给应用层，应用层使用指令结果触达客户，最后再用触达的数据结果反馈给数据层，为AI大模型层提供更多的数据用于后期的模型优化，形成一个自动的提升循环。
业务目标层作为战略层，给应用层制定目标，应用层的动作需要围绕目标开展，影响AI大模型的运算和优化方向，让AI在训练时紧紧围绕业务目标开展。同时根据AI层和应用层反馈的情况适时调整业务目标，比如AI层发现直播比文章带来的开户效果更好，在业务目标上就应增加对直播的投入，保证业务方向正确。
业务目标层、应用层、AI大模型层、数据层形成一个自上而下以及自下而上的双循环，不断优化形成闭环。
基于AARRR模型的理论框架，并依托五类AI大模型的技术支持，本研究将进一步围绕用户运营全流程的现状及问题提出优化路径。
获客作为证券经纪业务的首个环节，通过AI大模型的应用，可在获客效率、投放素材与成本控制三个维度实现突破：
（1）获客效率优化
在获客过程中，客户经理会获得大量的客户线索，为了让线索具备更高的转化效率，首先可基于知识图谱技术构建AI智能体，整合多源异构数据（包括客户线索来源渠道、点击的物料信息等），构建精准的潜在客户画像，分析出客户的可能开户兴趣点。如通过新客礼包广告点击进来的客户，在营销时重点带给客户送福利的感觉。
再通过AI智能体替代客户经理或呼叫中心完成基础的客户联络任务，结合强化学习及决策优化算法持续优化沟通策略，提升客户转化率。
（2）获客物料优化
获客的物料普遍由员工自己撰写、录制完成，结合AI大模型技术，可以依托NLP（自然语言处理）与多模态大模型技术，生成兼具专业性与吸引力的图文、视频等获客物料，满足多样化营销需求。如现在在教育领域广泛运用的数字人技术，只需要一个人的形象，加上AI大模型撰写脚本，即可在一日内生成多个视频。
在AI大模型生成内容后，券商可通过在社交短视频平台建立多个账号构建矩阵化的运营策略，以“高频更新”与“规模化覆盖”的方式，突破平台算法限制，最大化获取平台流量，增强券商的品牌知名度与客户触达效果。
（3）获客成本控制
在投放时，NLP大模型可以基于用户画像与行为数据分析关键词偏好，优化广告文案与创意，提升点击率与转化效果。通过AI算法实时分析投放数据，动态调整出价策略与目标人群选择，实现广告投放ROI最大化，有效控制获客成本。
通过上述策略，AI大模型的应用不仅能够提升证券业务获客效率与物料质量，还能显著降低获客成本，为业务增长提供可持续的技术驱动。
激活阶段的核心目标在于引导客户的首次关键动作，提升客户对证券产品和服务的持续关注度，具体策略可从服务半径拓展与智能服务策略两个维度展开：
（1）服务半径拓展
券商的经纪业务客户，普遍分为员工自主开发的建立挂接关系的客户和自主开户、未与员工挂接关系的客户。对于员工自主开发的客户，可以通过知识图谱技术分析客户关系网络，为销售人员提供精准的个性化服务材料，提升客户互动效率与满意度。比如员工开发的高净值客户，知识图谱配合NPL可以向其介绍公司适合合格投资者的金融产品和一些特定服务。对无员工挂接关系的客户，利用NLP技术分析用户兴趣偏好，推荐通用型或个性化内容引导其完成关键动作。
（2）智能服务策略
针对不同渠道的客户，基于AI技术分析用户的行为数据（如开户渠道、进入APP后的浏览记录等），推荐与其兴趣匹配的资讯及研究报告。还可以使用NLP技术生成通用型的开户“新朋友欢迎指南”，以及差异化的不同渠道、不同画像的客户使用不同激活工具和产品，比如面对银行渠道客户或是中老年客户用固收、货币类产品作为激活。
通过上述策略，AI大模型的应用能够有效提升用户在激活阶段的体验，增强其对证券产品和服务的兴趣与依赖，为后续留存与转化奠定坚实基础。
提升用户留存率的要点在于通过AI技术持续监测用户行为，并实施精准的干预策略，达到资金留存和交易客户留存的目标。具体可从被动策略、主动策略及流失预警三个方面展开：
（1）被动策略
被动策略是指客户被动地接受券商的服务。券商使用NLP的大模型识别用户浏览的财经内容，通过分词、情感分析等技术解析用户浏览的财经资讯、研报、投顾分析等内容，提取关键词，再结合券商的知识图谱模型，将用户的行为与更大的金融概念体系关联，比如浏览宁德时代的用户，系统将其标记为“新能源兴趣者”，未来在新能源相关的财报、行业动态发布时，AI向这个客户赋予更多的推荐权重。再结合强化学习的AI大模型，不断调整推荐策略，减少点击率低、阅读时长短的内容推荐，从而提高用户体验，提高客户的留存。
（2）主动策略
如果用户为主动需要券商服务，可以结合基于知识图谱构建智能搜索系统，提升财经内容检索的精准度与效率。也可构建答疑的智能体机器人，既可以让客户自主互动答疑使用，也可在员工端使员工快速查询以便回答客户问题。通过NLP技术支持自然语言查询，帮助用户快速获取所需信息，提高客户的互动率与满意度。
（3）流失预警及干预
为了防止客户资金流失，可结合机器学习、强化学习及决策优化大模型预测用户可能流失的时间点并且结合强化学习制定干预措施。利用机器学习模型找到关键特征，计算出关键特征与用户流失的概率，再通过强化学习及决策优化的方式干预并优化。比如AI计算出大盘下跌10%时，过去70%的客户都选择卖出并不再买入，流失率变高，强化学习及决策优化模型就可提前在市场大跌5%的时候向用户推送避险内容。
通过上述策略，AI大模型的应用能够有效提升用户留存率，降低流失风险，通过为用户提供所需的产品服务带给其优质的体验，从而增强用户对券商的长期依赖与信任。
收入阶段需要解决关键的问题是向买方投顾转型，由“产品导向式”营销转为“客户需求导向式”，提高公司整体的投资顾问服务质量、增加金融产品的触达及转化率，增强客户的认知，促使客户主动选择适合他们的产品。
（1）提高投顾能力和工作效率
NLP和知识图谱大模型可以帮助投顾处理投研工作，同时结合强化学习及决策优化可以为客户生成智能化的投资建议。假设一个具备投顾资格和能力的员工需要服务500个客户，结合AI大模型就可以更快捷自动生成对客户的资讯解读、持仓调仓建议，而员工只需要精细化服务最重要的客户。
（2）了解客户需求
为了让客户更好地理解产品，找到他们需要的金融产品。可使用搜索大模型、强化学习及决策优化理解用户的金融需求。比如客户搜索“利率对基金的影响”，系统可以判断客户对债券基金有兴趣，接着在生成触达客户的素材时，通过AI发现什么样的形式更容易打动客户，喜欢短视频的推短视频，喜欢图文的推图文。利用这样的方式，既推了用户感兴趣的产品、也讲述清楚了产品。既提升了投顾的专业度，也降低了客户的理解门槛，让买方投顾转型真正落地，推动收入阶段的升级。
在推荐阶段，券商要促进老客户邀请新客户的意愿和效率，同时符合合规要求。
（1）设计活动及识别关键用户
在活动设计时，通过多模态模型生成有吸引力的活动宣传材料（如图文、视频等），增强活动触达效果。基于知识图谱与NLP技术，分析用户社交关系与影响力，识别高价值的关键客户（如活跃用户、意见领袖等）。针对关键客户制定专属推荐激励策略，最大化其传播效果与转化率。
（2）强化学习及决策优化持续优化推荐人群
AI 大模型在工作中如果发现“高净值客户的朋友更容易开户”，而“年轻客户更愿意分享但转化率低”，那么在未来可以调整策略，针对高净值客户推与其高端投资权益有关的推荐计划，年轻客户用更轻量级的社交裂变方式。
为了验证哪种类型的奖励更有吸引力，使用强化学习结合A/B test，不断测试调整。在吸引转化的奖励上：如果AI发现A客户喜欢 ETF 投资，那么权益就更倾向于“ETF 投资课程和佣金折扣”，B客户关注短线交易，AI则可定向地推送“短线交易策略”转化；在转化的路径上，依然可以通过强化学习结合A/B test的方式分析用户的裂变行为，找出是直播间还是朋友圈分享的效果更好。通过上述策略，AI大模型提升推荐阶段的效果，实现用户裂变式增长与品牌影响力的扩大。
合规是证券业务开展的核心前提，也是业务发展的底线。AI大模型技术的应用具备显著的创新性，因此在业务开展中，合规管理更需得到高度重视。基于AARRR模型，核心流程可归纳为数据获取、内容生产、推送营销、交易转化等关键环节，每个环节均需建立完善的合规风控机制，确保业务开展符合监管要求。
（1）数据获取的合规性
数据获取需要遵守《个人信息保护法》，确保客户数据的采集、存储、处理合法，在AI使用客户数据之前，需要获得客户的明确授权，对一些敏感的数据，还应当加密存储，限制AI的访问权限。
（2）内容生产的合规性
所有通过AI大模型生成的内容（如投研报告、市场分析等）必须经过专业合规人员审核，确保内容符合法律法规与监管要求，避免不符合合规要求的内容传播。
（3）推送营销的合规性
在内容推送过程中，需确保推荐内容与用户的风险承受能力等客户风险适当性相匹配，避免不当推荐引发的合规风险；鉴于AI大模型可能出现的幻觉问题，更需要清晰告知客户推送依据（如基于用户行为数据、市场趋势等AI判断），并提供客户独立的决策空间，避免算法黑箱问题，保障用户的知情权与选择权。
（4）交易转化的合规性
AI预测与推荐策略有可能引起用户的过度交易，在风险和合规管理上，需设置合理的交易频率阈值，避免因过度交易导致的用户损失或市场波动；避免AI利用信息不对称或算法优势进行市场操纵，维护市场秩序与用户权益。
（5）算法管理的合规性
AI大模型的算法贯穿整个运营流程，其合规管理需严格遵循国家《互联网信息服务算法推荐管理规定》，确保算法设计具备公平性、伦理性、透明性和可解释性，秉持向上向善的理念，契合主流价值导向。
通过上述合规性保障措施，AI大模型技术的应用能够在提升业务效率的同时确保业务合规，为客户提供安全、透明的服务。
AI在券商用户运营中具有强大的应用潜力，但在实际落地过程中一定会有诸多的挑战：在技术场景结合方面，“AI大模型要赋能业务、业务要反哺AI大模型”的双向循环，确保技术与数据能够充分支撑业务目标的实现；其次是在人机责任划分上，AI大模型能够代替人类做海量数据和复杂计算，做出自动化和智能化的决策，但在合规性要求较高的证券领域，仍然需要人去把控专业判断、合规风控、用户信任的问题。第三，在合规展业上，需要完全遵守政策和监管要求，保护投资者的利益，避免诱导客户，确保信息真实、准确、完整，避免对投资者产生误导性影响，切实维护市场秩序与客户权益。
券商传统的用户运营主要依赖总部的数字化团队或是一线客户经理的经验，随着AI大模型技术逐步完善，券商财富管理业务将实现智能化、个性化和自动化，推动券商财富管理的发展从“人工经验驱动”转向“数据智能驱动”，推动营销模式从“产品导向”转向“客户需求导向”。
面向未来，做好现在。
本文由 @水总曰 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。