四步搞明白智能推荐的底层逻辑
发布时间：2022-03-03 21:31:06 所属栏目：大数据 来源：互联网
导读：导读：稻盛和夫说过：倾听产品的声音，用心观察产品的细节，就能自然而然地明白出现问题和差错的原因。金融产品创新终究要回归到最初的本质，即以金融业务的某个核心功能为切入点，用底层思维去思考产品的底层逻辑，用同理心去洞察人性。金融产品经理可以从
|
导读：稻盛和夫说过：倾听产品的声音，用心观察产品的细节，就能自然而然地明白出现问题和差错的原因。金融产品创新终究要回归到最初的本质，即以金融业务的某个核心功能为切入点，用底层思维去思考产品的底层逻辑，用同理心去洞察人性。金融产品经理可以从第一性原理出发，使用演绎逻辑，倒推智能推荐、金融反欺诈、贷款工厂的业务逻辑，从而培养底层思维。 智能推荐是基于大数据和人工智能技术建立的一套满足自身业务需求的推荐服务框架。行业中比较出名的智能推荐引擎有阿里云智能推荐、字节跳动灵驹、腾讯广点通、百度凤巢系统等。 常见的智能推荐方式包括精确匹配、短语匹配、核心词匹配、智能匹配，如图1所示。其中，智能匹配是一种比短语匹配覆盖流量更大的匹配方式，为客户提供个性化推荐服务。智能匹配由系统智能理解并匹配客户的关键词来自动触发搜索结果，从而帮助客户找到所需。 以华创金融的贷款推荐为例，其利用自然语言处理、深度学习、知识图谱等技术，针对客户特征、访问行为和贷款数据等各类关键信息，抽取大量的金融文本数据和客户标签画像来构建贷款推荐引擎，如图2所示。该产品利用系统的快速识别和精准分发能力，给客户推荐有针对性的贷款内容，让客户快速找到符合自己意愿的贷款产品，从而更精准地定位潜在客户，降低转化成本，提高投资回报率。 个性化智能推荐引擎这种数据服务平台是建立在海量数据挖掘基础上的，为客户提供个性化内容推荐、决策支持和信息分发。构建智能推荐引擎的关键在于挖掘数据，构建模型，推荐场景并进行指标分析。 01 用户数据挖掘 推荐不止涉及AI算法，其关键是数据挖掘。用户数据是一切推荐算法的根基，是一切推荐策略的依据。 数据挖掘是一种决策支持过程，基于人工智能、机器学习、模式识别、统计学、数据库、可视化等技术，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助决策者调整推荐策略，降低风险，做出正确的决策。 数据挖掘涉及数据采集、标注、清洗、加工等过程，通过统计、在线分析处理、检索、机器学习和模式识别等过程，获取对构建模型更有益的高质量数据。 数据挖掘涉及打通ERP系统、核心系统、CRM系统、数据中台等多方数据源。数据源包括App、Web、小程序、客户数据、交易数据、业务数据等，如图3所示。 以银行贷款平台为例，千万级的企业客户在数字融资中产生的贷款申请等数据的量极其庞大，符合大数据的特性。因此，银行可基于客户贷款行为数据进行分析，实现大数据获客、精准导流，通过智能匹配推荐符合客户需求的贷款产品。 02 推荐策略类型 在企业推荐系统中，最核心的是基于AI技术和推荐算法构建推荐模型，从而建立智能推荐引擎。推荐引擎有3个重要模块：客户建模模块、推荐对象模块、推荐算法模块。针对推荐策略，通过算法模型优代，企业可以让客户更加信赖推荐的信息，进而提升推荐系统的可解释性和客户满意度。 AI技术包括个性化召回算法、个性化推荐算法、支持向量机、XGBoost梯度爆炸算法、深度神经网络、深度兴趣进化网络、自然语言处理等，如图4所示。利用AI技术的系统可以理解业务数据的逻辑与关系，抽取关键词，构建知识图谱，并根据对问题的理解给出或计算出答案。 推荐算法包括基于内容推荐、基于协同过滤推荐、基于关联规则推荐、基于效用推荐、基于知识推荐等，如图5所示。在金融产品智能推荐应用中，推荐算法主要体现在以下几个方面。 1）基于内容推荐算法。基于内容推荐算法是建立在贷款产品的内容基础上做出推断，即用机器学习的方法，从关于内容的特征描述事件中得到客户的兴趣标签，然后根据客户偏好进行相似内容的推荐。 2）基于协同过滤推荐算法。基于协同过滤推荐算法是系统通过客户的贷款行为或浏览记录等隐式动态信息明确客户的喜好程度，并根据这一喜好程度对目标客户进行推荐。 3）基于关联规则推荐算法。基于关联规则推荐是以关联规则为基础，将贷款产品作为规则头、申请记录作为规则体，挖掘不同贷款产品在申请过程中的相关性。 4）基于效用推荐算法。基于效用推荐算法是在对客户使用贷款产品的效用基础上进行计算，结果很大程度上依赖系统所采用的效用函数。它能把非产品属性考虑进去，如企业客户的可靠性和贷款产品的可得性等。 5）基于知识推荐算法。基于知识推荐算法关注贷款产品满足某一特定客户的相关知识，因此能解释需要和推荐的关系。它不是在客户需要和偏好基础上进行推荐，而是基于任何支持推理的知识结构，在某种程度上可以看成一种推理技术。 03 推荐应用场景 1.个性化推荐 在App首页、融资频道页、猜你喜欢页、发现页等位置，系统根据客户属性（行业、规模、社会舆情等）、客户特征（财务特征等）、客户行为（贷款产品浏览行为、融资资讯浏览行为等），构建企业客户画像，为客户提供个性化的推荐结果，实现内容的“千人千面”。比如，系统可根据客户可开具增值发票或诚信纳税，来推荐税务相关的数字贷。 在产品介绍页、贷款详情页或申请结果页上，系统根据贷款产品额度、利率、期限、借款用途、申请条件等，为客户推荐相关的贷款产品或权益服务。比如，系统基于客户的地理位置，推荐符合贷款业务开办地区的贷款产品。 3.热门推荐 在贷款排行页、我的贷款记录页、贷款频道页等位置，系统基于贷款浏览量、申请点击量、申请过件率、贷款产品分享数等，推荐客户感兴趣的贷款产品。比如，系统将与客户喜好及需求匹配的贷款产品打上火爆标识并进行热门推荐。 4.焦点图推荐 在App首页图片轮播、融资频道页广告橱窗、申请结果权益模块等位置，系统进行焦点图广告位推荐，让贷款产品获得更多展现机会和点击率。比如，系统在首页轮播Banner中通过图片和文案的形式推荐一个火爆的贷款单品。 5.PUSH推荐 在启动弹屏、退出弹屏、消息推送、插入弹屏等场合，系统将合适的内容在合适的时间、合适的场景下，以图片、文字、表情、提示音等形式推荐给合适的客户。比如，系统对客户与贷款协同过滤，将贷款的申请进度、还款提醒等内容推送至客户的手机界面，从而建立个性化推荐离线效果。 以信息流推荐系统的事件营销为例，我们给金融相关视频打上贷款、供应链、汽融、票据、保险、理财等标签，通过标签系统将视频推荐给平台用户。用户对贷款视频点击“有用”后，系统将用户行为属性标签化，把客户的手机号、企业名称、经营地址、标签、视频标题、视频内容、设备定位等信息以接口形式推送给营销中心。营销中心基于产品标签库自动识别用户关键词。当其与用户的贷款意愿相关时，推荐机制将被触发，系统会给用户推荐贷款产品，从而达成产品营销的目的。 04 数据指标分析 对推荐的产品数据进行指标分析，是值得产品经理关注的。指标分析在一定程度上能揭示客户的复投情况、使用路径和行为记录，从而让企业依据数据优化推荐策略，为贷款产品找到改进方向。 比如利用事件分析模型，企业分析点击智能匹配的PV、UV等业务数据，然后优化推荐系统，为客户推荐最合适的贷款产品，根本目的是提升智能匹配点击率和贷款申请转化率。 金融行业的智能推荐引擎如图7所示。我们可根据大数据平台对客户画像进行指标分析，基于数据指标分析去优化推荐流程，调整推荐策略。通过支持多模型、多策略的参数配置，我们可对智能匹配推荐引擎进行深度优化，从而洞察客户需求，改善客户的操作体验，提升贷款产品的关注度。 个性化推荐逐渐成为金融平台提升贷款申请率与复贷率的动力引擎。很多基于C2B模式做数字融资的企业，在贷款超市的大量贷款产品中，根据不同贷款产品的特征，通过智能推荐引擎，对业务数据进行指标分析，提供个性化的内容运营和规则设置等优化方案，从而有效提升贷款产品的点击率，改善客户体验，提升产品黏度。 关于作者：朱学敏（Demon Zhu） 资深产品经理，PMLink产品经理社区创始人，在技术、管理和产品领域均有深厚积累，在金融产品领域的实践经验尤为丰富。 （编辑：核心网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
