智能推薦是基于大數(shù)據(jù)和AI技術(shù)建立的一套符合本身業(yè)務(wù)需求的推薦服務(wù)框架。行業(yè)中較為有名的智能推薦引擎有阿里云智能推薦、字節(jié)跳動靈駒、騰訊廣點通、百度鳳巢系統(tǒng)等。

常見的智能推薦方式包括精確匹配、短語匹配、核心詞匹配、智能匹配，如圖1所示。其中，智能匹配是一種比短語匹配覆蓋流量更大的匹配方式，為客戶提供個性化推薦服務(wù)。智能匹配由系統(tǒng)智能理解并匹配客戶的關(guān)鍵詞來自動觸發(fā)搜索結(jié)果，從而幫助客戶找到所需。

圖1 智能推薦的匹配方式

以華創(chuàng)金融的貸款推薦為例，其利用自然語言處理、深度學(xué)習(xí)、知識圖譜等技術(shù)，針對客戶特征、訪問行為和貸款數(shù)據(jù)等各類關(guān)鍵信息，抽取大量的金融文本數(shù)據(jù)和客戶標(biāo)簽畫像來構(gòu)建貸款推薦引擎，如圖2所示。該產(chǎn)品利用系統(tǒng)的快速識別和精準(zhǔn)分發(fā)能力，給客戶推薦有針對性的貸款內(nèi)容，讓客戶快速找到符合自己意愿的貸款產(chǎn)品，從而更精準(zhǔn)地定位潛在客戶，降低轉(zhuǎn)化成本，提高投資回報率。

圖2 貸款產(chǎn)品推薦邏輯

個性化智能推薦引擎這種數(shù)據(jù)服務(wù)平臺是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的，為客戶提供個性化內(nèi)容推薦、決策支持和信息分發(fā)。構(gòu)建智能推薦引擎的關(guān)鍵在于挖掘數(shù)據(jù)，構(gòu)建模型，推薦場景并進(jìn)行指標(biāo)分析。

一、用戶數(shù)據(jù)挖掘

推薦不止涉及AI算法，其關(guān)鍵是數(shù)據(jù)挖掘。用戶數(shù)據(jù)是一切推薦算法的根基，是一切推薦策略的依據(jù)。

數(shù)據(jù)挖掘是一種決策支持過程，基于AI、機(jī)器學(xué)習(xí)、模式識別、統(tǒng)計學(xué)、數(shù)據(jù)庫、可視化等技術(shù)，高度自動化地分析企業(yè)的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調(diào)整推薦策略，降低風(fēng)險，做出正確的決策。

數(shù)據(jù)挖掘涉及數(shù)據(jù)采集、標(biāo)注、清洗、加工等過程，通過統(tǒng)計、在線分析處理、檢索、機(jī)器學(xué)習(xí)和模式識別等過程，獲取對構(gòu)建模型更有益的高質(zhì)量數(shù)據(jù)。

數(shù)據(jù)挖掘涉及打通ERP系統(tǒng)、核心系統(tǒng)、CRM系統(tǒng)、數(shù)據(jù)中臺等多方數(shù)據(jù)源。數(shù)據(jù)源包括App、Web、小程序、客戶數(shù)據(jù)、交易數(shù)據(jù)、業(yè)務(wù)數(shù)據(jù)等，如圖3所示。

圖3　數(shù)據(jù)源

以銀行貸款平臺為例，千萬級的企業(yè)客戶在數(shù)字融資中產(chǎn)生的貸款申請等數(shù)據(jù)的量極其龐大，符合大數(shù)據(jù)的特性。因此，銀行可基于客戶貸款行為數(shù)據(jù)進(jìn)行分析，實現(xiàn)大數(shù)據(jù)獲客、精準(zhǔn)導(dǎo)流，通過智能匹配推薦符合客戶需求的貸款產(chǎn)品。

二、推薦策略類型

在企業(yè)推薦系統(tǒng)中，最核心的是基于AI技術(shù)和推薦算法構(gòu)建推薦模型，從而建立智能推薦引擎。推薦引擎有3個重要模塊：客戶建模模塊、推薦對象模塊、推薦算法模塊。針對推薦策略，通過算法模型優(yōu)代，企業(yè)可以讓客戶更加信賴推薦的信息，進(jìn)而提升推薦系統(tǒng)的可解釋性和客戶滿意度。

AI技術(shù)包括個性化召回算法、個性化推薦算法、支持向量機(jī)、XGBoost梯度爆炸算法、深度神經(jīng)網(wǎng)絡(luò)、深度興趣進(jìn)化網(wǎng)絡(luò)、自然語言處理等，如圖4所示。利用AI技術(shù)的系統(tǒng)可以理解業(yè)務(wù)數(shù)據(jù)的邏輯與關(guān)系，抽取關(guān)鍵詞，構(gòu)建知識圖譜，并根據(jù)對問題的理解給出或計算出答案。

圖4　AI技術(shù)

推薦算法包括基于內(nèi)容推薦、基于協(xié)同過濾推薦、基于關(guān)聯(lián)規(guī)則推薦、基于效用推薦、基于知識推薦等，如圖5所示。在金融產(chǎn)品智能推薦應(yīng)用中，推薦算法主要體現(xiàn)在以下幾個方面。

圖5　推薦算法類型

1)基于內(nèi)容推薦算法?；趦?nèi)容推薦算法是建立在貸款產(chǎn)品的內(nèi)容基礎(chǔ)上做出推斷，即用機(jī)器學(xué)習(xí)的方法，從關(guān)于內(nèi)容的特征描述事件中得到客戶的興趣標(biāo)簽，然后根據(jù)客戶偏好進(jìn)行相似內(nèi)容的推薦。

2)基于協(xié)同過濾推薦算法?；趨f(xié)同過濾推薦算法是系統(tǒng)通過客戶的貸款行為或瀏覽記錄等隱式動態(tài)信息明確客戶的喜好程度，并根據(jù)這一喜好程度對目標(biāo)客戶進(jìn)行推薦。

3)基于關(guān)聯(lián)規(guī)則推薦算法。基于關(guān)聯(lián)規(guī)則推薦是以關(guān)聯(lián)規(guī)則為基礎(chǔ)，將貸款產(chǎn)品作為規(guī)則頭、申請記錄作為規(guī)則體，挖掘不同貸款產(chǎn)品在申請過程中的相關(guān)性。

4)基于效用推薦算法。基于效用推薦算法是在對客戶使用貸款產(chǎn)品的效用基礎(chǔ)上進(jìn)行計算，結(jié)果很大程度上依賴系統(tǒng)所采用的效用函數(shù)。它能把非產(chǎn)品屬性考慮進(jìn)去，如企業(yè)客戶的可靠性和貸款產(chǎn)品的可得性等。

5)基于知識推薦算法?；谥R推薦算法關(guān)注貸款產(chǎn)品符合某一特定客戶的相關(guān)知識，因此能解釋需要和推薦的關(guān)系。它不是在客戶需要和偏好基礎(chǔ)上進(jìn)行推薦，而是基于任何支持推理的知識結(jié)構(gòu)，在某種程度上可以看成一種推理技術(shù)。

三、推薦應(yīng)用場景

場景是影響推薦策略的元素，我們可根據(jù)業(yè)務(wù)規(guī)則進(jìn)行有針對性的推薦策略配置，即以客戶行為數(shù)據(jù)為基礎(chǔ)，對客戶進(jìn)行“千人千面”的個性化推薦、相關(guān)推薦、熱門推薦和焦點圖推薦等，如圖6所示。

圖6　智能推薦應(yīng)用場景

1.個性化推薦

在App首頁、融資頻道頁、猜你喜歡頁、發(fā)現(xiàn)頁等位置，系統(tǒng)根據(jù)客戶屬性(行業(yè)、規(guī)模、社會輿情等)、客戶特征(財務(wù)特征等)、客戶行為(貸款產(chǎn)品瀏覽行為、融資資訊瀏覽行為等)，構(gòu)建企業(yè)客戶畫像，為客戶提供個性化的推薦結(jié)果，實現(xiàn)內(nèi)容的“千人千面”。譬如，系統(tǒng)可根據(jù)客戶可開具增值發(fā)票或誠信納稅，來推薦稅務(wù)相關(guān)的數(shù)字貸。

2.相關(guān)推薦

在產(chǎn)品介紹頁、貸款詳情頁或申請結(jié)果頁上，系統(tǒng)根據(jù)貸款產(chǎn)品額度、利率、期限、借款用途、申請條件等，為客戶推薦相關(guān)的貸款產(chǎn)品或權(quán)益服務(wù)。譬如，系統(tǒng)基于客戶的地理位置，推薦符合貸款業(yè)務(wù)開辦地區(qū)的貸款產(chǎn)品。

3.熱門推薦

在貸款排行頁、我的貸款記錄頁、貸款頻道頁等位置，系統(tǒng)基于貸款瀏覽量、申請點擊量、申請過件率、貸款產(chǎn)品分享數(shù)等，推薦客戶感興趣的貸款產(chǎn)品。譬如，系統(tǒng)將與客戶喜好及需求匹配的貸款產(chǎn)品打上火爆標(biāo)識并進(jìn)行熱門推薦。

4.焦點圖推薦

在App首頁圖片輪播、融資頻道頁廣告櫥窗、申請結(jié)果權(quán)益模塊等位置，系統(tǒng)進(jìn)行焦點圖廣告位推薦，讓貸款產(chǎn)品獲得更多展現(xiàn)機(jī)會和點擊率。譬如，系統(tǒng)在首頁輪播Banner中通過圖片和文案的形式推薦一個火爆的貸款單品。

5.PUSH推薦

在啟動彈屏、退出彈屏、消息推送、插入彈屏等場合，系統(tǒng)將合適的內(nèi)容在合適的時間、合適的場景下，以圖片、文字、表情、提示音等形式推薦給合適的客戶。譬如，系統(tǒng)對客戶與貸款協(xié)同過濾，將貸款的申請進(jìn)度、還款提醒等內(nèi)容推送至客戶的手機(jī)界面，從而建立個性化推薦離線效果。

以信息流推薦系統(tǒng)的事件營銷為例，我們給金融相關(guān)視頻打上貸款、供應(yīng)鏈、汽融、票據(jù)、保險、理財?shù)葮?biāo)簽，通過標(biāo)簽系統(tǒng)將視頻推薦給平臺用戶。用戶對貸款視頻點擊“有用”后，系統(tǒng)將用戶行為屬性標(biāo)簽化，把客戶的手機(jī)號、企業(yè)名稱、經(jīng)營地址、標(biāo)簽、視頻標(biāo)題、視頻內(nèi)容、設(shè)備定位等信息以接口形式推送給營銷中心。營銷中心基于產(chǎn)品標(biāo)簽庫自動識別用戶關(guān)鍵詞。當(dāng)其與用戶的貸款意愿相關(guān)時，推薦機(jī)制將被觸發(fā)，系統(tǒng)會給用戶推薦貸款產(chǎn)品，從而達(dá)成產(chǎn)品營銷的目的。

四、數(shù)據(jù)指標(biāo)分析

對推薦的產(chǎn)品數(shù)據(jù)進(jìn)行指標(biāo)分析，是值得產(chǎn)品經(jīng)理關(guān)注的。指標(biāo)分析在一定程度上能揭示客戶的復(fù)投情況、使用路徑和行為記錄，從而讓企業(yè)依據(jù)數(shù)據(jù)優(yōu)化推薦策略，為貸款產(chǎn)品找到改進(jìn)方向。

譬如利用事件分析模型，企業(yè)分析點擊智能匹配的PV、UV等業(yè)務(wù)數(shù)據(jù)，然后優(yōu)化推薦系統(tǒng)，為客戶推薦最合適的貸款產(chǎn)品，根本目的是提升智能匹配點擊率和貸款申請轉(zhuǎn)化率。

金融行業(yè)的智能推薦引擎如圖7所示。我們可根據(jù)大數(shù)據(jù)平臺對客戶畫像進(jìn)行指標(biāo)分析，基于數(shù)據(jù)指標(biāo)分析去優(yōu)化推薦流程，調(diào)整推薦策略。通過支持多模型、多策略的參數(shù)配置，我們可對智能匹配推薦引擎進(jìn)行深度優(yōu)化，從而洞察客戶需求，改善客戶的操作體驗，提升貸款產(chǎn)品的關(guān)注度。

圖7 金融行業(yè)的智能推薦引擎

個性化推薦逐漸成為金融平臺提升貸款申請率與復(fù)貸率的動力引擎。很多基于C2B模式做數(shù)字融資的企業(yè)，在貸款超市的大量貸款產(chǎn)品中，根據(jù)不同貸款產(chǎn)品的特征，通過智能推薦引擎，對業(yè)務(wù)數(shù)據(jù)進(jìn)行指標(biāo)分析，提供個性化的內(nèi)容運營和規(guī)則設(shè)置等優(yōu)化方案，從而有效提升貸款產(chǎn)品的點擊率，改善客戶體驗，提升產(chǎn)品黏度。