推薦系統(tǒng)在銀行業(yè)的應(yīng)用現(xiàn)狀

由于銀行業(yè)日益激烈的市場競爭與日漸稀缺的客戶資源，越來越多的商業(yè)銀行意識到，以客戶服務(wù)為核心理念的時代已經(jīng)到來。如何提高移動應(yīng)用的產(chǎn)品體驗，進(jìn)而贏得用戶口碑，實現(xiàn)市占率與收益提升，成為商業(yè)銀行的重要命題。

針對這一命題，推薦系統(tǒng)承擔(dān)著不可或缺的作用，主要體現(xiàn)在以下兩個方面：

其一，面對多樣的公眾人群，用戶所需的產(chǎn)品及服務(wù)形式也勢必多樣，在各大銀行的移動應(yīng)用中，如資訊、理財、生活等板塊，無處不是推薦系統(tǒng)在做內(nèi)容與用戶需求的精準(zhǔn)對接。其二，由于推薦系統(tǒng)的使用，信息的分發(fā)效率與質(zhì)量得到有效提升，也一定程度上解決了銀行應(yīng)用用戶活躍度低的問題。

銀行業(yè)推薦系統(tǒng)應(yīng)用痛點

結(jié)合達(dá)觀智能推薦在數(shù)十家銀行的服務(wù)經(jīng)驗，在實際推薦系統(tǒng)應(yīng)用中，銀行企業(yè)往往面臨以下痛點：

痛點1:推薦數(shù)據(jù)繁雜且存儲分散

優(yōu)秀的推薦效果依賴于高質(zhì)量的數(shù)據(jù)基礎(chǔ)，但在實際銀行業(yè)務(wù)場景中，銀行內(nèi)的用戶數(shù)據(jù)、物品數(shù)據(jù)、行為數(shù)據(jù)在行內(nèi)由各部門、各業(yè)務(wù)線分別負(fù)責(zé)維護(hù)，這就導(dǎo)致不同數(shù)據(jù)的格式、存儲方式不盡統(tǒng)一，同時，由于業(yè)務(wù)需求不一致，表中記錄的信息維度也存在不完整的情況。此外，如信用資產(chǎn)信息之類的動態(tài)數(shù)據(jù)需要即時維護(hù)，也給數(shù)據(jù)處理工作提出了很大挑戰(zhàn)。

痛點2:推薦算法與業(yè)務(wù)規(guī)則不匹配

與傳統(tǒng) app 單一的推薦場景不同，頭部銀行推薦場景繁多，常見推薦包括資訊內(nèi)容推薦、生活購物推薦以及理財產(chǎn)品推薦，因此需要基于場景對推薦算法提供多樣化的配置。同時在理財場景下，出于用戶操作門檻考慮，并非 feed 流推薦，而多以各類理財榜單呈現(xiàn)，如“高收益基金榜”，業(yè)務(wù)需要根據(jù)最近一個月的收益推薦收益最高的 top10，因此業(yè)務(wù)人員無法通過直接算法配置來實現(xiàn)不同場景下的榜單定制化推薦需求。

痛點3:對接推薦的業(yè)務(wù)系統(tǒng)繁多

銀行行內(nèi)業(yè)務(wù)系統(tǒng)繁多，一般情況下關(guān)聯(lián)的上下游系統(tǒng)就達(dá)數(shù)十個，典型的行內(nèi)系統(tǒng)如日志平臺、容器平臺、監(jiān)控平臺、微服務(wù)平臺、大數(shù)據(jù)平臺、算法平臺、營銷平臺、客戶平臺、手機(jī)銀行等，均需與推薦系統(tǒng)做大量的數(shù)據(jù)的適配與對接工作。

痛點4:高吞吐量下的高穩(wěn)定

銀行業(yè)用戶體量龐大，頭部銀行存量用戶規(guī)模上億，當(dāng)碰到銀行節(jié)假日活動或理財產(chǎn)品發(fā)售等場景，推薦系統(tǒng)的每秒推薦請求甚至可達(dá)萬級規(guī)模?；阢y行數(shù)據(jù)涉及公眾財富安全，在任何情況下都需保證系統(tǒng)的高穩(wěn)定性，因此推薦系統(tǒng)的高可用架構(gòu)尤為關(guān)鍵。

達(dá)觀智能推薦系統(tǒng)解決方案

方案1:實時/批量數(shù)據(jù)接入，靈活整合多場景數(shù)據(jù)

基于數(shù)十家銀行客戶服務(wù)經(jīng)驗，針對繁雜的數(shù)據(jù)場景，達(dá)觀已積累了豐富的數(shù)據(jù)對接經(jīng)驗，如針對不同應(yīng)用場景的推薦目標(biāo)，有針對性地選擇特定的用戶特征，并基于場景構(gòu)造對應(yīng)的行為特征，實現(xiàn)數(shù)據(jù)的高價值對接整合。接入方式上，通過對外提供服務(wù)化接口，支持通過API、數(shù)據(jù)庫、文件、消息隊列等多種方式對接，將用戶數(shù)據(jù)、物品數(shù)據(jù)、行為數(shù)據(jù)等自動地對接至推薦系統(tǒng)，高效地完成系統(tǒng)之間的數(shù)據(jù)接入工作。

上報物品信息

方案2:用戶圈群+算法配置+運營規(guī)則，提升場景適配性

基于不同推薦場景的適配需求，達(dá)觀提供了從用戶圈群到算法配置，再到運營規(guī)則的全過程自定義配置。

• 用戶圈群階段：基于用戶標(biāo)簽提供多條件的組合篩選及畫像分析，精準(zhǔn)洞察用戶
• 算法配置階段：達(dá)觀首創(chuàng)“召回+排序+兜底”三段式推薦流程，各環(huán)節(jié)均提供內(nèi)置算法、算法調(diào)優(yōu)、第三方算法接入，最大化滿足多樣化策略配置需求
• 運營規(guī)則階段：結(jié)合既有的銀行服務(wù)經(jīng)驗，根據(jù)每個場景在產(chǎn)品推廣、用戶營銷等維度需求，定制化產(chǎn)出數(shù)十種銀行業(yè)人工運營規(guī)則，涵蓋產(chǎn)品置頂、封禁、去重、比例控制、打散、物品調(diào)權(quán)等多種類型，極大程度增強(qiáng)了業(yè)務(wù)對算法的干預(yù)，豐富了場景的適配可能

用戶圈群+算法配置+運營規(guī)則

方案3:容器化部署方式，提升系統(tǒng)落地能效

為了應(yīng)對銀行既有系統(tǒng)的復(fù)雜性，達(dá)觀智能推薦系統(tǒng)通過容器化的方式進(jìn)行部署方式，通過針對上下游系統(tǒng)的標(biāo)準(zhǔn)化 API， 可以實現(xiàn)不同環(huán)境下的系統(tǒng)的快速部署和迭代，同時避免了不必要的服務(wù)器和數(shù)據(jù)庫資源浪費。此外，容器化部署還可以提高系統(tǒng)的可移植性和可擴(kuò)展性，使得銀行在應(yīng)對突發(fā)流量增長時能夠更加從容應(yīng)對。

方案4:高可用高并發(fā)系統(tǒng)架構(gòu)，實時保障系統(tǒng)安全

針對頭部銀行高并發(fā)的數(shù)據(jù)請求，達(dá)觀智能推薦系統(tǒng)通過異步高性能服務(wù)框架，可以支持萬級 qps，并且支持橫向擴(kuò)容提升系統(tǒng)吞吐能力。此外，通過雙集群、異地雙活等部署方式，保證系統(tǒng)的穩(wěn)定性。

系統(tǒng)監(jiān)控及告警配置

客戶應(yīng)用案例

某國內(nèi)頭部股份制銀行是銀行數(shù)字化轉(zhuǎn)型的領(lǐng)軍者，下設(shè)多個移動應(yīng)用， app 月活超千萬。達(dá)觀作為長期合作伙伴，先后進(jìn)行對其旗下信用卡中心 app 及總行 app 進(jìn)行推薦系統(tǒng)部署服務(wù)及效果優(yōu)化。其中信用卡中心推薦服務(wù)上線后，人均功能點擊次數(shù)提升95%，功能點擊率提升132%?；诔錾耐扑]數(shù)據(jù)效果，達(dá)觀繼續(xù)為其總行下屬應(yīng)用進(jìn)行理財、基金、存貸款、商品、保險板塊的推薦場景落地服務(wù)。根據(jù)上述提及的銀行業(yè)推薦系統(tǒng)落地的用戶痛點，項目團(tuán)隊從數(shù)據(jù)處理、推薦策略、部署服務(wù)、系統(tǒng)架構(gòu)四個方面進(jìn)行難點攻克。數(shù)據(jù)處理：行內(nèi)各大業(yè)務(wù)存在繁復(fù)的線上線下數(shù)據(jù)，僅用戶畫像和產(chǎn)品畫像表就達(dá)數(shù)百張之多。通過借助 API、文件、消息隊列等方式，進(jìn)而進(jìn)行 ETL 處理，達(dá)觀團(tuán)隊使龐大的數(shù)據(jù)表精簡化為格式化的特征寬表，構(gòu)建了總行內(nèi)部扎實的推薦數(shù)據(jù)底座，以供下游推薦系統(tǒng)模型訓(xùn)練、內(nèi)容推薦、數(shù)據(jù)統(tǒng)計使用。
推薦策略：基于不同推薦場景的推薦目標(biāo)，達(dá)觀推薦平臺提供“召回+排序+兜底”策略配置，同時支持第三方策略接入。

項目團(tuán)隊也根據(jù)不同榜單的實際情況，定制了豐富的運營規(guī)則，在內(nèi)置數(shù)十種運營規(guī)則基礎(chǔ)上再次提供物品調(diào)權(quán)和物品排序規(guī)則，最終實現(xiàn)在無需算法調(diào)整的情況下，行內(nèi)業(yè)務(wù)人員僅憑規(guī)則設(shè)置也可滿足日常大部分場景的推薦。

部署服務(wù)：推薦系統(tǒng)需與行內(nèi)個人手機(jī)銀行、客戶財富分析及規(guī)劃等多個系統(tǒng)進(jìn)行數(shù)據(jù)交互。達(dá)觀團(tuán)隊通過容器云的使用，極大地提升了部署效率。
系統(tǒng)架構(gòu)：針對高穩(wěn)定的系統(tǒng)需求，達(dá)觀團(tuán)隊架構(gòu)層面通過算法服務(wù)與應(yīng)用服務(wù)解耦，以及產(chǎn)品層面獨創(chuàng)兜底策略等多種方式，確保99.999%的系統(tǒng)可用性。目前，該推薦項目已接近尾聲即將上線，在服務(wù)過程中，團(tuán)隊再次積累了豐富的實踐經(jīng)驗。達(dá)觀智能推薦系統(tǒng)已服務(wù)過招商銀行、浦發(fā)銀行、民生銀行、江蘇銀行、寧波銀行、華夏銀行、浙江農(nóng)信等多家企業(yè)。此外，達(dá)觀智能推薦系統(tǒng)也廣泛服務(wù)于零售、金融、傳媒、政企、互聯(lián)網(wǎng)等行業(yè)，包括阿迪達(dá)斯、屈臣氏、安利、澎湃新聞、人民日報、陜西廣電等知名企業(yè)，幫助客戶實現(xiàn)推薦的算法效果提升、系統(tǒng)部署等目標(biāo)，不斷助力客戶成功。