滿(mǎn)足個(gè)性化理財(cái)需求，金融產(chǎn)品智能營(yíng)銷(xiāo)需要考慮哪些要素？
利好政策賦予AI+金融發(fā)展活力
2017年8月，國(guó)務(wù)院印發(fā)《新一代人工智能發(fā)展規(guī)劃》提到，加快產(chǎn)業(yè)智能化的升級(jí)，創(chuàng)新智能金融產(chǎn)品和服務(wù)，發(fā)展金融新業(yè)態(tài)。鼓勵(lì)金融行業(yè)應(yīng)用智能客服、智能監(jiān)控等技術(shù)和裝備。
2018年1月，人工智能標(biāo)準(zhǔn)化論壇在北京召開(kāi)，本次論壇發(fā)布了《人工智能標(biāo)準(zhǔn)化白皮書(shū)（2018版）》，呼吁社會(huì)各界共同加強(qiáng)人工智能領(lǐng)域的技術(shù)研究、產(chǎn)業(yè)投入、標(biāo)準(zhǔn)建設(shè)與服務(wù)應(yīng)用，共同推動(dòng)人工智能及其產(chǎn)業(yè)發(fā)展。
2019年9月，中國(guó)人民銀行印發(fā)《金融科技(FinTech)發(fā)展規(guī)劃(2019-2021年)》，并提出到2021 年，建立健全我國(guó)金融科技發(fā)展的“四梁八柱”，進(jìn)一步增強(qiáng)金融業(yè)科技應(yīng)用能力，實(shí)現(xiàn)金融與科技深度融合、協(xié)調(diào)發(fā)展，明顯增強(qiáng)人民群眾對(duì)數(shù)字化、網(wǎng)絡(luò)化、智能化金融產(chǎn)品和服務(wù)的滿(mǎn)意度，使我國(guó)金融科技發(fā)展居于國(guó)際領(lǐng)先水平。
金融產(chǎn)品的多樣化給個(gè)性化技術(shù)在金融行業(yè)的應(yīng)用提供了契機(jī)
隨著金融行業(yè)的快速發(fā)展以及國(guó)家一系列政策的實(shí)施，越來(lái)越多的金融機(jī)構(gòu)推出了自己各種各樣的理財(cái)產(chǎn)品。理財(cái)產(chǎn)品種類(lèi)的不斷豐富和數(shù)量的快速增長(zhǎng)為理財(cái)用戶(hù)提供了更多選擇，也為投資理財(cái)市場(chǎng)開(kāi)辟了廣闊的發(fā)展空間。同時(shí)，隨時(shí)大眾生活水平的提高，理財(cái)觀念漸漸普及，越來(lái)越來(lái)的人開(kāi)始接觸理財(cái)服務(wù)。
用戶(hù)需要花費(fèi)大量的時(shí)間才能找到自己想買(mǎi)的理財(cái)產(chǎn)品。這種瀏覽大量無(wú)關(guān)的信息和產(chǎn)品過(guò)程無(wú)疑會(huì)使淹沒(méi)在信息過(guò)載問(wèn)題中的消費(fèi)者不斷流失。大多數(shù)用戶(hù)由于缺乏金融相關(guān)知識(shí)，主觀風(fēng)險(xiǎn)偏好和客觀承受能力不匹配，很難自主選出符合自身真實(shí)需求的理財(cái)產(chǎn)品。專(zhuān)業(yè)的工作人員相對(duì)較少，銷(xiāo)售導(dǎo)向的價(jià)值定位也使得用戶(hù)無(wú)法從專(zhuān)業(yè)人員那里獲取到最好的服務(wù)。這些問(wèn)題促使金融服務(wù)轉(zhuǎn)向?qū)で笾悄芑夹g(shù)的幫助，智能個(gè)性化理財(cái)服務(wù)應(yīng)運(yùn)而生。
圖1 2015-2020年中國(guó)互聯(lián)網(wǎng)理財(cái)用戶(hù)規(guī)模及預(yù)測(cè)（引用自iiMedia）
圖2? 2013-2018年中國(guó)公募基金數(shù)量（引用自QUEST MOBILE）
個(gè)性化理財(cái)服務(wù)中的關(guān)鍵要素
用戶(hù)畫(huà)像
用戶(hù)畫(huà)像可以很地幫助理解用戶(hù)的需求、消費(fèi)能力、信用額度、風(fēng)險(xiǎn)承受能力、資產(chǎn)配置偏好、風(fēng)險(xiǎn)偏好等信息，以此實(shí)現(xiàn)產(chǎn)品的精準(zhǔn)推薦。結(jié)合理財(cái)產(chǎn)品服務(wù)的業(yè)務(wù)場(chǎng)景，可以將用戶(hù)畫(huà)像歸納為以下幾類(lèi)。
（1）基本屬性
包括用戶(hù)的年齡、性別、地域、手機(jī)、郵箱等，用于描述一個(gè)人的基本特征。
（2）信用屬性
包括用戶(hù)的收入、職業(yè)、所屬行業(yè)、信用評(píng)分、資產(chǎn)、單位經(jīng)濟(jì)性質(zhì)、違約等信息，用于評(píng)估用戶(hù)的收入情況和支付能力。
（3）消費(fèi)特征
用于描述用戶(hù)的消費(fèi)習(xí)慣和消費(fèi)偏好，用于尋找高頻和高價(jià)值客戶(hù)。依據(jù)客戶(hù)消費(fèi)特點(diǎn)推薦相關(guān)金融產(chǎn)品和服務(wù)，提高轉(zhuǎn)化率。
（4）行為特征
通過(guò)對(duì)海量用戶(hù)行為數(shù)據(jù)進(jìn)行深入分析和挖掘，比如點(diǎn)擊、申購(gòu)、贖回、定投等，以此從多個(gè)維度來(lái)理解用戶(hù)的屬性、標(biāo)簽偏好、風(fēng)險(xiǎn)偏好等。通過(guò)深度挖掘用戶(hù)行為路徑，明確用戶(hù)流失情況和原因，提高產(chǎn)品推薦的轉(zhuǎn)化率。
（5）社交屬性
根據(jù)用戶(hù)在社區(qū)、論壇等社交網(wǎng)絡(luò)中的好友信息、評(píng)論信息，分析出用戶(hù)的近期消費(fèi)傾向，及時(shí)捕獲用戶(hù)的情緒變化，從而作為產(chǎn)品推薦決的一個(gè)參考因素。
圖3用戶(hù)畫(huà)像：配置偏好、風(fēng)險(xiǎn)偏好（引用自QUEST MOBILE）
產(chǎn)品畫(huà)像
理財(cái)產(chǎn)品種類(lèi)繁多，包括銀行理財(cái)、貨幣基金、股票、P2P、投資型保險(xiǎn)、公募基金、私募基金等等。好的理財(cái)產(chǎn)品是易于推廣、購(gòu)買(mǎi)率高的，而如何描述一個(gè)產(chǎn)品，這就是產(chǎn)品畫(huà)像。產(chǎn)品畫(huà)像的豐富、精準(zhǔn)，有利于剖析理財(cái)服務(wù)的應(yīng)用需求。理財(cái)產(chǎn)品的畫(huà)像信息可以簡(jiǎn)單地歸納為以下幾類(lèi)。
（1）基本信息
包括產(chǎn)品名稱(chēng)、類(lèi)型、發(fā)行日期、資產(chǎn)規(guī)模、份額規(guī)模、業(yè)績(jī)比較基準(zhǔn)、歷史評(píng)級(jí)、所屬公司、投資期限等，幫助用戶(hù)初步了解產(chǎn)品的信息。
（2）投資組合
包括產(chǎn)品的內(nèi)容組合、行業(yè)配置、資產(chǎn)配置，用于進(jìn)一步了解產(chǎn)品的細(xì)化組成，風(fēng)險(xiǎn)評(píng)估。
（3）公告信息
主要有分紅公告、發(fā)行運(yùn)作、人事調(diào)整等信息，第一時(shí)間捕獲產(chǎn)品的時(shí)效性信息。
（4）財(cái)務(wù)報(bào)表
包括一些財(cái)務(wù)指標(biāo)，如資產(chǎn)負(fù)債表、利潤(rùn)表、收入分析、利潤(rùn)分析等，用于評(píng)估一個(gè)產(chǎn)品的收益狀況。
智能匹配
基于用戶(hù)畫(huà)像和產(chǎn)品畫(huà)像，使用多種推薦策略實(shí)現(xiàn)用戶(hù)和產(chǎn)品之間的個(gè)性化匹配，為企業(yè)帶來(lái)最優(yōu)推薦轉(zhuǎn)化。
常用的算法有基于內(nèi)容的推薦、協(xié)同過(guò)濾、基于知識(shí)圖譜的推薦、基于深度學(xué)習(xí)算法的推薦等。
基于內(nèi)容的推薦
主要過(guò)程是將推薦物品的信息特征和待推薦對(duì)象的特征相匹配的過(guò)程，從而得到待推薦的物品集合。在理財(cái)產(chǎn)品中，內(nèi)容信息有歷史評(píng)級(jí)、收益率、業(yè)績(jī)基準(zhǔn)、行業(yè)配置等信息，這些都可作為產(chǎn)品的特征數(shù)據(jù)，對(duì)產(chǎn)品數(shù)據(jù)進(jìn)行建模，得到產(chǎn)品向量數(shù)據(jù)。結(jié)合用戶(hù)畫(huà)像以及歷史行為記錄，將用戶(hù)向量矩陣和產(chǎn)品向量矩陣作為輸入，得出每個(gè)用戶(hù)與待推薦產(chǎn)品之間的匹配程度。
基于內(nèi)容的推薦方法，優(yōu)點(diǎn)是能保證推薦內(nèi)容的相關(guān)性，并且根據(jù)內(nèi)容特征可以解釋推薦結(jié)果，而且對(duì)新物品的推薦是也能有很好的考量。缺點(diǎn)是由于內(nèi)容高度匹配，導(dǎo)致推薦結(jié)果的驚喜度較差，而且對(duì)新用戶(hù)不能提供可靠的推薦結(jié)果。
基于用戶(hù)的協(xié)同過(guò)濾
主要思想是基于群體智慧，利用已有大量用戶(hù)群過(guò)去行為數(shù)據(jù)來(lái)預(yù)測(cè)當(dāng)前用戶(hù)最可能感興趣的東西。這種方法克服了基于內(nèi)容方法的一些弊端，最重要的是可以推薦一些內(nèi)容上差異較大但是又是用戶(hù)感興趣的物品。
根據(jù)用戶(hù)的畫(huà)像信息、行為信息，通過(guò)統(tǒng)計(jì)、聚類(lèi)方式得出用戶(hù)間的距離，把用戶(hù)劃分為不同的屬性組，如激進(jìn)型人群、保守型人群、基金偏好人群等。將用戶(hù)購(gòu)買(mǎi)的理財(cái)產(chǎn)品推薦給同群組中的其他用戶(hù)。
基于知識(shí)圖譜的推薦
知識(shí)圖譜能夠比較全面的記錄客戶(hù)的非常詳細(xì)的信息，包括名字，住址，經(jīng)常和什么樣的人進(jìn)行互動(dòng)，還認(rèn)識(shí)其它什么樣的人，網(wǎng)上的行為習(xí)慣、行為方式是什么樣的，這樣就可以知識(shí)圖譜挖掘出更多的用戶(hù)的屬性標(biāo)簽和興趣標(biāo)簽，以及社會(huì)的屬性標(biāo)簽，形成全面的用戶(hù)洞察，基于知識(shí)圖譜就可以進(jìn)行個(gè)性化的理財(cái)產(chǎn)品推送，或者基于用戶(hù)的分群分組做定向營(yíng)銷(xiāo)，從而實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)。
深度學(xué)習(xí)
目前常用的深度學(xué)習(xí)算法有Wide & Deep、DeepFM、xDeepFM、DIN等。
（1）Wide & Deep
wide部分是一個(gè)廣義線性模型，具有著y=w^Tx+b的形式，deep部分是一個(gè)前饋神經(jīng)網(wǎng)絡(luò)。Wide線性模型可通過(guò)外積特征變換有效記憶稀疏特征交互信息，而深度神經(jīng)網(wǎng)絡(luò)可通過(guò)低維嵌入技術(shù)對(duì)未見(jiàn)過(guò)的特征交互進(jìn)行泛化。
圖4 Wide & Deep模型結(jié)構(gòu)
（2）DeepFM
整個(gè)模型大體分為兩部分：FM和DNN。借助FNN的思想，利用FM進(jìn)行embedding，之后的wide和deep模型共享embedding之后的結(jié)果。DNN的輸入通過(guò)一定方式組合后，模型在wide上完全模擬出了FM的效果，最后將DNN和FM的結(jié)果組合后激活輸出。
（3）xDeepFM
一個(gè)基于神經(jīng)網(wǎng)絡(luò)的模型，以一種顯式的向量方式學(xué)習(xí)特征交互。在deepFM的基礎(chǔ)上，不改變deep層的部分，而是對(duì)FM層的部分，使用創(chuàng)新的CIN層進(jìn)行特?fù)Q。這樣CIN層首先具有FM的功能，其次，由于CIN可以進(jìn)行deep擴(kuò)展，保證了能夠?qū)W到更高維度的顯式特征融合，提高了效率，保證了最終的模型準(zhǔn)確性。
（4）DIN
DIN通過(guò)一個(gè)興趣激活模塊(Activation Unit)，用預(yù)估目標(biāo)Candidate的信息去激活用戶(hù)的歷史點(diǎn)擊物品，以此提取用戶(hù)與當(dāng)前預(yù)估目標(biāo)相關(guān)的興趣。權(quán)重高的歷史行為表明這部分興趣和當(dāng)前物品相關(guān)，權(quán)重低的則是和物品無(wú)關(guān)的”興趣噪聲“。通過(guò)將激活的物品和激活權(quán)重相乘，然后累加起來(lái)作為當(dāng)前預(yù)估目標(biāo)相關(guān)的興趣狀態(tài)表達(dá)。最后將這相關(guān)的用戶(hù)興趣表達(dá)、用戶(hù)靜態(tài)特征和上下文相關(guān)特征，以及目標(biāo)相關(guān)的特征拼接起來(lái)，輸入到后續(xù)的多層DNN網(wǎng)絡(luò)，最后預(yù)測(cè)得到用戶(hù)對(duì)當(dāng)前目標(biāo)物品的點(diǎn)擊概率。
達(dá)觀智能推薦系統(tǒng)助力理財(cái)服務(wù)更多可能
達(dá)觀智能推薦系統(tǒng)內(nèi)置數(shù)十種深度學(xué)習(xí)算法，同時(shí)結(jié)合不同行業(yè)特點(diǎn)，對(duì)算法進(jìn)行深度優(yōu)化，幫助企業(yè)提升轉(zhuǎn)化率、點(diǎn)擊率、留存率等業(yè)務(wù)核心指標(biāo)。
圖8 豐富的內(nèi)置推薦方案
達(dá)觀智能推薦系統(tǒng)采用業(yè)內(nèi)首創(chuàng)的“召回+排序+后處理”三段式推薦流程，提供了數(shù)十種內(nèi)置的召回策略、排序策略、推薦方案，同時(shí)支持策略、方案的自定義，滿(mǎn)足企業(yè)根據(jù)業(yè)務(wù)場(chǎng)景和規(guī)則自主配置推薦策略的需求，讓企業(yè)最大化實(shí)現(xiàn)自主可控的配置。打造用戶(hù)分群、精準(zhǔn)推送、效果反饋的全流程精細(xì)化運(yùn)營(yíng)體系。
