智能推荐是一套基于大数据和人工智能技术，满足自身业务需求的推荐服务框架。业界知名的智能推荐引擎有阿里云智能推荐、字节跳动灵聚、腾讯广点通、百度丰巢系统等，常见的智能推荐方式有精确匹配、词组匹配、核心词匹配、智能匹配等，如图图1.其中，智能匹配是一种比词组匹配覆盖更多流量的匹配方式，为客户提供个性化的推荐服务。智能匹配系统智能理解并匹配客户关键词，自动触发搜索结果，帮助客户找到所需。图1 智能推荐的匹配方法以华创金融的贷款推荐为例，利用自然语言处理、深度学习、知识图谱等技术，提取客户特征、访问行为、贷款数据等关键信息.利用大量金融文本数据和客户标签画像构建贷款推荐引擎，如图2所示。该产品利用系统的快速识别和精准分发能力，向客户推荐有针对性的贷款内容，让客户快速找到满足他们意愿的贷款产品，从而更准确地定位潜在客户，降低转化成本，提高投资回报率。图2 贷款产品推荐逻辑个性化智能推荐引擎该数据服务平台建立在海量数据挖掘的基础上，为客户提供个性化的内容推荐、决策支持和信息发布。构建智能推荐引擎的关键是数据挖掘、模型构建、场景推荐和指标分析。1.用户数据挖掘推荐不仅涉及AI算法，关键是数据挖掘。用户数据是所有推荐算法的基础，是所有推荐策略的基础。数据挖掘是基于人工智能、机器学习、模式识别、统计、数据库、可视化等技术，以高度自动化的方式分析企业数据，进行归纳推理，从中挖掘潜在模式的决策支持过程。帮助决策者调整推荐策略，降低风险，做出正确决策。数据挖掘涉及数据收集、标记、清洗和处理等过程。通过统计、在线分析处理、检索、机器学习和模式识别，可以获得更有利于模型构建的高质量数据。数据挖掘涉及打通ERP系统、核心系统、CRM系统、数据中心等多个数据源。数据来源包括App、Web、小程序、客户数据、交易数据、业务数据等，如图3所示。图3 数据来源以银行贷款平台为例，贷款申请等数据量数以千万计的企业客户在数字融资中产生的数据量极其庞大，符合大数据的特点。因此，银行可以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，并通过智能匹配推荐符合客户需求的贷款产品。2.推荐策略类型在企业推荐系统中，核心是基于人工智能技术和推荐算法构建推荐模型，从而建立智能推荐引擎。推荐引擎具有三个重要模块：客户建模模块、推荐对象模块和推荐算法模块。对于推荐策略，通过算法模型优化，企业可以让客户对推荐信息更加信任，从而提高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。采用AI技术的系统可以理解业务数据的逻辑和关系，提取关键词，构建知识图谱，根据对问题的理解给出或计算出答案。图4 AI技术推荐算法包括基于内容的推荐、基于协同过滤的推荐、基于关联规则的推荐、基于效用的推荐、基于知识的推荐等，如图5所示。在智能推荐中在金融产品的应用中，推荐算法主要体现在以下几个方面。图5 推荐算法类型1）基于内容的推荐算法。基于内容的推荐算法是根据贷款产品的内容进行推理，即利用机器学习的方法从内容相关的特征描述事件中获取客户兴趣标签，然后根据客户的喜好推荐相似的内容。2）基于协同过滤的推荐算法。系统基于协同过滤推荐算法，利用客户的贷款行为或浏览记录等隐性动态信息，明确客户的偏好，并根据这种偏好推荐目标客户。3)基于关联规则的推荐算法。基于关联规则的推荐是以关联规则为基础，以贷款产品为规则头部，申请记录为规则主体，探究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。基于效用的推荐算法是根据客户使用的贷款产品的效用来计算的，其结果在很大程度上取决于系统采用的效用函数。它可以考虑非产品属性，例如企业客户的可靠性和贷款产品的可用性。5)基于知识的推荐算法。基于知识的推荐算法关注贷款产品满足特定客户的相关知识，从而可以解释需求与推荐之间的关系。不是基于客户的需求和喜好来推荐，而是基于任何支持推理的知识结构，某种程度上可以看作是一种推理技术。3.推荐应用场景场景是影响推荐策略的要素。我们可以根据业务规则配置有针对性的推荐策略，即基于客户行为数据，进行个性化推荐和相关推荐、热门推荐和焦点地图推荐等，如图6所示。图6 智能推荐应用场景1、个性化推荐在App首页、融资渠道页、猜你喜欢页、发现页等特征等）、客户行为（贷款产品浏览行为、浏览行为）融资信息等），构建企业客户画像，为客户提供个性化推荐结果，实现内容“千人千面”。例如，系统可以根据客户能否开具增值发票或善意纳税，推荐涉税数字贷款。2、相关推荐在产品介绍页面、贷款详情页面或申请结果页面，系统根据贷款产品金额、利率、期限、贷款用途、申请条件等，为客户推荐相关贷款产品或股权服务。例如，系统根据客户所在的地理位置，推荐与开设贷款业务的地区相匹配的贷款产品。3.热门推荐在贷款排行页面、我的贷款记录页面、贷款渠道页面等，系统根据贷款浏览量、申请点击量、申请通过率、贷款产品分享情况推荐客户感兴趣的贷款产品等。例如，系统会将符合客户喜好和需求的贷款产品标记为热门，并进行热门推荐。4.焦点图推荐在App首页图片轮播、融资渠道页面广告窗、申请结果权益模块等地方，系统推荐焦点图广告位，让贷款产品获得更多显示机会和点击率。例如，系统在首页的轮播banner中以图片和文案的形式推荐一款热门贷款产品。5.PUSH推荐在启动弹窗、退出弹窗、消息推送、插入弹窗等时，系统会以图片、文字、表情、提示等形式向用户推荐合适的内容在正确的时间和正确的场景中发出声音。合适的客户。例如，系统协同筛选客户和贷款，将贷款申请进度、还款提醒等内容推送至客户手机界面，从而打造个性化的线下推荐效果。以信息流推荐系统的事件营销为例，我们将金融类视频打上贷款、供应链、汽车金融、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。用户在借贷视频上点击“有用”后，系统标记用户的行为属性，将客户的手机号、公司名称、营业地址、标签、视频标题、视频内容、设备位置等信息推送给营销以界面的形式为中心。营销中心根据产品标签库自动识别用户关键词。当与用户的贷款意愿相关时，就会触发推荐机制，系统会向用户推荐贷款产品，从而达到产品营销的目的。4.数据指标分析推荐产品数据指标分析值得产品经理关注。指标分析在一定程度上可以揭示客户的再投资状况、使用路径和行为记录，从而使企业可以基于数据优化推荐策略，找到贷款产品的改进方向。例如，企业利用事件分析模型，对点击智能匹配的PV、UV等业务数据进行分析，进而优化推荐系统，为客户推荐最合适的贷款产品。根本目的是提高智能匹配的点击率和贷款申请的转化率。金融行业的智能推荐引擎如图7所示，我们可以基于大数据平台分析客户画像指标，基于数据指标分析优化推荐流程，调整推荐策略。通过支持多模型、多策略参数配置，深度优化智能匹配推荐引擎，洞察客户需求，提升客户操作体验，提升贷款产品关注度。图7金融行业智能推荐引擎个性化推荐逐渐成为金融平台提高贷款申请率和贷款还款率的驱动力。很多基于C2B模式做数字化融资的企业，在贷款超市众多的贷款产品中，根据不同贷款产品的特点，利用智能推荐引擎分析业务数据指标，提供个性化的内容运营和规则设置等优化方案，有效提升贷款产品点击率，提升客户体验，增加产品黏度。作者简介：DemonZhu，资深产品经理，PMLink产品经理社区创始人。在技??术、管理、产品等领域有着深厚的积累，尤其在金融产品领域有着丰富的实战经验。本文节选自《金融产品方法论》，经出版社授权发布。(ISBN:9787111701064)转载请保留文章出处。
