啤酒和尿布，為什么會同時出現(xiàn)在一個購物筐里？

20世紀80年代，有位超市人員發(fā)現(xiàn)很多人會同時購買啤酒和尿布，后來分析原因得知，原來是女性需要在家照顧孩子，就讓丈夫去買尿布。當然，丈夫買尿布的同時不忘給自己買瓶啤酒。隨后，超市人員將啤酒和尿布擺放在了同一貨架上，這兩種商品的銷售量都明顯上升。

這個故事被譽為市場營銷學的一個經(jīng)典案例，也告訴我們數(shù)據(jù)背后所蘊含著很多不那么顯而易見的規(guī)律。

于是，找出“購買A商品的用戶都在購買B商品”這種規(guī)律，并在用戶瀏覽A商品時直接為其展示B商品，放在任何一個提供個性化推薦系統(tǒng)團隊這里，便成了其核心目標。

從“千人一面”到“千人千面”

即便是在手機銀行廣泛應用的當下，銀行APP們對用戶需求的探索絲毫沒有懈怠。

這個判斷背后的一個依據(jù)是：全國18家頭部商業(yè)銀行就已經(jīng)開發(fā)了超過170款APP。不過從目前來看，銀行開發(fā)了如此眾多的APP，卻并不能長期占用用戶在移動端的停留時間。

在廣發(fā)卡發(fā)現(xiàn)精彩APP負責人朱小凡看來，“銀行APP屬于基礎(chǔ)類財務(wù)工具，如果跟社交、游戲類APP相比，活躍度肯定比不上。但放在同類銀行APP里，有沒有提前做好用戶生活場景的布局，有沒有做足夠的投入，決定了銀行APP上用戶的活躍度和使用時長?！?/p>

相比過去，銀行只負責發(fā)卡、信貸、理財?shù)燃兘鹑趫鼍暗姆?wù)，針對不同客群提供不同的權(quán)益，而如今，如果銀行還是單純只做這些，用戶根本感受不到個性化體驗，更妄論用戶黏性和滿意度的改善。

而這種“千人一面”的特征同樣也反映在早期銀行APP的設(shè)計上。例如，運營人員會依靠業(yè)務(wù)知識進行手工配置，如根據(jù)商品的點擊、轉(zhuǎn)化、訂單數(shù)據(jù)等進行手動排序。當商品單元較少時，人工運營不算繁重，但隨著平臺上商品的不斷入駐，人工推薦的弊端就變得十分明顯。

要知道，移動互聯(lián)網(wǎng)浪潮的帶動下，移動端的用戶、消費習慣、場景都在發(fā)生改變，銀行APP的產(chǎn)品邏輯和商業(yè)模式需要適時迎合用戶需求的變化。這時候，基于用戶行為、搜索數(shù)據(jù)、商品屬性等特征提供的個性化推薦得到了銀行APP的歡迎。

據(jù)了解，國內(nèi)眾多銀行APP上應用了個性化推薦算法的并不多，較早的像招商銀行“掌上生活”和交通銀行的“買單吧”實際上也在不斷摸索中。

作為發(fā)行國內(nèi)第一張真正意義信用卡的老牌股份制銀行——廣發(fā)銀行，一直走在時代的前沿，不斷利用新技術(shù)為用戶提供更優(yōu)質(zhì)的服務(wù)。2018年初，廣發(fā)銀行卡中心開始組建ABC項目群（A-Artificial Intelligence，B-Big Data，C-Cloud Computing），通過在項目規(guī)劃和實施實戰(zhàn)中不斷沉淀，構(gòu)建了多層次的金融科技人才體系。廣發(fā)銀行信用卡官方APP——“發(fā)現(xiàn)精彩”正是ABC項目群的重點支撐場景之一，主要致力于應用數(shù)據(jù)智能技術(shù)為用戶提供千人千面的專屬服務(wù)和個性化體驗，并于2019年11月底升級上線“發(fā)現(xiàn)精彩4.0”。

如今，該APP平臺集合了移動支付、分期理財、飯票商城、趣味游戲、內(nèi)容廣場等入口，連接近4500萬用戶，這些用戶每天產(chǎn)生著大量與生活服務(wù)相關(guān)的數(shù)據(jù)。在全民抗疫期間，不少銀行網(wǎng)點無法正常營業(yè)，使得用戶更加依賴APP的使用。

廣發(fā)卡發(fā)現(xiàn)精彩APP團隊是如何從這些數(shù)據(jù)中提煉有價值的信息同時，進一步提升人們生活的便利性呢？

綁住用戶從“喜歡”開始

相比于人工推薦，基于算法的個性化推薦，在發(fā)現(xiàn)精彩APP上的多個板塊中應用性非常強，目前已在飯票、商城、小發(fā)播報等場景中驗證了其有效性。如今，平臺上在構(gòu)建的用戶標簽維度已經(jīng)高達3000多個，如年齡、性別、籍貫、星座等基本資料外，也包括很多用戶行為和特征如注冊時間、綁卡情況、消費情況。

2018年12月，發(fā)現(xiàn)精彩APP首款推薦模型——飯票實時模型上線。

發(fā)現(xiàn)精彩APP項目組的產(chǎn)品帶頭人彭建丹向我們解釋，發(fā)現(xiàn)精彩APP一開始就構(gòu)建了矩陣化的業(yè)務(wù)推薦模型目標，多場景多業(yè)務(wù)應用推薦系統(tǒng)，為此在智能化的探索上花了很多的心思。大概在2017年就開始規(guī)劃，到2018年初，團隊敲定模型需求，選定飯票作為第一個試水場景。

“先從飯票這個場景入手，在于飯票是基于地理位置進行推薦的，帶有很強的個性化推薦屬性?！?/p>

談起來這段經(jīng)歷，彭建丹頗為感慨，“推薦系統(tǒng)最早起源于1995年，2012年頭條系的產(chǎn)品重點使用推薦系統(tǒng)構(gòu)建信息流推薦，但推薦系統(tǒng)并不是一開始就在所有互聯(lián)網(wǎng)公司的APP全面開花的。即使像阿里、騰訊等互聯(lián)網(wǎng)公司的一些重點APP，大力構(gòu)建推薦系統(tǒng)也是從2017年開始的。也就是說，在2018年，推薦系統(tǒng)對于銀行來講，也是個新事物，我們也是經(jīng)歷了從0到1的全過程?！?/p>

難就難在0這個上面。在冷啟動階段，缺乏對前臺業(yè)務(wù)的有效埋點，團隊根本無法追蹤到用戶在使用APP時的行為。“這也是為什么最初我們先對數(shù)據(jù)埋點進行改造，花了近三個月時間養(yǎng)數(shù)據(jù)?！?/p>

當時除了風險部門，廣發(fā)信用卡中心還沒有實時的建模團隊，需要依賴第三方公司。但與第三方建模團隊合作，就需要對不同銀行的業(yè)務(wù)單元熟悉磨合。飯票推薦模型作為第一個試水模型，上線后不斷打磨，逐步優(yōu)化推薦策略，才最終調(diào)整為現(xiàn)在的點擊率。

彭建丹向我們展示了模型推薦的全流程，“本質(zhì)上講，推薦的過程，就是根據(jù)不同的用戶偏好，對物品進行排序，然后擇優(yōu)推薦?！?/p>

給用戶做出推薦響應的過程可分為：召回、初排、精排三步。召回，即從十萬以上內(nèi)容池中快速初篩出候選集；初排，即根據(jù)點擊率預估給候選集初步排序；精排，即根據(jù)需要調(diào)整排序。

 

圖注：打開發(fā)現(xiàn)精彩APP首頁-飯票-推薦位置上，能看到APP根據(jù)用戶日常行為偏好，將適合的商品優(yōu)先篩選推薦給用戶。

值得一提的是，飯票主要做了協(xié)同過濾召回和基于地理位置的召回，也就是說，我們現(xiàn)在能看到的飯票個性化推薦頁面，主要是基于用戶行為軌跡及商品地理位置的推薦。

重新定義客戶價值

然而，用戶搜索的方式非常多樣，搜索場景也非常細分和豐富，并且對接業(yè)務(wù)種類多，流量差異大，單單在商城和飯票這兩個入口上就有著比較多的差異點。為了解決這些挑戰(zhàn)，近些年項目組與其他部門及合作伙伴也在不斷磨合。

彭建丹還指出，除了與第三方共建模型，團隊也嘗試了自建模型，兩種方式相輔相成?！白越Ｐ涂梢约由钗覀儗夹g(shù)的理解，加強自身的技術(shù)沉淀，這讓我們對自己的模型有更多可控性?！?/p>

2019年9月，商城相似商品推薦模型上線，主要部署在商品詳情頁看了又看、商城首頁猜你喜歡兩個個位置上。該款推薦模型實用、高效，適用性強，可以在多個場景復用。據(jù)統(tǒng)計，該模型推薦較人工推薦有15%的點擊率提升。

 

嘗到“甜頭”的項目組開始意識到，將APP上現(xiàn)有業(yè)務(wù)數(shù)據(jù)化、關(guān)鍵業(yè)務(wù)數(shù)據(jù)要素建模只是治了表象，更重要的是對APP上的推薦架構(gòu)進行持續(xù)、整體性的升級。

究竟該如何做呢？

兵馬未動，糧草先行。發(fā)現(xiàn)精彩APP項目組其實早有籌謀。

早在2018年6月，飯票、商城推薦模型上線之前，項目組就嘗試構(gòu)建了“分群”功能，如今基本覆蓋了APP上還款、分期、商城、飯票、理財、生活增值、星級功能、無卡付、商旅、保險等核心業(yè)務(wù)場景。

 

彭建丹指出，“分群”其實也是一種規(guī)則性“千人千面”手段，即對不同類型的用戶進行分群，其使用界面推薦的內(nèi)容會有所區(qū)別。目前主要依據(jù)兩個維度：一是用戶屬性，如是否為他行卡用戶、持卡等級等；二是用戶行為，如是否有分期需要等。

“后來出現(xiàn)的推薦模式其實是由‘分群’演進而來，以構(gòu)建用戶畫像，產(chǎn)品畫像為依托，可以說，一個用戶就是一個群?！?/p>

在此期間，團隊還推動了數(shù)據(jù)從每天更新到分鐘級更新，并對廣發(fā)卡飯票、商城、分期、保險等不同業(yè)務(wù)場景中積累的數(shù)據(jù)進行整合，加強對數(shù)據(jù)時效性和豐富性上的改造。

從用戶角度來講，訓練好的規(guī)則機制可根據(jù)這些數(shù)據(jù)，充分理解每個用戶的商品/消費需求，更快更精準地推薦給用戶。

以飯票推薦為例，飯票推薦的商戶比人工規(guī)則推薦的更加準確。首先，模型推薦較人工推薦在CTR上有40%的提升；其次，模型推薦的購買轉(zhuǎn)化率略高于人工推薦?！澳壳?，飯票全部用戶月度人均消費金額為100元左右。由于效果達到了預期，我們接下來會把推薦的三個結(jié)果擴展到推薦整個飯票列表，擴大服務(wù)范圍?！?/p>

而對平臺上入駐的商家來講，則能夠?qū)γ總€商品維護詳情頁的推薦進行精準化配置。

某商家向發(fā)現(xiàn)精彩APP團隊反饋，“以前給每個商品維護詳情頁內(nèi)的推薦，在上架商品較多的情況下是個累活。我們一般只給重點商品配置看了又看的關(guān)聯(lián)推薦，因為人手不夠。現(xiàn)在有了推薦模型，在減少機械式人力成本的同時，算法比我們還懂得用戶，現(xiàn)在詳情頁內(nèi)的流量關(guān)聯(lián)流量有了60%以上的增長?！?/p>

可以看到，基于對“推薦”功能的長期打磨和理解，以及對平臺各個場景中數(shù)據(jù)的改造，除了讓APP上各項用戶點擊量有大幅提升外，更重要的是，廣發(fā)銀行信用卡中心對用戶價值的洞察，從群體逐步轉(zhuǎn)變了為對個體的關(guān)注。

還能帶來什么？

如今，因受到金融大環(huán)境的波動及國家金融強監(jiān)管政策的影響，銀行業(yè)正迎來金融科技多元化賦能的機遇期。無論是哪家銀行，都已將數(shù)字化轉(zhuǎn)型、數(shù)據(jù)中臺如何建設(shè)的問題擺在了首要位置，而銀行也從傳統(tǒng)的業(yè)務(wù)驅(qū)動進化到了用戶價值驅(qū)動的金融科技階段。

一直以來，為降低經(jīng)營成本并提高客戶滿意度，廣發(fā)銀行信用卡中心做了很多努力和嘗試，從最開始發(fā)布one卡、搭建個性化的權(quán)益平臺等，到如今，發(fā)現(xiàn)精彩APP也在快速迭代升級中。

在接下來的2020年里，發(fā)現(xiàn)精彩APP 5.0又會有怎樣的“精彩”等待用戶來發(fā)現(xiàn)呢？

朱小凡指出了APP兩步走的路線：一是繼續(xù)推動APP智能化，如搜索、推薦、客服等方面的技術(shù)進程；二是針對場景進一步升級。每家銀行都有著屬于自身的業(yè)務(wù)特征，盡管一款銀行APP上可能網(wǎng)羅了各個場景，但銀行勢必會結(jié)合自身的業(yè)務(wù)優(yōu)勢發(fā)力。

正如推薦算法首先在Netflix、Amazon等互聯(lián)網(wǎng)產(chǎn)品上落地，便很快蔓延開來，個性化推薦基于對用戶行為的推測，首先滿足了用戶需求，同時也讓互聯(lián)網(wǎng)公司找到了客戶獲取、激發(fā)活躍、提高留存的新型商業(yè)模式。銀行APP也不應該只是原來網(wǎng)上銀行或是網(wǎng)點柜面的復制品，將會從用戶的視角看產(chǎn)品，把用戶的金融信貸及生活習慣保留在APP上的同時，以新的技術(shù)和場景運營方式重塑這個平臺。

而一切都是剛剛開始。

（雷鋒網(wǎng)）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。