电商应用个性化推荐正在如何改变银行业?智能推荐与智能投顾如何在银行应用?

【编者按】个性化推荐作为电商里广泛应用的一项产品推荐技术,在提高推荐效率和精准性上正在发挥效应。今年双11,天猫在移动端全面启用个性化推荐的千人千面。而随着金融产品扩散到中产阶级、普通百姓,这项智能推荐技术也成为金融行业提高效率、降低成本的关键应用。

一、 智能推荐与智能投顾介绍

(一) 智能推荐技术

智能推荐系统,即借助个性化推荐技术,基于用户的基本信息,从用户的行为和偏好中发现规律,进而判断用户是否对此项产品感兴趣,为不同用户提供个性化的内容,以此提升产品的内容吸引力。其实质是利用信息过滤技术向用户推荐其可能感兴趣的产品。

其他人正在看

个性化推荐系统的概念在1995年的美国人工智能协会上被首次提出,2001年IBM公司在其电子商务平台Websphere中添加了个性化功能以开展个性化服务。直至今日,Amazon、Facebook、淘宝、微博等各大互联网公司也都使用了个性化推荐系统来扩展市场。比较常见的推荐算法有基于关联规则的推荐算法、基于内容的推荐算法以及协同过滤算法(即CollaborativeFiltering,简称CF)和人工免疫算法等。其中协同过滤近年来在讯息过滤与讯息系统方面发展迅速,广受使用者欢迎。协同过滤算法的立足点在于用户会倾向于购买具有相似爱好的用户群所购买的商品。它根据用户信息、商品的评分情况以及用户的浏览购买记录等资源,构建用户兴趣模型,利用统计学的相关技术确定目标用户的若干最近邻居,依据选择的最近邻的评分情况预测目标用户对某商品的评价。将商品依照用户的兴趣度依次排序并推荐给用户,适用于推广产品类别稳定、功能明确、数量少的较标准化产品,因此智能推荐技术对于银行推广非财富管理类产品,如信用卡、账户类、贷款类产品有较大作用。

(二) 智能投顾技术

智能投顾也称机器人投顾(robot advisor),是一种线上财富管理服务。其根据现代资产组合理论,结合个人投资者的风险偏好和理财目标,利用算法和友好的互联网界面为客户提供资产管理和在线投资建议服务。

传统金融投顾投资顾问是连接用户端和金融产品端的重要桥梁,通过一系列细致深入的访谈(如问卷调查)了解用户的风险偏好,并根据不同用户的风险偏好定制的配置资产组合。智能投顾改变了传统客户和经理面对面的服务模式,采用互联网和人工智能技术完成风险偏好识别和资产组合配置工作,并持续动态的跟踪用户端和产品端的风险情况,进行动态资产配置调整。其优势在于成本低,容易操作,降低了传统投顾服务的门槛,实现个人客户的智能化、自动化投资顾问服务。采用智能投顾模式后,传统投顾人员可释放更多精力更多用来进行客户开发的工作。智能投顾对于银行推广财富管理服务有较大作用。

二、 对金融行业的意义

(一) 改变了银行传统获客模式

长期以来,银行最大的获客渠道依赖于单一线下物理网点及其行员,其获客半径相对有限,获客成本单价也可能较高。随着银行引入新的科技技术,互联网已成为银行重要的客户经营渠道。银行不能再被动等待客户到来,而是通过主动切入客户的各类生活应用场景,在场景获取客户,将获客这一步骤前移。通过互联网获客活客,就需要采用互联网获客模式,而智能推荐算法有着重要意义。Amazon 30%以上的流量都来自智能推荐引擎,国内今日头条、新浪微博、QQ等,他们通过千人千面的个性化推荐技术获得了今日良好的效果。

在客户与银行触点产生交集时,如访问银行网站、APP、微信,或线下的自助渠道、银行社区等触点,一部分访问者只是随机浏览,没有明确的购买意向,或者由于海量的产品信息遮蔽了适合用户潜在的购买需求产品。智能推荐系统能够找到引起浏览者的购买兴趣的金融服务,且这种推荐是有效的、高质量的,就有较大可能激发浏览者的购买兴趣,将浏览者的潜在购买需求转化为实际的购买行为,银行获客模式就从被动变为主动。若客户有进一步的财富管理需求,则可采用智能投顾模式,迅速分析用户需求生成财富顾问报告,促使用户的购买行为升级。

(二) 增加银行交叉销售机会

智能推荐系统还能根据客户已购金融产品和历史交易记录,向客户推荐和这些产品具有一定相关性的其他产品,或推荐同类型客户感兴趣的产品,以提高交叉销售量。实践证明向老客户推销产品的成本比挖掘新客户的成本低,因此对老客户进行交叉销售,是提升客户综合贡献度的有效捷径。如众多电商网站的推荐系统可以根据顾客当前购物车中的商品,向顾客推荐他没有想到但可能会购买的与之相关的一些商品。推荐系统如果能够向顾客推荐额外有价值的商品,将提高其交叉销售能力。

(三) 辅助人工,提高销售成功机会

在传统银行产品营销过程中,理财经理往往从产品本身角度向客户推荐不同的投资产品,回溯产品历史投资业绩是常用的方法,而对于未来产品的预期则难以提供信服的说辞。采用智能投顾模式,则是从客户角度自上而下提供投顾服务,由客户需求和目标推导出大类资产配置方向,再从中择取合适标的进行组合投资,综合收益预期可以通过机器进行大概率的测算。这种技术和数字工具可以武装人工投资顾问的力量,提高其营销工作效率,还可进一步释放其时间,让他们能够为更高净值的客群提供个性化的跟踪服务。

(四) 提高客户体验和忠诚度

智能推荐系统能够根据客户兴趣特点和行为习惯,为客户提供个性化的金融产品和服务,实现“千人千面”的“一对一”销售,改变传统的单方面销售方式,真正实现因客提供服务。同时,推荐系统都可以进行高效的金融服务推荐,无疑会吸引客户再次购买行为,它学习顾客之间的购买行为,更多的客户受益于推荐系统的个性化服务,从而有助于提高客户的忠诚度。此外,智能推荐还会测算对某类客户推荐产品的成功率,对低成功率的产品将不会建议推荐,减少对客户的营销烦扰,也节约银行的银行成本。

在投顾方面,还能进一步为中低端客户提供财富管理服务。以银行为例,人工投顾服务一般仅提供给一定门槛以上的客户。而智能投顾对投资人的资金最低要求普遍在1万元-10万元左右,覆盖客群范围大幅提高,采用智能投顾会有效提高其对银行的满意度和忠诚度,也是全民理财的普惠金融。

三、 目前智能推荐和投顾技术的应用情况

(一) 亚马逊

Amazon是全球最成功的互联网企业,它同时也是比较早并且成功的将互联网智能推荐系统应用与商业界的代表。Amazon声称其35%的销售归功于推荐系统,它通过以下几个方面来达到智能推荐目的:

1、每个用户都会得到系统提供的商品推荐的列表,一个是“经常一起购买的商品”,此商品与当时用户浏览的商品往往是组合使用,如购买筷子,则推荐了餐具;二个是基于人群偏好的相似性推荐的“购买此商品的顾客也同时购买”和“看过此商品的顾客购买的其他商品”。

2、系统针对用户的浏览、搜索等行为,或根据购物车或物品收藏所做的相似物品推荐。系统还会根据历史会员购买行为记录,利用推荐机制做电邮营销或会员营销。一封邮件,一条短信,一条站内消息都是它的表现方式。

3、用户可以对网站的商品信息进行评分,系统可从中学习用户的兴趣,推荐更加个性化的信息。其他用户还可以通过评论来深入了解某种商品,以快速的选到自己满意的商品。

(二)Facebook

Facebook是全球最大的社交平台,月活跃客户超过10亿。根据其官方公布的信息,他们使用的是分布式迭代和图像处理平台和推荐系统最经典的算法:协同过滤算法。其中,EdgeRank算法是一个重要里程碑,它是信息流(Timeline)推荐的代表,它决定了每个用户的首页显示什么信息。EdgeRank隐藏无聊的东西。当第一次登入Facebook,你看到的是朋友们最近的动态。用户的每一个动作(上传一次状态、评论朋友的动态、为照片打标签、加入一个粉丝俱乐部、授权加入一个活动等)都被称为边界(Edges)。但如果你要看完所有人的动态,也许就很有负担。为此Facebook写了这个量边(EdgeRank)的算法,预测你对动态感兴趣的程度,动态的评分越高,位置就越靠前。

(三) 德意志银行

2015年12月,德意志银行启动了智能顾问服务AnlaGEFinder,它是该行网络投资平台拓展服务的举措之一。这位顾问会利用问卷调查和电脑设计的程序算法,为该行网络投资平台的客户提供股票投资组合的相关建议。AnlageFinder不仅适用于投资新手,也适合有经验的投资者。它会通知客户有哪些潜在的投资风险,比如过于侧重某些板块,还会突出显示其他投资选择。除了智能顾问,德银还发布了一款面向有经验投资者的新版maxblue应用,在德银开通网上服务的客户可以用该应用查看个人账户和投资组合,随时进行交易。

(四) 招商银行

2016年12月6日,招商银行发布手机银行APP5.0,其中的财富管理应用摩羯智投,提出“智能化、融合服务,和深耕核心金融自场景”。智能投顾方面运用了人工智能机器学习法,并融合专业人工支持,将招行体系内十数年的金融资产数据和客户数据进行量化,凝聚成71个归因分析因子,匹配客户的收益、流动性和风险情况,运用蒙特卡洛模拟模型,决策树模型,有监督及无监督学习算法组成的风险监测模型,实现客户的个性化投资组合构建,并一键完成购买。在客户所持组合偏离最优状态时,将自动提供动态的组合调整建议。它以主动管理型基金委主要配置标的,投资模型利用招行历史金融数据进行了大量验证矫正和训练,且在机器和人工的支持下不断自我优化完善,这些数据不是购物或者社交行为能够发掘,也正是招行或者银行业领先BAT的具大优势。

四、 智能推荐与智能投顾如何在银行应用

(一)智能推荐系统的具体应用方法

根据实际各类推荐算法应用情况看,笔者认为协同过滤算法(即CF算法)比较适合金融机构采用,可尝试应用在推广非财富类产品,包括银行卡、个人贷款、汇兑及账户类服务。CF算法包括两个分支算法,一是基于用户的推荐,即把有相似爱好的其他用户的产品予以推荐;二是基于产品的推荐,即把与用户偏好的产品相似的其他产品予以推荐。具体步骤包括:(1)收集用户偏好,(2)相似性计算,即找到相似的用户或者相似的金融产品服务,(3)计算并推荐。

1、收集用户偏好

用户偏好应从用户的行为和交易中发现规律,并基于此进行推荐。从银行内部看,用户的历史交易记录也就是购买的金融产品或者服务是最简单有效的偏好分析依据,此外还包括客服询问、在网银或手机银行渠道上对某项服务的点击流、页面停留时间等,对不同行为产生的用户喜好进行加权,然后求出用户对某项产品的总体喜好,以此来表示用户对产品的喜好程度。比如通过计算得出目标客户A,与行内其他客户BCD情况。

在实际运用中,偏好分析还要涉及“减噪”处理,同时把一些通用类产品如借记卡等的权重降低或干脆去掉。

2、相似性计算,计算与目标客户最相似的N个用户

对用户的行为分析得到用户的喜好后,可以根据用户的喜好计算相似用户和产品,然后可以基于相似用户或物品进行推荐。所谓计算相似度,有两个比较经典的算法,Jaccard算法和余弦距离相似性算法,本质上需要做的还是求两个向量的相似程度,使用哪种算法则需结合实际情况。下面以基于用户的相似性推荐为例:

为计算与目标客户最相似的N个用户,最直接的办法就是把目标用户和数据库中的所有用户进行比较,找出和目标用户最相似的N个用户。以前文A为例,通过用户的相似性计算,目标客户A与D相似度高,基于用户的推荐算法将向A推荐信用卡、房贷和分期付。

但是当数据量巨大的时候,计算N个相似用户的时间将会非常长,而数据库中的大部分用户和目标客户A在产品偏好方面不存在交集,故无需计算所有用户,只需计算和A有交集的用户。这里将用到用户的反查表,即偏好购汇的有A、B、D,偏好留学贷款的有A、D,通过反查表,与目标A有交集的的用户只有B和D,而用户C被排除。

然后使用相似性公式(Jaccard算法或余弦距离算法),分别计算目标客户A和、D与的相似度,不管使用哪个公式,A与D相似度最高,但如果此时我们的N设定为2,那么我们就得出了与你最相邻的用户是D和B。

3、计算并推荐,通过N个用户推荐产品

通过相似性计算,根据D和B的偏好,可推荐给目标A的产品有信用卡、房贷、分期付、车贷和中银E贷共五种产品,如何确定上述五种产品的推荐排序,以提高推荐成功效率。这里要使用到相似度,假如使用算法得出A与D的相似度为80%,A与B的相似度为40%,那么对于上面五种产品,推荐度可按以下方法计算:

信用卡:1*0.4+1*0.8=1.2

房贷:1*0.4+1*0.8=1.2

分期付:1*0.8=0.8

车贷:1*0.4=0.4

中银E贷:1*0.4=0.4

通过,推荐系统会首先把信用卡和房贷推荐给A,这个可能是A你最需要的,其次是分期付、车贷和中银E贷。

基于物品的协同过滤算法跟上述的基于用户的协同过滤算法类似,但它从物品本身,而不是用户角度。比如偏好购汇的用户都偏好跨境汇款,那么可以知道购汇产品和跨境汇款产品的相似度很高,而用户喜欢购汇,那么可以推断出用户也可能喜欢跨境汇款。

(二)智能推荐系统的具体应用方法

对于比较标准化或者简单的金融服务,可使用智能推荐系统进行产品推广,而对于财富类的投资属性产品,则需要结合客户具体风险和需求目标,运用专业的投顾知识,匹配合适的大类资产予以推荐,对金融专业深度要求高。智能投顾的背后是Markowitz理论,即现代投资组合理论(MPT,Modern Portfolio Theory),主张通过分散的投资组合降低风险,将资金分散在股票、债券、房地产等多方面,并且不降低预期收益率。对银行而言,主要通过四个方面完成整个智能投顾流程:客户认知、资产配置、交易实施和监控调整。

1、客户认知

客户认知包括客户的风险偏好认定和投资目标的确定。有别于传统投顾,在风险偏好识别方面,智能投顾除问卷调查外,还可应用数据支持,从客户的行为和金融交易中发现规律。收集客户的投资目标也简单明了,直接让客户选择不同期限下想要达到的实际定制场景,包括子女教育、父母赡养、购房买车、退休计划、预备大额开支、家庭传承、定期收益、或长期稳健增值等。除此之外,为进一步提升客户体验效果,还可采用不同风险等级的预期收益、波动率组合表,请客户自行选择。如低风险等级,对应低收益率、低波动率;高风险等级,对应高收益率和高波动率,让客户充分认知收益和风险是正相关。

2、资产配置

资产配置的过程是把一系列资产组合到一起,利用其收益特征的低相关性进行优化,来实现整体投资组合的最大化。即在每一个风险水平下,该投资组合的预期收益都优于其他所有可能的投资选择。

对银行来讲,首先是对个人的投向资产进行归类。初步可归为6大类可投资产品,包括基金(股基、债基、QDII、私募、房地产等)、理财(表内、表外、外币理财)、信托、保险(保障类、理财类、财产类)、存款(定期、智能存款、活期)、黄金等,这些都是银行可以直接提供给客户购买的产品,也就是投资备选资产。对上述大类资产进行风险收益识别和定价期限归类,备选资产确认的标准是未来更好的实现组合投资分散化的优势,同时还要考虑交易门槛和手续费问题。

其次,是运用改进后的马克维茨投资组合理论,采用量化的耶鲁模式,根据每个客户的投资目标和风险情况进行智能化的投顾组合配置,追求分散配置和风险调整后的收益最优。

3、交易实施

智能投顾的交易实施是简单的,一键购买或程序化交易是国内外通行做法。对于银行而言,需要考虑众多投资产品分布在不同系统且由不同条线主管,实现组合一键投资意味着在前端交易整合和后端产品系统对接方面要投入资源进行改造,同时,相应的业务流程也需要同步优化。在前期推广阶段,结合实际业务门槛考虑,可尝试全部使用基金类产品来满足客户的组合投资需求。如下列组合经均值-方差原理(MVO)初步计算,可达到风险分散的最优组合投资目标,且覆盖了大类资产,在推广前期,可将股票基金占比配置较低水平(如10%),而将稳定收益率产品,如货币基金或理财类基金等固定收益率产品配比较高水平(如90%),以追求稳定收益。

4、监控调整

客户的风险偏好和投资目标会随着整个市场大势而出现较大变化,如在股票牛市阶段,客户风险偏好和收益预期目标极具提升,而熊市相反。同时,备选资产组合情况和市场风险也在发生变化,客户端和资产端均需要进行实时动态计算评估。在算法和模型方面,充分将“人+人工智能”进行融合,对资产端的基本收益等结构化数据,采用模型算法即可进行动态监控;而对于市场情绪、基金公司本身等非量化的情况,以及相对应的处理逻辑就需要依赖人工的专业力量。

一旦客户组合资产配置方案与最优状态发生偏离,就需要定期更新后重新发给客户进行确认,并按新方案执行。当遭遇影响力较大的系统性风险时,会对客户进行建议调整,如建议调低组合中相应资产的权重以降低组合的风险敞口。智能投顾就像一个贴身管家,7*24小时不间断智能化管理客户的专属投资账户。