智能推薦是基于大數據和AI技術建立的一套符合本身業務需求的推薦服務框架。行業中較為有名的智能推薦引擎有阿里云智能推薦、字節跳動靈駒、騰訊廣點通、百度鳳巢系統等。

常見的智能推薦方式包括精確匹配、短語匹配、核心詞匹配、智能匹配，如圖1所示。其中，智能匹配是一種比短語匹配覆蓋流量更大的匹配方式，為客戶提供個性化推薦服務。智能匹配由系統智能理解并匹配客戶的關鍵詞來自動觸發搜索結果，從而幫助客戶找到所需。

圖1 智能推薦的匹配方式

以華創金融的貸款推薦為例，其利用自然語言處理、深度學習、知識圖譜等技術，針對客戶特征、訪問行為和貸款數據等各類關鍵信息，抽取大量的金融文本數據和客戶標簽畫像來構建貸款推薦引擎，如圖2所示。該產品利用系統的快速識別和精準分發能力，給客戶推薦有針對性的貸款內容，讓客戶快速找到符合自己意愿的貸款產品，從而更精準地定位潛在客戶，降低轉化成本，提高投資回報率。

圖2 貸款產品推薦邏輯

個性化智能推薦引擎這種數據服務平臺是建立在海量數據挖掘基礎上的，為客戶提供個性化內容推薦、決策支持和信息分發。構建智能推薦引擎的關鍵在于挖掘數據，構建模型，推薦場景并進行指標分析。

一、用戶數據挖掘

推薦不止涉及AI算法，其關鍵是數據挖掘。用戶數據是一切推薦算法的根基，是一切推薦策略的依據。

數據挖掘是一種決策支持過程，基于AI、機器學習、模式識別、統計學、數據庫、可視化等技術，高度自動化地分析企業的數據，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調整推薦策略，降低風險，做出正確的決策。

數據挖掘涉及數據采集、標注、清洗、加工等過程，通過統計、在線分析處理、檢索、機器學習和模式識別等過程，獲取對構建模型更有益的高質量數據。

數據挖掘涉及打通ERP系統、核心系統、CRM系統、數據中臺等多方數據源。數據源包括App、Web、小程序、客戶數據、交易數據、業務數據等，如圖3所示。

圖3　數據源

以銀行貸款平臺為例，千萬級的企業客戶在數字融資中產生的貸款申請等數據的量極其龐大，符合大數據的特性。因此，銀行可基于客戶貸款行為數據進行分析，實現大數據獲客、精準導流，通過智能匹配推薦符合客戶需求的貸款產品。

二、推薦策略類型

在企業推薦系統中，最核心的是基于AI技術和推薦算法構建推薦模型，從而建立智能推薦引擎。推薦引擎有3個重要模塊：客戶建模模塊、推薦對象模塊、推薦算法模塊。針對推薦策略，通過算法模型優代，企業可以讓客戶更加信賴推薦的信息，進而提升推薦系統的可解釋性和客戶滿意度。

AI技術包括個性化召回算法、個性化推薦算法、支持向量機、XGBoost梯度爆炸算法、深度神經網絡、深度興趣進化網絡、自然語言處理等，如圖4所示。利用AI技術的系統可以理解業務數據的邏輯與關系，抽取關鍵詞，構建知識圖譜，并根據對問題的理解給出或計算出答案。

圖4　AI技術

推薦算法包括基于內容推薦、基于協同過濾推薦、基于關聯規則推薦、基于效用推薦、基于知識推薦等，如圖5所示。在金融產品智能推薦應用中，推薦算法主要體現在以下幾個方面。

圖5　推薦算法類型

1)基于內容推薦算法。基于內容推薦算法是建立在貸款產品的內容基礎上做出推斷，即用機器學習的方法，從關于內容的特征描述事件中得到客戶的興趣標簽，然后根據客戶偏好進行相似內容的推薦。

2)基于協同過濾推薦算法。基于協同過濾推薦算法是系統通過客戶的貸款行為或瀏覽記錄等隱式動態信息明確客戶的喜好程度，并根據這一喜好程度對目標客戶進行推薦。

3)基于關聯規則推薦算法。基于關聯規則推薦是以關聯規則為基礎，將貸款產品作為規則頭、申請記錄作為規則體，挖掘不同貸款產品在申請過程中的相關性。

4)基于效用推薦算法。基于效用推薦算法是在對客戶使用貸款產品的效用基礎上進行計算，結果很大程度上依賴系統所采用的效用函數。它能把非產品屬性考慮進去，如企業客戶的可靠性和貸款產品的可得性等。

5)基于知識推薦算法。基于知識推薦算法關注貸款產品符合某一特定客戶的相關知識，因此能解釋需要和推薦的關系。它不是在客戶需要和偏好基礎上進行推薦，而是基于任何支持推理的知識結構，在某種程度上可以看成一種推理技術。

三、推薦應用場景

場景是影響推薦策略的元素，我們可根據業務規則進行有針對性的推薦策略配置，即以客戶行為數據為基礎，對客戶進行“千人千面”的個性化推薦、相關推薦、熱門推薦和焦點圖推薦等，如圖6所示。

圖6　智能推薦應用場景

1.個性化推薦

在App首頁、融資頻道頁、猜你喜歡頁、發現頁等位置，系統根據客戶屬性(行業、規模、社會輿情等)、客戶特征(財務特征等)、客戶行為(貸款產品瀏覽行為、融資資訊瀏覽行為等)，構建企業客戶畫像，為客戶提供個性化的推薦結果，實現內容的“千人千面”。譬如，系統可根據客戶可開具增值發票或誠信納稅，來推薦稅務相關的數字貸。

2.相關推薦

在產品介紹頁、貸款詳情頁或申請結果頁上，系統根據貸款產品額度、利率、期限、借款用途、申請條件等，為客戶推薦相關的貸款產品或權益服務。譬如，系統基于客戶的地理位置，推薦符合貸款業務開辦地區的貸款產品。

3.熱門推薦

在貸款排行頁、我的貸款記錄頁、貸款頻道頁等位置，系統基于貸款瀏覽量、申請點擊量、申請過件率、貸款產品分享數等，推薦客戶感興趣的貸款產品。譬如，系統將與客戶喜好及需求匹配的貸款產品打上火爆標識并進行熱門推薦。

4.焦點圖推薦

在App首頁圖片輪播、融資頻道頁廣告櫥窗、申請結果權益模塊等位置，系統進行焦點圖廣告位推薦，讓貸款產品獲得更多展現機會和點擊率。譬如，系統在首頁輪播Banner中通過圖片和文案的形式推薦一個火爆的貸款單品。

5.PUSH推薦

在啟動彈屏、退出彈屏、消息推送、插入彈屏等場合，系統將合適的內容在合適的時間、合適的場景下，以圖片、文字、表情、提示音等形式推薦給合適的客戶。譬如，系統對客戶與貸款協同過濾，將貸款的申請進度、還款提醒等內容推送至客戶的手機界面，從而建立個性化推薦離線效果。

以信息流推薦系統的事件營銷為例，我們給金融相關視頻打上貸款、供應鏈、汽融、票據、保險、理財等標簽，通過標簽系統將視頻推薦給平臺用戶。用戶對貸款視頻點擊“有用”后，系統將用戶行為屬性標簽化，把客戶的手機號、企業名稱、經營地址、標簽、視頻標題、視頻內容、設備定位等信息以接口形式推送給營銷中心。營銷中心基于產品標簽庫自動識別用戶關鍵詞。當其與用戶的貸款意愿相關時，推薦機制將被觸發，系統會給用戶推薦貸款產品，從而達成產品營銷的目的。

四、數據指標分析

對推薦的產品數據進行指標分析，是值得產品經理關注的。指標分析在一定程度上能揭示客戶的復投情況、使用路徑和行為記錄，從而讓企業依據數據優化推薦策略，為貸款產品找到改進方向。

譬如利用事件分析模型，企業分析點擊智能匹配的PV、UV等業務數據，然后優化推薦系統，為客戶推薦最合適的貸款產品，根本目的是提升智能匹配點擊率和貸款申請轉化率。

金融行業的智能推薦引擎如圖7所示。我們可根據大數據平臺對客戶畫像進行指標分析，基于數據指標分析去優化推薦流程，調整推薦策略。通過支持多模型、多策略的參數配置，我們可對智能匹配推薦引擎進行深度優化，從而洞察客戶需求，改善客戶的操作體驗，提升貸款產品的關注度。

圖7 金融行業的智能推薦引擎

個性化推薦逐漸成為金融平臺提升貸款申請率與復貸率的動力引擎。很多基于C2B模式做數字融資的企業，在貸款超市的大量貸款產品中，根據不同貸款產品的特征，通過智能推薦引擎，對業務數據進行指標分析，提供個性化的內容運營和規則設置等優化方案，從而有效提升貸款產品的點擊率，改善客戶體驗，提升產品黏度。