指尖上的发现精彩APP 读懂你的个性化 由便利而生 (指尖上的omaga)

啤酒和尿布，为什么会同时出现在一个购物筐里？

20世纪80年代，有位超市人员发现很多人会同时购买啤酒和尿布，后来分析原因得知，原来是女性需要在家照顾孩子，就让丈夫去买尿布。当然，丈夫买尿布的同时不忘给自己买瓶啤酒。随后，超市人员将啤酒和尿布摆放在了同一货架上，这两种商品的销售量都明显上升。

这个故事被誉为市场营销学的一个经典案例，也告诉我们数据背后所蕴含着很多不那么显而易见的规律。

于是，找出“购买A商品的用户都在购买B商品”这种规律，并在用户浏览A商品时直接为其展示B商品，放在任何一个提供个性化推荐系统团队这里，便成了其核心目标。

从“千人一面”到“千人千面”

即便是在手机银行广泛应用的当下，银行APP们对用户需求的探索丝毫没有懈怠。

这个判断背后的一个依据是：全国18家头部商业银行就已经开发了超过170款APP。不过从目前来看，银行开发了如此众多的APP，却并不能长期占用用户在移动端的停留时间。

在广发卡发现精彩APP负责人朱小凡看来，“银行APP属于基础类财务工具，如果跟社交、游戏类APP相比，活跃度肯定比不上。但放在同类银行APP里，有没有提前做好用户生活场景的布局，有没有做足够的投入，决定了银行APP上用户的活跃度和使用时长。”

相比过去，银行只负责发卡、信贷、理财等纯金融场景的服务，针对不同客群提供不同的权益，而如今，如果银行还是单纯只做这些，用户根本感受不到个性化体验，更妄论用户黏性和满意度的改善。

而这种“千人一面”的特征同样也反映在早期银行APP的设计上。例如，运营人员会依靠业务知识进行手工配置，如根据商品的点击、转化、订单数据等进行手动排序。当商品单元较少时，人工运营不算繁重，但随着平台上商品的不断入驻，人工推荐的弊端就变得十分明显。

要知道，移动互联网浪潮的带动下，移动端的用户、消费习惯、场景都在发生改变，银行APP的产品逻辑和商业模式需要适时迎合用户需求的变化。这时候，基于用户行为、搜索数据、商品属性等特征提供的个性化推荐得到了银行APP的欢迎。

据了解，国内众多银行APP上应用了个性化推荐算法的并不多，较早的像招商银行“掌上生活”和交通银行的“买单吧”实际上也在不断摸索中。

作为发行国内第一张真正意义信用卡的老牌股份制银行——广发银行，一直走在时代的前沿，不断利用新技术为用户提供更优质的服务。2018年初，广发银行卡中心开始组建ABC项目群（A-Artificial Intelligence，B-Big> 绑住用户从“喜欢”开始

相比于人工推荐，基于算法的个性化推荐，在发现精彩APP上的多个板块中应用性非常强，目前已在饭票、商城、小发播报等场景中验证了其有效性。如今，平台上在构建的用户标签维度已经高达3000多个，如年龄、性别、籍贯、星座等基本资料外，也包括很多用户行为和特征如注册时间、绑卡情况、消费情况。

2018年12月，发现精彩APP首款推荐模型——饭票实时模型上线。

发现精彩APP项目组的产品带头人彭建丹向我们解释， 发现精彩APP一开始就构建了矩阵化的业务推荐模型目标，多场景多业务应用推荐系统，为此在智能化的探索上花了很多的心思。 大概在2017年就开始规划，到2018年初，团队敲定模型需求，选定饭票作为第一个试水场景。

“先从饭票这个场景入手，在于饭票是基于地理位置进行推荐的，带有很强的个性化推荐属性。”

谈起来这段经历，彭建丹颇为感慨，“推荐系统最早起源于1995年，2012年头条系的产品重点使用推荐系统构建信息流推荐，但推荐系统并不是一开始就在所有互联网公司的APP全面开花的。即使像阿里、腾讯等互联网公司的一些重点APP，大力构建推荐系统也是从2017年开始的。也就是说，在2018年，推荐系统对于银行来讲，也是个新事物，我们也是经历了从0到1的全过程。”

难就难在0这个上面。在冷启动阶段，缺乏对前台业务的有效埋点，团队根本无法追踪到用户在使用APP时的行为。“这也是为什么最初我们先对数据埋点进行改造，花了近三个月时间养数据。”

当时除了风险部门，广发信用卡中心还没有实时的建模团队，需要依赖第三方公司。但与第三方建模团队合作，就需要对不同银行的业务单元熟悉磨合。饭票推荐模型作为第一个试水模型，上线后不断打磨，逐步优化推荐策略，才最终调整为现在的点击率。

彭建丹向我们展示了模型推荐的全流程，“本质上讲，推荐的过程，就是根据不同的用户偏好，对物品进行排序，然后择优推荐。”

给用户做出推荐响应的过程可分为：召回、初排、精排三步。召回，即从十万以上内容池中快速初筛出候选集；初排，即根据点击率预估给候选集初步排序；精排，即根据需要调整排序。

图注：打开发现精彩APP首页-饭票-推荐位置上，能看到APP根据用户日常行为偏好，将适合的商品优先筛选推荐给用户。

值得一提的是，饭票主要做了协同过滤召回和基于地理位置的召回，也就是说，我们现在能看到的饭票个性化推荐页面，主要是基于用户行为轨迹及商品地理位置的推荐。

重新定义客户价值

然而，用户搜索的方式非常多样，搜索场景也非常细分和丰富，并且对接业务种类多，流量差异大，单单在商城和饭票这两个入口上就有着比较多的差异点。为了解决这些挑战，近些年项目组与其他部门及合作伙伴也在不断磨合。

彭建丹还指出，除了与第三方共建模型，团队也尝试了自建模型，两种方式相辅相成。“自建模型可以加深我们对技术的理解，加强自身的技术沉淀，这让我们对自己的模型有更多可控性。”

尝到“甜头”的项目组开始意识到，将APP上现有业务数据化、关键业务数据要素建模只是治了表象，更重要的是对APP上的推荐架构进行持续、整体性的升级。

究竟该如何做呢？

兵马未动，粮草先行。发现精彩APP项目组其实早有筹谋。

早在2018年6月，饭票、商城推荐模型上线之前，项目组就尝试构建了“分群”功能，如今基本覆盖了APP上还款、分期、商城、饭票、理财、生活增值、星级功能、无卡付、商旅、保险等核心业务场景。

彭建丹指出，“分群”其实也是一种规则性“千人千面”手段，即对不同类型的用户进行分群，其使用界面推荐的内容会有所区别。目前主要依据两个维度：一是用户属性，如是否为他行卡用户、持卡等级等；二是用户行为，如是否有分期需要等。

“后来出现的推荐模式其实是由‘分群’演进而来，以构建用户画像，产品画像为依托，可以说，一个用户就是一个群。”

在此期间，团队还推动了数据从每天更新到分钟级更新，并对广发卡饭票、商城、分期、保险等不同业务场景中积累的数据进行整合，加强对数据时效性和丰富性上的改造。

从用户角度来讲，训练好的规则机制可根据这些数据，充分理解每个用户的商品/消费需求，更快更精准地推荐给用户。

以饭票推荐为例，饭票推荐的商户比人工规则推荐的更加准确。首先，模型推荐较人工推荐在CTR上有40%的提升；其次，模型推荐的购买转化率略高于人工推荐。“目前，饭票全部用户月度人均消费金额为100元左右。由于效果达到了预期，我们接下来会把推荐的三个结果扩展到推荐整个饭票列表，扩大服务范围。”

而对平台上入驻的商家来讲，则能够对每个商品维护详情页的推荐进行精准化配置。

某商家向发现精彩APP团队反馈，“以前给每个商品维护详情页内的推荐，在上架商品较多的情况下是个累活。我们一般只给重点商品配置看了又看的关联推荐，因为人手不够。现在有了推荐模型，在减少机械式人力成本的同时，算法比我们还懂得用户，现在详情页内的流量关联流量有了60%以上的增长。”

可以看到，基于对“推荐”功能的长期打磨和理解，以及对平台各个场景中数据的改造，除了让APP上各项用户点击量有大幅提升外，更重要的是，广发银行信用卡中心对用户价值的洞察，从群体逐步转变了为对个体的关注。

还能带来什么？

如今，因受到金融大环境的波动及国家金融强监管政策的影响，银行业正迎来金融科技多元化赋能的机遇期。无论是哪家银行，都已将数字化转型、数据中台如何建设的问题摆在了首要位置，而银行也从传统的业务驱动进化到了用户价值驱动的金融科技阶段。

一直以来，为降低经营成本并提高客户满意度，广发银行信用卡中心做了很多努力和尝试，从最开始发布one卡、搭建个性化的权益平台等，到如今，发现精彩APP也在快速迭代升级中。

在接下来的2020年里，发现精彩APP 5.0又会有怎样的“精彩”等待用户来发现呢？

朱小凡指出了APP两步走的路线：一是继续推动APP智能化，如搜索、推荐、客服等方面的技术进程；二是针对场景进一步升级。每家银行都有着属于自身的业务特征，尽管一款银行APP上可能网罗了各个场景，但银行势必会结合自身的业务优势发力。

正如推荐算法首先在Netflix、Amazon等互联网产品上落地，便很快蔓延开来，个性化推荐基于对用户行为的推测，首先满足了用户需求，同时也让互联网公司找到了客户获取、激发活跃、提高留存的新型商业模式。银行APP也不应该只是原来网上银行或是网点柜面的复制品，将会从用户的视角看产品，把用户的金融信贷及生活习惯保留在APP上的同时，以新的技术和场景运营方式重塑这个平台。

而一切都是刚刚开始。

（雷锋网）

原创文章，未经授权禁止转载。详情见 转载须知 。

上一篇：被低估的巨头野心远程办公被低估的巨头是谁

下一篇：3亿人都在用的钉钉开启新战局3亿人都在用的