<mark id="oztn4"></mark>
0
| 本文作者： 楊麗 | 2020-04-29 12:42 |
啤酒和尿布，為什么會(huì)同時(shí)出現(xiàn)在一個(gè)購(gòu)物筐里？
20世紀(jì)80年代，有位超市人員發(fā)現(xiàn)很多人會(huì)同時(shí)購(gòu)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(dāng)然，丈夫買尿布的同時(shí)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(gè)故事被譽(yù)為市場(chǎng)營(yíng)銷學(xué)的一個(gè)經(jīng)典案例，也告訴我們數(shù)據(jù)背后所蘊(yùn)含著很多不那么顯而易見的規(guī)律。
于是，找出“購(gòu)買A商品的用戶都在購(gòu)買B商品”這種規(guī)律，并在用戶瀏覽A商品時(shí)直接為其展示B商品，放在任何一個(gè)提供個(gè)性化推薦系統(tǒng)團(tuán)隊(duì)這里，便成了其核心目標(biāo)。
從“千人一面”到“千人千面”
即便是在手機(jī)銀行廣泛應(yīng)用的當(dāng)下，銀行APP們對(duì)用戶需求的探索絲毫沒有懈怠。
這個(gè)判斷背后的一個(gè)依據(jù)是：全國(guó)18家頭部商業(yè)銀行就已經(jīng)開發(fā)了超過170款A(yù)PP。不過從目前來看，銀行開發(fā)了如此眾多的APP，卻并不能長(zhǎng)期占用用戶在移動(dòng)端的停留時(shí)間。
在廣發(fā)卡發(fā)現(xiàn)精彩APP負(fù)責(zé)人朱小凡看來，“銀行APP屬于基礎(chǔ)類財(cái)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(chǎng)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(shí)長(zhǎng)。”
相比過去，銀行只負(fù)責(zé)發(fā)卡、信貸、理財(cái)?shù)燃兘鹑趫?chǎng)景的服務(wù)，針對(duì)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(gè)性化體驗(yàn)，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(jì)上。例如，運(yùn)營(yíng)人員會(huì)依靠業(yè)務(wù)知識(shí)進(jìn)行手工配置，如根據(jù)商品的點(diǎn)擊、轉(zhuǎn)化、訂單數(shù)據(jù)等進(jìn)行手動(dòng)排序。當(dāng)商品單元較少時(shí)，人工運(yùn)營(yíng)不算繁重，但隨著平臺(tái)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(dòng)互聯(lián)網(wǎng)浪潮的帶動(dòng)下，移動(dòng)端的用戶、消費(fèi)習(xí)慣、場(chǎng)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(shí)迎合用戶需求的變化。這時(shí)候，基于用戶行為、搜索數(shù)據(jù)、商品屬性等特征提供的個(gè)性化推薦得到了銀行APP的歡迎。
據(jù)了解，國(guó)內(nèi)眾多銀行APP上應(yīng)用了個(gè)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(shí)際上也在不斷摸索中。
作為發(fā)行國(guó)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(shí)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(xiàng)目群（A-Artificial Intelligence，B-Big Data，C-Cloud Computing），通過在項(xiàng)目規(guī)劃和實(shí)施實(shí)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(xiàng)目群的重點(diǎn)支撐場(chǎng)景之一，主要致力于應(yīng)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(gè)性化體驗(yàn)，并于2019年11月底升級(jí)上線“發(fā)現(xiàn)精彩4.0”。
如今，該APP平臺(tái)集合了移動(dòng)支付、分期理財(cái)、飯票商城、趣味游戲、內(nèi)容廣場(chǎng)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(diǎn)無法正常營(yíng)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(tuán)隊(duì)是如何從這些數(shù)據(jù)中提煉有價(jià)值的信息同時(shí)，進(jìn)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(gè)性化推薦，在發(fā)現(xiàn)精彩APP上的多個(gè)板塊中應(yīng)用性非常強(qiáng)，目前已在飯票、商城、小發(fā)播報(bào)等場(chǎng)景中驗(yàn)證了其有效性。如今，平臺(tái)上在構(gòu)建的用戶標(biāo)簽維度已經(jīng)高達(dá)3000多個(gè)，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(cè)時(shí)間、綁卡情況、消費(fèi)情況。
2018年12月，發(fā)現(xiàn)精彩APP首款推薦模型——飯票實(shí)時(shí)模型上線。
發(fā)現(xiàn)精彩APP項(xiàng)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(biāo)，多場(chǎng)景多業(yè)務(wù)應(yīng)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(tuán)隊(duì)敲定模型需求，選定飯票作為第一個(gè)試水場(chǎng)景。
“先從飯票這個(gè)場(chǎng)景入手，在于飯票是基于地理位置進(jìn)行推薦的，帶有很強(qiáng)的個(gè)性化推薦屬性。”
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(diǎn)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(diǎn)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(duì)于銀行來講，也是個(gè)新事物，我們也是經(jīng)歷了從0到1的全過程。”
難就難在0這個(gè)上面。在冷啟動(dòng)階段，缺乏對(duì)前臺(tái)業(yè)務(wù)的有效埋點(diǎn)，團(tuán)隊(duì)根本無法追蹤到用戶在使用APP時(shí)的行為。“這也是為什么最初我們先對(duì)數(shù)據(jù)埋點(diǎn)進(jìn)行改造，花了近三個(gè)月時(shí)間養(yǎng)數(shù)據(jù)。”
當(dāng)時(shí)除了風(fēng)險(xiǎn)部門，廣發(fā)信用卡中心還沒有實(shí)時(shí)的建模團(tuán)隊(duì)，需要依賴第三方公司。但與第三方建模團(tuán)隊(duì)合作，就需要對(duì)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(gè)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(diǎn)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(duì)物品進(jìn)行排序，然后擇優(yōu)推薦。”
給用戶做出推薦響應(yīng)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(diǎn)擊率預(yù)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(yè)-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(gè)性化推薦頁(yè)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(jià)值
然而，用戶搜索的方式非常多樣，搜索場(chǎng)景也非常細(xì)分和豐富，并且對(duì)接業(yè)務(wù)種類多，流量差異大，單單在商城和飯票這兩個(gè)入口上就有著比較多的差異點(diǎn)。為了解決這些挑戰(zhàn)，近些年項(xiàng)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(tuán)隊(duì)也嘗試了自建模型，兩種方式相輔相成。“自建模型可以加深我們對(duì)技術(shù)的理解，加強(qiáng)自身的技術(shù)沉淀，這讓我們對(duì)自己的模型有更多可控性。”
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(yè)看了又看、商城首頁(yè)猜你喜歡兩個(gè)個(gè)位置上。該款推薦模型實(shí)用、高效，適用性強(qiáng)，可以在多個(gè)場(chǎng)景復(fù)用。據(jù)統(tǒng)計(jì)，該模型推薦較人工推薦有15%的點(diǎn)擊率提升。
嘗到“甜頭”的項(xiàng)目組開始意識(shí)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(duì)APP上的推薦架構(gòu)進(jìn)行持續(xù)、整體性的升級(jí)。
究竟該如何做呢？
兵馬未動(dòng)，糧草先行。發(fā)現(xiàn)精彩APP項(xiàng)目組其實(shí)早有籌謀。
早在2018年6月，飯票、商城推薦模型上線之前，項(xiàng)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(cái)、生活增值、星級(jí)功能、無卡付、商旅、保險(xiǎn)等核心業(yè)務(wù)場(chǎng)景。
彭建丹指出，“分群”其實(shí)也是一種規(guī)則性“千人千面”手段，即對(duì)不同類型的用戶進(jìn)行分群，其使用界面推薦的內(nèi)容會(huì)有所區(qū)別。目前主要依據(jù)兩個(gè)維度：一是用戶屬性，如是否為他行卡用戶、持卡等級(jí)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(shí)是由‘分群’演進(jìn)而來，以構(gòu)建用戶畫像，產(chǎn)品畫像為依托，可以說，一個(gè)用戶就是一個(gè)群。”
在此期間，團(tuán)隊(duì)還推動(dòng)了數(shù)據(jù)從每天更新到分鐘級(jí)更新，并對(duì)廣發(fā)卡飯票、商城、分期、保險(xiǎn)等不同業(yè)務(wù)場(chǎng)景中積累的數(shù)據(jù)進(jìn)行整合，加強(qiáng)對(duì)數(shù)據(jù)時(shí)效性和豐富性上的改造。
從用戶角度來講，訓(xùn)練好的規(guī)則機(jī)制可根據(jù)這些數(shù)據(jù)，充分理解每個(gè)用戶的商品/消費(fèi)需求，更快更精準(zhǔn)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(zhǔn)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(gòu)買轉(zhuǎn)化率略高于人工推薦。“目前，飯票全部用戶月度人均消費(fèi)金額為100元左右。由于效果達(dá)到了預(yù)期，我們接下來會(huì)把推薦的三個(gè)結(jié)果擴(kuò)展到推薦整個(gè)飯票列表，擴(kuò)大服務(wù)范圍。”
而對(duì)平臺(tái)上入駐的商家來講，則能夠?qū)γ總€(gè)商品維護(hù)詳情頁(yè)的推薦進(jìn)行精準(zhǔn)化配置。
某商家向發(fā)現(xiàn)精彩APP團(tuán)隊(duì)反饋，“以前給每個(gè)商品維護(hù)詳情頁(yè)內(nèi)的推薦，在上架商品較多的情況下是個(gè)累活。我們一般只給重點(diǎn)商品配置看了又看的關(guān)聯(lián)推薦，因?yàn)槿耸植粔颉，F(xiàn)在有了推薦模型，在減少機(jī)械式人力成本的同時(shí)，算法比我們還懂得用戶，現(xiàn)在詳情頁(yè)內(nèi)的流量關(guān)聯(lián)流量有了60%以上的增長(zhǎng)。”
可以看到，基于對(duì)“推薦”功能的長(zhǎng)期打磨和理解，以及對(duì)平臺(tái)各個(gè)場(chǎng)景中數(shù)據(jù)的改造，除了讓APP上各項(xiàng)用戶點(diǎn)擊量有大幅提升外，更重要的是，廣發(fā)銀行信用卡中心對(duì)用戶價(jià)值的洞察，從群體逐步轉(zhuǎn)變了為對(duì)個(gè)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(dòng)及國(guó)家金融強(qiáng)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(jī)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(tái)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(dòng)進(jìn)化到了用戶價(jià)值驅(qū)動(dòng)的金融科技階段。
一直以來，為降低經(jīng)營(yíng)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o(jì)ne卡、搭建個(gè)性化的權(quán)益平臺(tái)等，到如今，發(fā)現(xiàn)精彩APP也在快速迭代升級(jí)中。
在接下來的2020年里，發(fā)現(xiàn)精彩APP 5.0又會(huì)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(dòng)APP智能化，如搜索、推薦、客服等方面的技術(shù)進(jìn)程；二是針對(duì)場(chǎng)景進(jìn)一步升級(jí)。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(gè)場(chǎng)景，但銀行勢(shì)必會(huì)結(jié)合自身的業(yè)務(wù)優(yōu)勢(shì)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(gè)性化推薦基于對(duì)用戶行為的推測(cè)，首先滿足了用戶需求，同時(shí)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(yīng)該只是原來網(wǎng)上銀行或是網(wǎng)點(diǎn)柜面的復(fù)制品，將會(huì)從用戶的視角看產(chǎn)品，把用戶的金融信貸及生活習(xí)慣保留在APP上的同時(shí)，以新的技術(shù)和場(chǎng)景運(yùn)營(yíng)方式重塑這個(gè)平臺(tái)。
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。
