編輯導(dǎo)語(yǔ)：推薦策略當(dāng)下在產(chǎn)品中已經(jīng)十分常見(jiàn)，基于算法與推薦策略，產(chǎn)品推送給用戶其喜愛(ài)的內(nèi)容，進(jìn)而吸引用戶注意，提升了用戶粘性。這種方式有助于形成正向傳播。而銀行若想擺脫以往的低效營(yíng)銷方式，也許可以應(yīng)用推薦策略，拉動(dòng)增長(zhǎng)。本篇文章里，作者就推薦策略在銀行產(chǎn)品中的應(yīng)用做了總結(jié)，一起來(lái)看一下。

一、前言

銀行對(duì)于我們而言都已經(jīng)非常熟悉，從早期遍布“大街小巷”的銀行網(wǎng)點(diǎn)，到后來(lái)Web時(shí)代的網(wǎng)上銀行，再到移動(dòng)互聯(lián)時(shí)代的手機(jī)銀行。銀行也在朝著線下、線上、移動(dòng)化的方向不斷發(fā)展。

近年，隨著云計(jì)算、區(qū)塊鏈、人工智能、物聯(lián)網(wǎng)等技術(shù)的成熟與進(jìn)步，銀行也逐漸開(kāi)始向數(shù)字化、智能化方向發(fā)展。銀行與銀行之間的競(jìng)爭(zhēng)日益激烈。如果銀行還停留在傳統(tǒng)產(chǎn)品設(shè)計(jì)與營(yíng)銷模式，等著客戶自己上門來(lái)使用或購(gòu)買銀行產(chǎn)品，已經(jīng)越來(lái)越變得低效與不可行。

銀行的產(chǎn)品思維必須進(jìn)行變革，由原來(lái)對(duì)于客戶與服務(wù)的被動(dòng)等待變?yōu)橹鲃?dòng)出擊。

早期有銀行采用O2O（Online To Offline）即線上和線下共同進(jìn)行產(chǎn)品聯(lián)動(dòng)的模式。這種模式對(duì)于網(wǎng)點(diǎn)多的大型銀行而言，比較容易實(shí)現(xiàn)，但同樣也造成了運(yùn)營(yíng)成本偏高的問(wèn)題，網(wǎng)點(diǎn)少的小型銀行基本上很難操作。

后來(lái)有些銀行在產(chǎn)品營(yíng)銷上采用了MGM（ Member Get Member）的方式，也就是通過(guò)老客戶來(lái)帶新客戶的模式，雖然取得了一些效果，但是對(duì)于產(chǎn)品后期的持續(xù)發(fā)力難以承接并長(zhǎng)久。

以上兩種常見(jiàn)的銀行產(chǎn)品營(yíng)銷方式，本質(zhì)其實(shí)還是通過(guò)某種激勵(lì)來(lái)吸引客戶而已。如果通過(guò)送禮品或是老帶新的模式，用戶往往是沖著禮品本身或是人情，而不是自已主動(dòng)的，幾次之后，用戶就會(huì)變得麻木且不信任，銀行產(chǎn)品就很難有更好的增長(zhǎng)表現(xiàn)。

有沒(méi)有一種銀行產(chǎn)品營(yíng)銷方式，能讓客戶自發(fā)地來(lái)使用或購(gòu)買，從而形成正向傳播。

從用戶心理學(xué)上分析，用戶主動(dòng)去尋找的總歸好于被動(dòng)接受的，而且也具有較強(qiáng)的可持續(xù)性。

因此，我們需要有一種推薦策略，為客戶提供其真正想到的產(chǎn)品或服務(wù)，投客戶之所好，想客戶之所想，這樣才能增加用戶對(duì)銀行產(chǎn)品的好感，才能產(chǎn)生信任，最終提升銀行產(chǎn)品業(yè)績(jī)。

二、什么是推薦策略

早在線下場(chǎng)景中，某全球大型知名零售連鎖企業(yè)管理人員分析銷售數(shù)據(jù)時(shí)發(fā)現(xiàn)在某些特定的情況下，“啤酒”與“尿布”兩件看上去毫無(wú)關(guān)系的商品會(huì)經(jīng)常出現(xiàn)在同一個(gè)購(gòu)物籃中，超市根據(jù)這一現(xiàn)象，調(diào)整了線下貨品陳列的布局，進(jìn)而提升銷售額。

這個(gè)案例已經(jīng)被稱為數(shù)據(jù)分析的經(jīng)典案例?？陀^地說(shuō)，其實(shí)這也是一種“推薦策略”。我們現(xiàn)在去超市仔細(xì)觀察超市的貨品陳列，也會(huì)發(fā)現(xiàn)其中的某些隱藏的關(guān)聯(lián)。

移動(dòng)互聯(lián)網(wǎng)時(shí)代，大家使用手機(jī)App瀏覽某些商品，相信大家也會(huì)發(fā)現(xiàn)，你搜索或?yàn)g覽的某個(gè)商品或是某類商品也會(huì)持續(xù)地出現(xiàn)在App的推薦中。

其實(shí)這種推薦策略站在消費(fèi)者的角度，也不確定是否真的有效。因?yàn)槲易鳛橐粋€(gè)消費(fèi)者，我已經(jīng)買了啤酒，你再推薦給我其他的啤酒商品，我購(gòu)買的可能性應(yīng)該很低，如果能推薦給我開(kāi)瓶器或是啤酒酒杯或許更好些。

另外我們?cè)谑褂靡曨l類App時(shí)，你會(huì)發(fā)現(xiàn)經(jīng)常觀看的某類視頻，當(dāng)你下次再打開(kāi)App時(shí)，基本會(huì)給你推薦適合你口味的，結(jié)果就是你越看越覺(jué)得有趣，而系統(tǒng)獲得的你觀看數(shù)據(jù)越多，推薦給你喜歡的內(nèi)容就越精準(zhǔn)，形成一種正向激勵(lì)，最終你就沉迷于觀看視頻了，覺(jué)得時(shí)間過(guò)得很快。

對(duì)于視頻應(yīng)用的產(chǎn)品而言，用戶每天就24小時(shí)，哪個(gè)應(yīng)用占用的用戶時(shí)間多，那基本哪個(gè)應(yīng)用獲得的流量和收益就高。

相信大家對(duì)推薦策略是什么，已經(jīng)有了直觀的了解。簡(jiǎn)而言之，推薦策略就是要投用戶所好，為用戶提供他們想要的產(chǎn)品或服務(wù)。

其實(shí)最終目的很簡(jiǎn)單，就是提升客戶的滿意度，增加用戶粘性，用戶用的好才會(huì)有留存，才會(huì)去再次傳播，天時(shí)、地利、人和都具備了，產(chǎn)品的業(yè)績(jī)提升就會(huì)變得水到渠成。

三、銀行產(chǎn)品中推薦策略的三大要素

銀行產(chǎn)品和電商產(chǎn)品差別很大，而且場(chǎng)景上也不如電商類產(chǎn)品多。很顯然，用戶在電商類App上購(gòu)買了某個(gè)品牌的雪糕，可以推薦出一大堆其他品牌的雪糕，買了某個(gè)品牌的啤酒，可以推薦出一大堆其他品牌的啤酒。電商產(chǎn)品種類非常豐富，數(shù)據(jù)量龐大，可推薦的內(nèi)容比較廣泛。

銀行產(chǎn)品不一樣，銀行產(chǎn)品有著較強(qiáng)的針對(duì)性以及有一定的購(gòu)買限制。

以理財(cái)產(chǎn)品為例，一些高風(fēng)險(xiǎn)的理財(cái)產(chǎn)品，只有用戶風(fēng)險(xiǎn)評(píng)級(jí)達(dá)到R5級(jí)（激進(jìn)型） 才可以購(gòu)買。這就要求銀行產(chǎn)品在使用推薦策略時(shí)，在給用戶推薦產(chǎn)品的同時(shí)，還需要考慮用戶的購(gòu)買資格。如果推薦的某個(gè)產(chǎn)品，用戶又沒(méi)資格購(gòu)買，這樣的推薦策略就是失敗的，反而給用戶留下的印象很差。

推薦策略主要是達(dá)到人、物、場(chǎng)的最優(yōu)匹配：

• 人——消費(fèi)者，也是銀行的客戶或是銀行移動(dòng)App的用戶。
• 貨——生產(chǎn)者，也就是銀行提供的各種產(chǎn)品和服務(wù)，銀行的主營(yíng)業(yè)務(wù)主要就是存、貸、匯、付。
• 場(chǎng)——發(fā)生交易的場(chǎng)所或場(chǎng)景，可以是銀行實(shí)體網(wǎng)點(diǎn)、也可以是虛擬的線上Web或是移動(dòng)App。

實(shí)體網(wǎng)點(diǎn)的用戶產(chǎn)品推薦，一般都由理財(cái)經(jīng)理完成，對(duì)于本文而言，交易場(chǎng)所我們默認(rèn)為是銀行自研的移動(dòng)App。

首先我們來(lái)聊聊“人”，也就是用戶。對(duì)于推薦策略而言，我們首先要對(duì)用戶進(jìn)行畫像。在銀行風(fēng)控中，經(jīng)常提到KYC（Know Your Customer）這個(gè)詞。同樣，我們既然要為用戶推薦其喜歡的產(chǎn)品，我們也要KYC。對(duì)于銀行用戶畫像，一般有以下幾個(gè)維度。

有了用戶畫像之后， 我們就可以根據(jù)用戶畫像的結(jié)果，對(duì)用戶進(jìn)行分類，建立相應(yīng)的客群?？腿旱念w粒度可以隨著推薦策略進(jìn)行調(diào)整。在客群范圍內(nèi)，再做到不同用戶的千人千面，可以提升推薦效率，降低推薦的維護(hù)成本。

接下來(lái)再聊聊“貨”的因素。這里的“貨”，主要是銀行代銷或是直銷的理財(cái)產(chǎn)品或是信貸產(chǎn)品，當(dāng)然除此之外，現(xiàn)在很多銀行App都有自己的商城，為用戶提供商品購(gòu)買或是積分兌換商品的服務(wù)。

對(duì)于推薦策略而言，除了對(duì)用戶畫像外，對(duì)于“貨”而言，我們還要進(jìn)行產(chǎn)品畫像。對(duì)于銀行產(chǎn)品，我們做一些簡(jiǎn)單的劃分，如下圖所示。

由于銀行用戶畫像以及產(chǎn)品畫像的細(xì)節(jié)內(nèi)容非常多，我們這里僅展示些主要內(nèi)容，用于做實(shí)際案例講解。實(shí)際工作中，銀行用戶畫像和產(chǎn)品畫像的整個(gè)體系是非常復(fù)雜的。

人和貨都有了，我們接下來(lái)聊銀行產(chǎn)品中的“場(chǎng)”。

如果我們通過(guò)數(shù)字化的管理，實(shí)現(xiàn)線上線下協(xié)同來(lái)實(shí)現(xiàn)智能化推薦，“場(chǎng)”所包含的信息就更為全面。今天我們本文中所定義的推薦策略應(yīng)用的場(chǎng)景，主要是用戶在銀行的App中進(jìn)行的相關(guān)活動(dòng)。

上圖中為大家列了一些用戶在銀行App中主要的一些場(chǎng)景，當(dāng)然每家銀行的App還有每家銀行的特色功能，在此就不逐一列舉了。

接下來(lái)我們主要解決的是，我們?nèi)绾瓮ㄟ^(guò)用戶在App中操作的這些場(chǎng)景來(lái)向戶推薦滿足其需求的產(chǎn)品。

四、如何在銀行產(chǎn)品中使用推薦策略

首先我們簡(jiǎn)要為大家介紹一下推薦策略相關(guān)的核心概念。如下圖所示。

接下來(lái)再為大家總體介紹一下銀行產(chǎn)品推薦策略的實(shí)現(xiàn)流程，能使大家對(duì)如何在銀行產(chǎn)品中推薦策略的使用，有一個(gè)直觀的認(rèn)識(shí)。

實(shí)現(xiàn)產(chǎn)品推薦功能的方式有很多，由于某些銀行產(chǎn)品有約束條件限制，因此我們對(duì)銀行產(chǎn)品（內(nèi)容）進(jìn)行畫像是非常有必要的。推薦策略就是將用戶畫像和內(nèi)容畫像進(jìn)行最優(yōu)匹配，這樣的框架好處就是結(jié)構(gòu)化的設(shè)計(jì)，以及較高較為準(zhǔn)確的推薦效率。

正如文中之前所提到的，銀行產(chǎn)品和其他電商類產(chǎn)品不一樣，在電商產(chǎn)品中，用戶購(gòu)買了產(chǎn)品A，向用戶推薦產(chǎn)品B，推薦對(duì)錯(cuò)其實(shí)對(duì)用戶體驗(yàn)影響不大，但在銀行產(chǎn)品中，你為用戶推薦了一個(gè)其不具備購(gòu)買資格的金融產(chǎn)品，用戶點(diǎn)擊了，卻不能購(gòu)買，這會(huì)給用戶帶來(lái)非常差的產(chǎn)品體驗(yàn)。

如何在銀行產(chǎn)品中使用推薦策略？這就涉及到了推薦算法的選型。

目前的推薦算法一般分為：協(xié)同過(guò)濾推薦算法、基于內(nèi)容推薦算法、混合推薦算法、基于規(guī)則的推薦以及流行度推薦算法。本文的銀行產(chǎn)品推薦策略，主要通過(guò)協(xié)同過(guò)濾推薦算法實(shí)現(xiàn)。

協(xié)同過(guò)濾推薦算法，主要分為四種類型：

1. 第1種：基于用戶（user-based）的協(xié)同過(guò)濾。
2. 第2種：基于產(chǎn)品（product-based）的協(xié)同過(guò)濾。
3. 第3種：基于項(xiàng)目（item-based）的協(xié)同過(guò)濾。
4. 第4種：基于模型（model based）的協(xié)同過(guò)濾。

每一種協(xié)同過(guò)濾推薦算法又有很多實(shí)現(xiàn)細(xì)節(jié)，在此由于篇幅有限，就不全部展開(kāi)講解了。

本文中的銀行產(chǎn)品推薦算法，我們主要使用基于產(chǎn)品（product-based）的協(xié)同過(guò)濾。

基于產(chǎn)品的協(xié)同過(guò)濾主要實(shí)現(xiàn)思路是根據(jù)用戶行為和用戶畫像，為用戶推薦同用戶歷史相似的且滿足其購(gòu)買條件的銀行產(chǎn)品。

例如，用戶在銀行App中購(gòu)買理財(cái)產(chǎn)品，如果用戶之前購(gòu)買了某款理財(cái)產(chǎn)品，我們可以根據(jù)之前用戶購(gòu)買的理財(cái)產(chǎn)品的相關(guān)屬性，為用戶推薦同用戶之前所購(gòu)買產(chǎn)品的相似產(chǎn)品?？墒褂萌缦戮仃囘M(jìn)行計(jì)算。

實(shí)際銀行產(chǎn)品維度有很多，我們只需要計(jì)算用戶之前購(gòu)買或是瀏覽的銀行理財(cái)產(chǎn)品和其他理財(cái)產(chǎn)品各維度之間的相似度即可，找出相似度評(píng)分最高的幾個(gè)銀行理財(cái)產(chǎn)品，即可完成召回。實(shí)現(xiàn)邏輯如下圖所示。

五、推薦策略在銀行產(chǎn)品的呈現(xiàn)方式

推薦策略完成了向用戶推薦內(nèi)容的計(jì)算，最后一步就是向用戶呈現(xiàn)推薦結(jié)果。通常推薦結(jié)果的呈現(xiàn)方式如下圖所示。

在銀行App中，我們可以根據(jù)用戶操作習(xí)慣和使用場(chǎng)景的不同，采取以上的某種推薦呈現(xiàn)形式。

例如，用戶在搜索某個(gè)理財(cái)產(chǎn)品時(shí)，我們可以在搜索結(jié)果中向用戶推薦其喜歡的理財(cái)產(chǎn)品。在用戶搜索結(jié)果為空時(shí)，這樣的推薦極為重要，因?yàn)橛脩羲阉魅绻强帐侄鴼w時(shí)，用戶往往會(huì)感覺(jué)到失落，覺(jué)得App中的內(nèi)容太少。如果在沒(méi)有搜索結(jié)果的情況下，為用戶推薦近似的內(nèi)容，用戶往往會(huì)有一種被關(guān)懷的感覺(jué)。

另外，當(dāng)用戶在瀏覽某些理財(cái)產(chǎn)品時(shí)，往往在拿不定主意的時(shí)候，銀行App可以為用戶推薦最適合用戶的產(chǎn)品，用戶往往就會(huì)很快進(jìn)行下單，促進(jìn)交易的達(dá)成。

推薦策略最終的呈現(xiàn)方式，在構(gòu)建銀行App時(shí)，可以進(jìn)行相應(yīng)呈現(xiàn)位置的預(yù)留，這樣在滿足用戶需求的同時(shí)，我們也可以根據(jù)埋點(diǎn)進(jìn)行數(shù)據(jù)追蹤以及最后的轉(zhuǎn)化率分析，便于更好的對(duì)推薦策略進(jìn)行調(diào)優(yōu)。

六、總結(jié)

本文主要以銀行推薦產(chǎn)品中的“人、貨、場(chǎng)”三大要素為核心，來(lái)進(jìn)行推薦策略的構(gòu)建。并選取協(xié)同過(guò)濾作為推薦策略算法選型，最終使用合適的方式向用戶呈現(xiàn)推薦結(jié)果。

“一千個(gè)讀者，就有一千個(gè)哈姆雷特”，推薦策略也是如此。不同的產(chǎn)品應(yīng)用場(chǎng)景，不同的產(chǎn)品風(fēng)格，不同的產(chǎn)品用戶，推薦策略的構(gòu)建是不同的。

實(shí)際工作中，銀行產(chǎn)品的推薦策略是各種模型與規(guī)則的集合，是一個(gè)非常龐大的系統(tǒng)。毫不夸張地說(shuō)，如果能把整個(gè)銀行產(chǎn)品的推薦體系自頂向下或是自下而上設(shè)計(jì)出來(lái)，已經(jīng)達(dá)到了博士級(jí)別的水平。如果設(shè)計(jì)的推薦系統(tǒng)的各項(xiàng)指標(biāo)能業(yè)界領(lǐng)先，那的確已經(jīng)是行業(yè)專家級(jí)的人物。

而本文所涉及的，也只能是推薦策略在銀行產(chǎn)品中應(yīng)用的非常小的一個(gè)知識(shí)點(diǎn)而已，也涉及了非?；A(chǔ)的理論知識(shí)和算法。

即使是如此，本文也希望通過(guò)梳理，能將推薦策略的基本流程和邏輯向大家進(jìn)行呈現(xiàn)。

總結(jié)下來(lái)，推薦策略在銀行產(chǎn)品中的應(yīng)用就是知已知彼，投用戶之所好，選對(duì)的方向，走對(duì)的路。

最后希望本文能為大家?guī)?lái)幫助。歡迎大家進(jìn)行交流討論。感謝大家閱讀！

#專欄作家#

王佳亮，微信公眾號(hào)：佳佳原創(chuàng)，人人都是產(chǎn)品經(jīng)理專欄作家。中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）會(huì)員，專注于互聯(lián)網(wǎng)產(chǎn)品、金融產(chǎn)品、人工智能產(chǎn)品設(shè)計(jì)理念分享。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來(lái)自Unsplash，基于CC0協(xié)議。