51信用卡的個性化推薦體系

2021-09-17 06:04:25 字數 2547 閱讀 3721

人工智慧是當下金融產業轉型的重要助力,本文主要介紹51信用卡管家在這方面如何搭建模型體系,如何發掘資料價值,如何成立自己私有的掃碼平台或個性化體系。

(1) 隨著業務不斷擴張,如何有效識別使用者差異化需求?由於我們的流量平台主要來自於廣告投放,不同廣告商帶來使用者的體制、分類等不同,辦卡類、理財等帶來的客戶各有差異。

(2) 新使用者成本高,怎樣第一時間做精準分發?金融類使用者相比電商類來說成本高很多,由於價值高所以要更加珍惜。

(3) push等渠道轉化率低,如何提公升?由於客戶開啟頻率低的特點,push是重要的手段。

(3) 如何體系化幫助渠道有效增長?在廣告投放時,如果反向的使用者價值觀念比較大,比如roi特別高的情況下,那麼渠道投放信心也是倍增的,對於廣告平台的也非常有價值。渠道有效增長對站內和站外影響都比較大。

舉例說明基於賬單構建使用者標籤。假如今天在楊國福麻辣燙消費了一筆賬單,賬單裡面可能會形成「支付寶消費—楊國福麻辣燙—**金額」等沒有語法結構的短文本,我們需要挖掘有用資訊,經過很長時間的探索,我們發現這些短文本基本都有乙個核心短語,將這些核心短語分類列出來對我們幫助非常大。下圖是我們設計的分詞系統,大概有三層體系,第乙個是主向量化,有字級別向量以及詞級別向量化,詞向量化也需要很多演算法;再往上一層是合併規則,如果名詞之間相關性比較大時合併起來就是短語,此外我們也有自有詞庫;再往下一層就是概率圖推理模型,簡單介紹一下這層的作用,對於賬單來說有幾大問題,假如有一筆套現賬單,這種賬單在這情況下意義不大,但對於判斷風險評估來說比較有用,比如判斷使用者偏好,這樣的賬單記錄會影響系統分詞效果。再比如有一筆信貸業務的賬單,我們要判斷使用者是否具有還款或負債能力,此時具有欺詐性質的假賬單影響比較大,需要篩選出來。總體原則是避免有問題賬單進入系統而影響結果。

增長的案例1:新手專區個性化ab。51管家最大的功能點就是管理賬單,如下圖所示針對多種型別新使用者(導單、還款、理財、辦卡貸款、徵信)實現t+0(實時毫秒級)個性化新手專區ab測試新手專區轉化率較預設業務排序提公升7-14%。

第2個案例就是前面提到的51管家重推送(push),首先簡單說明push優化五個關鍵問題: 合適的時間、以合適的文案、給合適的人、推送合適的內容、疲勞度控制。什麼是合適的時間,建立推送時間優化ab迭代機制,這個主要依靠運營或產品腦洞,沒有特別好的方法,每個產品有個合適的時間。如下圖所示,我們的思路是看平均活躍時間、最活躍時間、最活躍時間提前1小時以及活躍次數90分位數的最早時間等,這樣就可以劃分活動分布。

理財文案比較多,我們通過mab演算法來選擇最佳文案,簡單介紹一下我們如何應用的?mab是乙個演算法模型,我們採用ucb演算法(置信區間上界)來計算每乙個文案下收益,置信區間上下限寬度需要注意一下,如果置信區間上下限很寬的話是存在風險的,由於實驗不夠可能每次都定位同乙個位置,這個時候如何校驗需要一定的拆分實驗功底。

如何通過資料驅動設計疲勞度控制?通過**加分檔方式進行調整。這裡開啟率預估是push裡面最基礎的模型,需要持續迭代優化,通過mvp(minimum viable produc)最小化產品可行來驅動,預估分檔為規則(最近n天開啟push)-lr模型(純開啟率)-融合(轉化率)+校準(calibration),有些情況下開啟次數頻繁,此時需要進行一定限制。

下圖所示,基於push渠道精細化運營的結果。針對6種細分人群做差異化運營策略跟蹤乙個月時間,最終ab實驗,六個人群較未提供策略都有比較顯著的roi淨值提公升。

作者介紹:

陳兵強, 現擔任51信用卡管家資深演算法專家,曾擔任美國nanjee公司演算法研發總監、國內領先大資料公司的id-graph團隊負責人,長期從事金融領域的ml、dl等相關演算法研究和落地解決方案。

51信用卡的個性化推薦體系

人工智慧是當下金融產業轉型的重要助力,本文主要介紹51信用卡管家在這方面如何搭建模型體系,如何發掘資料價值,如何成立自己私有的掃碼平台或個性化體系。1 隨著業務不斷擴張,如何有效識別使用者差異化需求?由於我們的流量平台主要來自於廣告投放,不同廣告商帶來使用者的體制 分類等不同,辦卡類 理財等帶來的客...

個性化推薦的幾條思路

關於個性化推薦的方法,這裡大致總結一下。基於使用者 根據使用者的相似性,給特定使用者推薦與他相似的使用者所購買的商品 基於商品 根據商品的相似性,給購買特定商品的使用者推薦與之相似的商品。參考鏈結1 關聯演算法 knn裡最常用來度量 相似性 的是相關係數,關聯演算法實際上是另一種可以用來度量 相似性...

基於內容和使用者畫像的個性化推薦

目前比較流行的個性化推薦演算法有以下幾種 本文所講述的基於內容和使用者畫像的個性化推薦屬於第一種。對於此種推薦,有兩個實體 內容和使用者,因此需要有乙個聯絡這兩者的東西,即為標籤。內容轉換為標籤即為內容特徵化,使用者則稱為使用者特徵化。對於此種推薦,主要分為以下幾個關鍵部分 綜合上面講述的各個部分即...