推荐系统在银行业的应用现状
由于银行业日益激烈的市场竞争与日渐稀缺的客户资源，越来越多的商业银行意识到，以客户服务为核心理念的时代已经到来。如何提高移动应用的产品体验，进而赢得用户口碑，实现市占率与收益提升，成为商业银行的重要命题。
针对这一命题，推荐系统承担着不可或缺的作用，主要体现在以下两个方面：
其一，面对多样的公众人群，用户所需的产品及服务形式也势必多样，在各大银行的移动应用中，如资讯、理财、生活等板块，无处不是推荐系统在做内容与用户需求的精准对接。其二，由于推荐系统的使用，信息的分发效率与质量得到有效提升，也一定程度上解决了银行应用用户活跃度低的问题。
银行业推荐系统应用痛点
结合达观智能推荐在数十家银行的服务经验，在实际推荐系统应用中，银行企业往往面临以下痛点：
痛点1:推荐数据繁杂且存储分散
优秀的推荐效果依赖于高质量的数据基础，但在实际银行业务场景中，银行内的用户数据、物品数据、行为数据在行内由各部门、各业务线分别负责维护，这就导致不同数据的格式、存储方式不尽统一，同时，由于业务需求不一致，表中记录的信息维度也存在不完整的情况。此外，如信用资产信息之类的动态数据需要即时维护，也给数据处理工作提出了很大挑战。
痛点2:推荐算法与业务规则不匹配
与传统 app 单一的推荐场景不同，头部银行推荐场景繁多，常见推荐包括资讯内容推荐、生活购物推荐以及理财产品推荐，因此需要基于场景对推荐算法提供多样化的配置。同时在理财场景下，出于用户操作门槛考虑，并非 feed 流推荐，而多以各类理财榜单呈现，如“高收益基金榜”，业务需要根据最近一个月的收益推荐收益最高的 top10，因此业务人员无法通过直接算法配置来实现不同场景下的榜单定制化推荐需求。
痛点3:对接推荐的业务系统繁多
银行行内业务系统繁多，一般情况下关联的上下游系统就达数十个，典型的行内系统如日志平台、容器平台、监控平台、微服务平台、大数据平台、算法平台、营销平台、客户平台、手机银行等，均需与推荐系统做大量的数据的适配与对接工作。
痛点4:高吞吐量下的高稳定
银行业用户体量庞大，头部银行存量用户规模上亿，当碰到银行节假日活动或理财产品发售等场景，推荐系统的每秒推荐请求甚至可达万级规模。基于银行数据涉及公众财富安全，在任何情况下都需保证系统的高稳定性，因此推荐系统的高可用架构尤为关键。
达观智能推荐系统解决方案
方案1:实时/批量数据接入，灵活整合多场景数据
基于数十家银行客户服务经验，针对繁杂的数据场景，达观已积累了丰富的数据对接经验，如针对不同应用场景的推荐目标，有针对性地选择特定的用户特征，并基于场景构造对应的行为特征，实现数据的高价值对接整合。接入方式上，通过对外提供服务化接口，支持通过API、数据库、文件、消息队列等多种方式对接，将用户数据、物品数据、行为数据等自动地对接至推荐系统，高效地完成系统之间的数据接入工作。
上报物品信息
方案2:用户圈群+算法配置+运营规则，提升场景适配性
基于不同推荐场景的适配需求，达观提供了从用户圈群到算法配置，再到运营规则的全过程自定义配置。
- 用户圈群阶段：基于用户标签提供多条件的组合筛选及画像分析，精准洞察用户
- 算法配置阶段：达观首创“召回+排序+兜底”三段式推荐流程，各环节均提供内置算法、算法调优、第三方算法接入，最大化满足多样化策略配置需求
- 运营规则阶段：结合既有的银行服务经验，根据每个场景在产品推广、用户营销等维度需求，定制化产出数十种银行业人工运营规则，涵盖产品置顶、封禁、去重、比例控制、打散、物品调权等多种类型，极大程度增强了业务对算法的干预，丰富了场景的适配可能
用户圈群+算法配置+运营规则
方案3:容器化部署方式，提升系统落地能效
为了应对银行既有系统的复杂性，达观智能推荐系统通过容器化的方式进行部署方式，通过针对上下游系统的标准化 API， 可以实现不同环境下的系统的快速部署和迭代，同时避免了不必要的服务器和数据库资源浪费。此外，容器化部署还可以提高系统的可移植性和可扩展性，使得银行在应对突发流量增长时能够更加从容应对。
方案4:高可用高并发系统架构，实时保障系统安全
针对头部银行高并发的数据请求，达观智能推荐系统通过异步高性能服务框架，可以支持万级 qps，并且支持横向扩容提升系统吞吐能力。此外，通过双集群、异地双活等部署方式，保证系统的稳定性。
系统监控及告警配置
客户应用案例
某国内头部股份制银行是银行数字化转型的领军者，下设多个移动应用， app 月活超千万。达观作为长期合作伙伴，先后进行对其旗下信用卡中心 app 及总行 app 进行推荐系统部署服务及效果优化。其中信用卡中心推荐服务上线后，人均功能点击次数提升95%，功能点击率提升132%。基于出色的推荐数据效果，达观继续为其总行下属应用进行理财、基金、存贷款、商品、保险板块的推荐场景落地服务。根据上述提及的银行业推荐系统落地的用户痛点，项目团队从数据处理、推荐策略、部署服务、系统架构四个方面进行难点攻克。数据处理：行内各大业务存在繁复的线上线下数据，仅用户画像和产品画像表就达数百张之多。通过借助 API、文件、消息队列等方式，进而进行 ETL 处理，达观团队使庞大的数据表精简化为格式化的特征宽表，构建了总行内部扎实的推荐数据底座，以供下游推荐系统模型训练、内容推荐、数据统计使用。
推荐策略：基于不同推荐场景的推荐目标，达观推荐平台提供“召回+排序+兜底”策略配置，同时支持第三方策略接入。
项目团队也根据不同榜单的实际情况，定制了丰富的运营规则，在内置数十种运营规则基础上再次提供物品调权和物品排序规则，最终实现在无需算法调整的情况下，行内业务人员仅凭规则设置也可满足日常大部分场景的推荐。
部署服务：推荐系统需与行内个人手机银行、客户财富分析及规划等多个系统进行数据交互。达观团队通过容器云的使用，极大地提升了部署效率。
系统架构：针对高稳定的系统需求，达观团队架构层面通过算法服务与应用服务解耦，以及产品层面独创兜底策略等多种方式，确保99.999%的系统可用性。目前，该推荐项目已接近尾声即将上线，在服务过程中，团队再次积累了丰富的实践经验。达观智能推荐系统已服务过招商银行、浦发银行、民生银行、江苏银行、宁波银行、华夏银行、浙江农信等多家企业。此外，达观智能推荐系统也广泛服务于零售、金融、传媒、政企、互联网等行业，包括阿迪达斯、屈臣氏、安利、澎湃新闻、人民日报、陕西广电等知名企业，帮助客户实现推荐的算法效果提升、系统部署等目标，不断助力客户成功。
