智能投顧一線學員分享：用戶DNA系統(tǒng)項目規(guī)劃和思路

本文整理自智能投顧學員&群友項目交流第一期的內(nèi)容，由誠壹金融科技數(shù)據(jù)產(chǎn)品經(jīng)理劉吉靜分享，主題為《用戶DNA系統(tǒng)項目規(guī)劃和思路》。

“智能投顧高級特訓班”還在如火如荼持續(xù)報名中，課程分為基礎、進階、高級三個階段，在第二階段即將開始之前，AI慕課學院智能投顧群近期發(fā)起了項目分享活動，來自智能投顧從業(yè)者、投資人、銀行產(chǎn)品經(jīng)理等學員互相交流??的學習經(jīng)驗，以及如何在學習課程的過程中解決實際問題。

以下為劉吉靜的分享實錄，編輯做了不改變原意的梳理：

學習心得

現(xiàn)在《智能投顧高級特訓班之基礎課程》已經(jīng)結(jié)束，王蓁博士授課思路很清晰，也很詳細，不僅對使用到的算法加以說明，還將推導過程進行了完整講解，只要跟上王蓁博士的節(jié)奏，這些知識點能順利地掌握。根據(jù)原課程安排，在雷鋒網(wǎng)?AI慕課學院“智能投顧高級特訓班”接下來的進階課程中，王蓁博士將帶來更加詳細、實踐化機器學習算法進階的教程，手把手教你搭建專屬的智能資產(chǎn)配置模型。同時，我對智能投顧進階課程充滿了期待，希望對接下來的框架講解，也能順利地掌握。

項目分享：用戶DNA系統(tǒng)項目規(guī)劃&思路

1、智能投顧：用戶DNA系統(tǒng)

用戶DNA系統(tǒng)是以用戶為中心，整合多渠道信息，通過挖掘業(yè)務增長契機，實現(xiàn)數(shù)據(jù)驅(qū)動的精準運營。用戶DNA系統(tǒng)主要由以下幾模塊構(gòu)成：數(shù)據(jù)收集，收據(jù)整合，用戶畫像，個性化推薦和智能投顧。

（用戶DNA系統(tǒng)落地方案框架）

（用戶DNA系統(tǒng)落地步驟）

（1）通知系統(tǒng)：既能將用戶的信息及行為反饋銷售，又能協(xié)助我們完善用戶信息。

（2）標簽管理系統(tǒng)：實現(xiàn)標簽的自動化配置及周期性計算。

（3）用戶畫像系統(tǒng)：DNA系統(tǒng)的橋梁，抽象出用戶的平臺價值全貌。

（4）用戶提?。簽闋I銷活動、精準營銷、用戶挖掘與分析提供特定用戶群的提取。

2、推薦系統(tǒng)模塊

推薦服務首先需要采集（用戶基本信息、用戶行為信息）到離線存儲，然后在離線環(huán)境下利用推薦算法進行用戶和物品的匹配計算，找出每個用戶可能感興趣的物品集合。通過線下的推薦算法（屬性、行為）找出用戶感興趣的產(chǎn)品后，不一定所有物品都可以推薦給用戶，因此需要通過一個過濾過程。線下找出每個用戶可能感興趣的物品集合后，將這些預先計算好的結(jié)果推送到在線存儲上，最終產(chǎn)品在有用戶訪問時通過在線API向推薦服務發(fā)起請求，獲得該用戶可能感興趣的物品，完成推薦業(yè)務。加上推薦效果的檢測與反饋，便完成一個推薦任務的完整流程。

3、推薦邏輯

（1）基于標簽的冷啟動推薦算法

離線狀態(tài)下根據(jù)用戶tag產(chǎn)出用戶分組，及分組的推薦理財產(chǎn)品。當新用戶注冊時，根據(jù)新用戶的tag,把用戶歸到相應的分組中，并獲取分組的推薦結(jié)果。主要有：K-MEAS聚類和決策樹分類。

（2）基于用戶的協(xié)同過濾

收集用戶行為信息，通過用戶對產(chǎn)品的行為評分。如不同的用戶對不同的作品有不同的評分（瀏覽、預約、參團、購買）而評分接近則意味著用戶相近，便可判定為相似用戶。收集了用戶行為數(shù)據(jù)之后，接下來便要對數(shù)據(jù)進行減噪（去除錯誤信息）與歸一化（權(quán)重與歸一）操作，得到一個用戶偏好的二維矩陣，一維是用戶列表，另一維是物品列表，值是用戶對物品的偏好，一般是 [0,1] 或者 [-1, 1] 的浮點數(shù)值。通過KNN找到相鄰用戶， 通過皮爾遜算法計算相似度，確定推薦結(jié)果。

4、智能投顧模塊

智能投顧模塊主要分為4個部分：智能投顧的流程、實現(xiàn)方案、市場分析、心得體會。

智能投顧的流程：用戶畫像（主觀畫像+客觀畫像），確定投資者類型，輸出理財方案，針對理財方案，提出預期提示。

以下是我們操作的智能投顧實現(xiàn)方案。

方案一：確定投資者類型，輸出理財方案，針對理財方案前期為人工操作，有了一定的數(shù)據(jù)積累之后，機器學習理財師的思路，機器進行上述步驟。而這種方案有一個凸顯的問題，就是系統(tǒng)水平完全依賴理財師。

方案二：確定投資者類型，輸出理財方案，針對理財方案通過算法，得出理財方案，不斷調(diào)參，優(yōu)化模型。這種方案適合中國本土的資產(chǎn)配置模型，算法工程師，wind 數(shù)據(jù)等。

方案三：基于用戶的協(xié)同過濾算法，為相似的用戶推薦相同的理財方案。

針對目前智能投顧市場，從數(shù)據(jù)源、產(chǎn)品思路、團隊組織三個方面做分析——

首先，數(shù)據(jù)源方面，與其他互聯(lián)網(wǎng)行業(yè)相比，金融領域可供機器學習的數(shù)據(jù)“珍貴有限”，我們只能從各個渠道盡可能地合理合法地獲取各方數(shù)據(jù)信息，主要是：場景內(nèi)數(shù)據(jù)，平臺自身數(shù)據(jù)以及外部征信數(shù)據(jù)；其次，不管是人工智能，還是“人工+智能”，只要能夠高效、低成本的為用戶提供出高收益的理財方案，就是成功的系統(tǒng)；最后是團隊組織職能。

專家點評

以下是《智能投顧高級特訓班》主講人王蓁博士對本期分享內(nèi)容做的點評——

王蓁：首先非常感謝劉吉靜女士的精彩分享。下面我就劉女士分享的內(nèi)容談談自己的想法，如有不對，歡迎大家批評指正。

整體來說分享的內(nèi)容很好，細節(jié)上，分享的智能投顧屬于比較特定的構(gòu)建投資組合環(huán)節(jié)，我個人認為智投端到端的一整套系統(tǒng)人工智能的應用上，美國的智能投顧和國內(nèi)常見的智能投顧都是符合的，不過確實有真實應用人工智能技術(shù)的智能投顧，并且人工智能在智能投顧的具體應用不限于構(gòu)建投資組合這一個環(huán)節(jié)，包括用戶畫像，擇時選基等等，都是可以基于人工智能的。在我對中國銀行實際項目的實施中，智能投顧實際上是包括了分享PPT中的全部流程。

在財富管理領域，分享PPT上闡述的用戶畫像還是大家努力的方向，但因為國內(nèi)人才嚴重缺乏，現(xiàn)在商業(yè)化的主要都是簡單問卷，這也一部分是監(jiān)管的原因。

用戶DNA系統(tǒng)頁，這塊部分分析得很好，在這里我補充一點。實際項目中，驗證效果中你會發(fā)現(xiàn)很難驗證，為什么？因為沒有一個用戶分類結(jié)果的標準答案。版本迭代，其中會涉及到大量的樣本偏差和數(shù)據(jù)缺失的問題，也可以解決。這都是我在實際項目中碰到的真實困難。

推薦系統(tǒng)板塊整體思路很好，其中推薦效果的檢驗方法，其實是使用了營銷的體系，UV，PV，CPS等等類似指標，這樣的好處是便于領導直觀理解。但其中可能存在嚴重的ascertainment bias，數(shù)據(jù)和背后的邏輯可能不一致。其實還可以增加一項效果檢驗方法，推薦人物可以類比搜索的結(jié)果推薦，所以可以計算MAP，DCG等指標，具有很好的說服力。但背后引出一個問題，就是訓練集的獲取怎么做？也可以解決，比如通過半監(jiān)督學習+小樣本重復抽樣獲取。

整體PPT能看出是非常有框架的，是經(jīng)過了大量的討論后的結(jié)果，是一個比較完整的系統(tǒng)。因為系統(tǒng)龐大，所以其中項目實施（如果照著這個框架做）可能需要兩三年甚至更長時間，而且要做好心理準備，預想的問題在實施中輕松解決了，而實際項目中碰到的問題，可能是之前完全沒有預想到的。士不可以不弘毅，不忘初心。

王蓁博士課程推薦

點擊閱讀原文，或掃描下方二維碼了解課程詳情

大神一對一

想跟覃老師一對一交流？在學習中接受付老師的學習指導？更多交流互動請掃碼添加小助手（不定期發(fā)放干貨資料）