justlpf的专栏

2021年12月，中国人民银行印发《金融科技发展规划（2022—2025年）》，提出健全金融科技治理体系、充分释放数据要素潜能、打造新型数字基础设施等重点任务。北京金融科技产业联盟开设“”专栏，以《规划》为牵引，通过优秀案例展示产业各方在实践中取得的成果，促进机构互学互鉴。

1.1 感性认识目标：描述客户、了解客户、认识客户、理解客户展现：图像、文本、数据、语音形式：结构化、非结构化标准：系统信息知识验证：统计检验、实事检验1.2 客户画像定义客户画像是对客户信息在特定业务场景下的系统描述，是对客户数据的建模1.3 客户画像与标签客户特征：客户信息数据的结构化处理客户标签：对客户特征的业务描述客户标签是客户画像的元素，客户画像的搭建需要一个高效、全面的标签体系客户画像：客户标签在特定业务目标下的有序集合1.4 银行标签体系。

参考文章：推荐系统之用户画像1. 推荐系统简介推荐系统是数据挖掘的一个重要部分,能够实现海量数据信息的快速、全面、准确过滤。推荐系统是信息过滤系统的一个子集。用Spark平台设计了一个基于物品的协同过滤(Item-CF)算法的商品推荐系统,并将其应用在Movie Lens数据集上运行测试。通常大型推荐系统一般都分为召回和排序两个阶段。因为全量物品（Item）通常数量非常大，无法为一个用户（User）逐一计算每一个物品（Item）的评分，这时候就需要一个召回阶段，其实就是预先筛选一部分物品

参考文章：Spark（二）—— 标签计算、用户画像应用一、标签计算数据86913510 {"reviewPics":[],"extInfoList":null,"expenseList":null,"reviewIndexes":[1,2],"scoreList":[{"score":5,"title":"环境","desc":""},{"score":5,"title":"服务","desc":""},{"score":5,"title":"口味","desc":""}]}8691351

参考文章：用户画像之Spark ML实现1. Spark ML简单介绍 Spark ML是面向DataFrame编程的。Spark的核心开发是基于RDD（弹性分布式数据集），但是RDD，但是RDD的处理并不是非常灵活，如果要做一些结构化的处理，将RDD转换成DataFrame，DataFrame实际上就是行对象的RDD+schema，类似于原本的文本数据，加上schema，做一下结构的转换就变成数据库里面的表，表是有元数据的，有字段有类型。所以DataFrame处理起来更加灵活。要...

参考文章：如何基于Spark进行用户画像spark-用户画像demon

决策树1、决策树，是一种分类算法和回归算法（这里只介绍分类算法）2、决策树算法的构建分为3个部分：特征的选择，决策树的生成，决策树的剪枝；（主要参考李航的《统计学习方法》第五章） a、特征的选择—-选择使信息增益最大的特征；即选择一个分类特征必须是分类确定性更高，此特征才是更好的； b、决策树的生成—ID3，C4.5算法，此时用迭代的方式构建决策树；注意此时的决策树，因为每次选的都是局部最优解，所以是过拟合的； c、决策树的剪枝—决策树剪枝是为了防止过拟合，根据全局c...

参考文章：推荐系统——用户画像1. 用户画像1.1 用户画像定义用户画像：也叫用户信息标签化、客户标签；根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。从电商的角度看，根据你在电商网站上所填的信息和你的行为，可以用一些标签把你描绘出来，描述你的标签就是用户画像。构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。用户画像不是推荐系统的目的，而是在构建推荐系统的过程中产生的一个关键环节的副产品，包括但不仅限于用户的注册资料、

一个用户社会身份为20岁，但他喜欢中年人的偏好风格，在使用app购买理财、保险产品的时候，表现出的真实偏好为30-40岁，对于这样使用产品时表现出的用户心智和真实年龄不相符合的用户，如果只采用上传的基本属性，给他推荐年轻人喜欢的产品，是不是很难命中个体用户的兴趣呢？行为属性记录的是用户的全部单点行为，用户的单点行为包括启动、登录、浏览、点击、交易等非常多，而且跟不同的产品，不同的模块交互，不同的时间窗选取，行为就更加复杂了，如何能够全面的梳理，可以按照“产品＊功能模块＊用户单点行为*时间”四大要素来组织。

银行应当快速构建以传统线下网点、智慧网点、手机银行、网银、各类APP、自助银行、微信银行等为一体的全渠道融合运营的新格局，并通过客户数据中台、营销中台的建设，将用户在不同触点端的基础属性数据、前端行为数据、业务数据以及对话数据进行汇聚，并通过前端埋点技术、自然语言解析等技术对用户意图进行挖掘与洞察，形成全渠道融合的用户超级画像，从而制定更精准的营销分层策略。基于用户画像体系，在精准营销上分析不同渠道的用户，哪些方面是有特性的，比如年龄段，性别，地域，收入，偏好等，有了这样的分析，可以选择相应的人群投放。