还在浪费资源“海推”产品？这个银行产品推荐系统你必须知道！（附教程）

1. 从“千人一面”到“千人千面”，银行推荐系统的智能迁徙

随着我国商业银行体系多元化格局逐步形成，客户的金融服务需求日趋精细化、专业化、个性化，针对不同客户实际的需求和特点，打造有针对性的精准推荐系统，成为摆在银行面前的重大课题。

当年，媒体业普遍挣扎于线上化转型，今日头条凭借着智能算法推荐技术，在巨头林立的资讯分发领域中异军突起。当下，为了提升营销的精准度，一些银行开始实践“今日头条模式”，构建一个高效的的产品推荐系统，更好地满足客户的个性化需求，实现获客和活客。

推荐系统的核心是推荐模型，对于银行来讲也是一个新事物，需要经历从0到1的全过程。今天，小麦特别给大家呈上完整的产品推荐模型的构建过程。

模型构建流程如下：

本案例使用Smartbi Mining产品完成。Smartbi Mining是一款用于预测性分析的产品，旨在为企业所做的决策提供预测性智能。无需编程技术，通过简便鼠标操作即可完成数据挖掘。

2. 实施过程

数据探索

在实验中添加【数据源】节点，将客户基础信息数据profile表、历史产品持有信息log表、标签flag表读取进来，部分数据如图所示：

数据预处理

在工程实践中，我们得到的数据往往会存在有缺失值、重复值等，在使用之前需要进行数据预处理。数据预处理没有标准的流程，通常针对任务和数据集属性的不同而有所区别。数据预处理的常用流程为：去除唯一属性、处理缺失值、特征编码、数据标准化、正则化、特征选择、主成分分析等。

由于本案例存在3张不同的数据表，各表的数据情况及处理方式不同，因此对各表分开处理，处理完成后再合并成一张宽表。

Profile表

数据规范

导入数据后发现，由于数据记录方式问题，个别字段的取值规范不一，对数据处理存在干扰，因此先对数据进行规范统一。具体取值情况及处理方式如下：

• 年龄、帐龄

这2个字段为数值类型，由于数据记录方式不一致，导致数据读入后为字符串格式，因此使用【元数据编辑】节点，将年龄的数据类型由字符string转为整型integer；由于帐龄存在小数点，将帐龄的数