- 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。
- 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