スマートレコメンデーションの根底にあるロジックを理解するための4つのステップ

インテリジェント レコメンデーションは、ビジネス ニーズを満たすビッグ データと人工知能テクノロジに基づいたレコメンデーション サービス フレームワークです。業界内で有名なインテリジェント推奨エンジンとしては、Alibaba Cloud Intelligent Recommendation、ByteDance Lingju、Tencent Guangdiantong、Baidu Fengchao System などがあります。

一般的なインテリジェントな推奨方法には、図 1 に示すように、完全一致、フレーズ一致、コアワード一致、インテリジェント一致などがあります。その中で、スマートマッチングはフレーズマッチングよりも大きなトラフィックをカバーし、顧客にパーソナライズされた推奨サービスを提供するマッチング方法です。スマートマッチングは、顧客のキーワードをインテリジェントに理解してマッチングし、検索結果を自動的にトリガーして、顧客が必要なものを見つけられるようにするシステムです。

図1: インテリジェントレコメンデーションのマッチング方法

華創金融のローン推奨を例にとると、自然言語処理、ディープラーニング、ナレッジグラフなどの技術を使用して、大量の金融テキストデータと顧客ラベルポートレートを抽出し、顧客特性、アクセス行動、ローンデータなどのさまざまな重要な情報に基づいてローン推奨エンジンを構築します（図2を参照）。この製品は、システムの迅速な識別と正確な配信機能を使用して、ターゲットを絞ったローンコンテンツを顧客に推奨します。これにより、顧客は自分の希望に合ったローン商品をすばやく見つけることができ、潜在顧客をより正確にターゲティングして、コンバージョンコストを削減し、投資収益率を向上させることができます。

図2 ローン商品推奨ロジック

パーソナライズされたインテリジェント推奨エンジンは、大規模なデータマイニングに基づくデータサービスプラットフォームであり、顧客にパーソナライズされたコンテンツの推奨、意思決定のサポート、および情報の配信を提供します。インテリジェントな推奨エンジンを構築するための鍵は、データのマイニング、モデルの構築、シナリオの推奨、指標分析の実行にあります。

1. ユーザーデータマイニング

推奨には AI アルゴリズム以上のものが関係します。鍵となるのはデータ マイニングです。ユーザー データは、すべての推奨アルゴリズムの基盤であり、すべての推奨戦略の基礎となります。

データ マイニングは、人工知能、機械学習、パターン認識、統計、データベース、視覚化などのテクノロジを使用して、高度に自動化された方法で企業データを分析し、帰納的推論を行い、潜在的なパターンをマイニングして、意思決定者が推奨戦略を調整し、リスクを軽減し、正しい決定を下せるように支援する意思決定支援プロセスです。

データマイニングには、データの収集、ラベル付け、クリーニング、処理などのプロセスが含まれます。統計、オンライン分析と処理、検索、機械学習、パターン認識を通じて、モデルの構築にさらに役立つ高品質のデータが得られます。

データ マイニングでは、ERP システム、コア システム、CRM システム、データ ミドル プラットフォームなどの複数のデータ ソースを接続します。データ ソースには、図 3 に示すように、アプリ、Web、ミニプログラム、顧客データ、トランザクション データ、ビジネス データなどが含まれます。

図3 データソース

銀行融資プラットフォームを例にとると、デジタルファイナンスにおいて数千万の法人顧客から生成される融資申込書などのデータ量は極めて多く、ビッグデータの特性に合致しています。そのため、銀行は顧客の融資行動データを分析してビッグデータによる顧客獲得と正確なトラフィックの転換を実現し、インテリジェントなマッチングを通じて顧客のニーズに合った融資商品を推奨することができます。

2. 推奨される戦略タイプ

企業向け推奨システムでは、AI技術と推奨アルゴリズムに基づいた推奨モデルを構築し、インテリジェントな推奨エンジンを確立することが中核となります。推奨エンジンには、顧客モデリング モジュール、推奨オブジェクト モジュール、推奨アルゴリズム モジュールという 3 つの重要なモジュールがあります。推奨戦略については、企業はアルゴリズム モデルを最適化することで、推奨情報に対する顧客の信頼を高め、推奨システムの解釈可能性と顧客満足度を向上させることができます。

AI テクノロジには、図 4 に示すように、パーソナライズされたリコール アルゴリズム、パーソナライズされた推奨アルゴリズム、サポート ベクター マシン、XGBoost 勾配爆発アルゴリズム、ディープ ニューラル ネットワーク、ディープ インタレスト進化ネットワーク、自然言語処理などがあります。 AI テクノロジーを使用するシステムは、ビジネス データのロジックと関係を理解し​​、キーワードを抽出し、ナレッジ グラフを構築し、問題に対する理解に基づいて回答を提供または計算することができます。

図4 AI技術

推奨アルゴリズムには、図 5 に示すように、コンテンツベースの推奨、協調フィルタリングベースの推奨、関連ルールベースの推奨、ユーティリティベースの推奨、知識ベースの推奨などがあります。金融商品のインテリジェントな推奨の応用において、推奨アルゴリズムは主に以下の側面に反映されます。

図5 推奨アルゴリズムの種類

1) コンテンツ推奨アルゴリズムに基づきます。コンテンツベースの推奨アルゴリズムは、ローン商品のコンテンツに基づいて推論を行います。つまり、機械学習手法を使用して、コンテンツに関する機能説明イベントから顧客の関心タグを取得し、顧客の好みに基づいて類似のコンテンツを推奨します。

2) 協調フィルタリング推奨アルゴリズムに基づいています。システムは協調フィルタリング推奨アルゴリズムに基づいて、顧客のローン行動や閲覧履歴などの暗黙の動的情報を通じて顧客の嗜好を判断し、この嗜好に基づいて対象顧客に推奨を行います。

3) 関連ルールに基づく推奨アルゴリズム。関連ルールベースの推奨は関連ルールに基づいており、ローン商品をルール ヘッダーとして、申請レコードをルール本体として取り、申請プロセスにおけるさまざまなローン商品間の相関関係をマイニングします。

4) ユーティリティベースの推奨アルゴリズム。効用ベースの推奨アルゴリズムは、顧客によるローン商品の使用の効用に基づいて計算され、その結果はシステムが採用する効用関数に大きく依存します。法人顧客の信頼性やローン商品の入手可能性など、商品以外の属性も考慮できます。

5) 知識ベースの推奨アルゴリズム。知識ベースの推奨アルゴリズムは、特定の顧客のニーズを満たすローン商品に関連する知識に焦点を当てているため、ニーズと推奨の関係を説明できます。顧客のニーズや嗜好に基づいて推奨を行うものではなく、推論をサポートするあらゆる知識構造に基づいており、ある程度は推論技術とみなすことができます。

3. 推奨されるアプリケーションシナリオ

シナリオは、推奨戦略に影響を与える要素です。ビジネス ルールに基づいて、ターゲットを絞った推奨戦略を設定できます。つまり、図 6 に示すように、顧客の行動データに基づいて、パーソナライズされた推奨、関連する推奨、人気のある推奨、フォーカス画像推奨を顧客に提供できます。

図6 インテリジェントな推奨アプリケーションのシナリオ

1. パーソナライズされた推奨事項

アプリのホームページ、融資チャンネルページ、いいね！ページ、ディスカバリーページなどの場所で、システムは顧客属性（業界、規模、社会的感情など）、顧客特性（財務特性など）、顧客行動（融資商品閲覧行動、融資情報閲覧行動など）に基づいて企業の顧客ポートレートを構築し、顧客にパーソナライズされた推奨結果を提供し、「千人の千の顔」のコンテンツを実現します。例えば、顧客が付加価値請求書を発行できるか、税金を正直に支払えるかに基づいて、税金関連のデジタルローンを推奨することができます。

2. 関連する推奨事項

商品紹介ページ、ローン詳細ページ、申込結果ページでは、融資商品の金額、金利、期間、融資目的、申込条件などに基づいて、お客様に適したローン商品やエクイティサービスを推奨します。例えば、顧客の地理的位置に基づいて、ローン事業が運営されている地域に適したローン商品を推奨するシステムです。

3. 人気のおすすめ

ローンランキングページ、マイローン実績ページ、ローンチャンネルページなどでは、ローン閲覧数、申込クリック数、申込承認率、ローン商品シェア数などをもとに、お客さまが興味を持つローン商品を推奨します。たとえば、システムは顧客の好みやニーズに一致するローン商品を人気商品としてマークし、人気のある商品を推奨します。

4. フォーカス画像の推奨

アプリホームページの画像カルーセル、融資チャネルページの広告ウィンドウ、申込結果権利モジュールなどの場所にフォーカス画像広告スポットを推奨し、融資商品の表示機会とクリック率を高めます。たとえば、システムはホームページのカルーセルバナー内の画像とテキストを通じて、人気のあるローン商品を推奨します。

5. PUSH推奨

ポップアップ画面の開始、ポップアップ画面の終了、メッセージのプッシュ、ポップアップ画面の挿入などの際に、システムは、適切な顧客に適切なコンテンツを、適切なタイミングとシナリオで、画像、テキスト、絵文字、プロンプト音などの形式で推奨します。たとえば、システムは顧客とローンを連携してフィルタリングし、ローン申請の進捗状況や返済リマインダーなどのコンテンツを顧客の携帯電話インターフェースにプッシュすることで、オフラインでのパーソナライズされた推奨効果を実現します。

情報フロー推奨システムのイベントマーケティングを例にとると、金融関連の動画にローン、サプライチェーン、自動車金融、請求書、保険、財務管理などのラベルを付け、ラベルシステムを通じてプラットフォームユーザーに動画を推奨します。ユーザーが貸出ビデオで「役に立つ」をクリックすると、システムはユーザーの行動属性にラベルを付け、顧客の携帯電話番号、会社名、勤務先住所、タグ、ビデオタイトル、ビデオコンテンツ、デバイスの場所などの情報をインターフェイスの形式でマーケティングセンターにプッシュします。マーケティング センターは、製品タグ ライブラリに基づいてユーザーのキーワードを自動的に識別します。ユーザーの融資意欲に関係する場合、推奨メカニズムがトリガーされ、システムはユーザーに融資商品を推奨し、それによって商品マーケティングの目的を達成します。

4.データ指標分析

推奨製品データに関する指標分析を実施することは、製品マネージャーの注目に値します。指標分析により、顧客の再投資パターン、使用経路、行動記録をある程度明らかにすることができ、企業はデータに基づいて推奨戦略を最適化し、ローン商品を改善する方法を見つけることができるようになります。

たとえば、イベント分析モデルを使用することで、企業はインテリジェントマッチングのクリックのPVやUVなどのビジネスデータを分析し、推奨システムを最適化して顧客に最も適したローン商品を推奨することができます。基本的な目的は、インテリジェントマッチングのクリック率とローン申請のコンバージョン率を高めることです。

金融業界向けのインテリジェントな推奨エンジンを図 7 に示します。ビッグデータプラットフォームに基づいて顧客ポートレートの指標分析を実施し、データ指標分析に基づいて推奨プロセスを最適化し、推奨戦略を調整することができます。マルチモデルおよびマルチ戦略パラメータ構成をサポートすることで、インテリジェントなマッチング推奨エンジンを徹底的に最適化し、顧客ニーズの把握、顧客操作エクスペリエンスの向上、ローン商品への注目度の向上を実現します。

図7 金融業界におけるインテリジェントな推奨エンジン

パーソナライズされた推奨事項は、金融プラットフォームがローン申請率と再ローン率を向上させる原動力として徐々に定着しつつあります。 C2Bモデルに基づくデジタルファイナンスを提供する多くの企業は、インテリジェントな推奨エンジンを使用して、ローンスーパーマーケット内の多数のローン商品の特性に基づいてビジネスデータ指標を分析し、パーソナライズされたコンテンツ操作やルール設定などの最適化ソリューションを提供することで、ローン商品のクリック率を効果的に高め、顧客体験を向上させ、商品の粘着性を高めています。

著者について: Demon Zhu はシニア プロダクト マネージャーであり、PMLink プロダクト マネージャー コミュニティの創設者です。テクノロジー、管理、製品に関する豊富な経験を持ち、特に金融商品に精通しています。

この記事は「Financial Product Methodology」から抜粋したもので、出版社の許可を得ています。 （ISBN:9787111701064）転載の際は出典を明記してください。