0
用戶DNA系統是以用戶為中心，整合多渠道信息，通過挖掘業務增長契機，實現數據驅動的精準運營。用戶DNA系統主要由以下幾模塊構成：數據收集，收據整合，用戶畫像，個性化推薦和智能投顧。
——來自智能投顧項目分享
本文整理自智能投顧學員&群友項目交流第一期的內容，由誠壹金融科技數據產品經理劉吉靜分享，主題為《用戶DNA系統項目規劃和思路》，后附答疑和王博精彩點評和“智能投顧”專業交流群的入群方式。
雷鋒網?AI慕課學院與AI金融評論聯合舉辦的“智能投顧高級特訓班”還在如火如荼持續報名中，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起了項目分享活動，來自智能投顧從業者、投資人、銀行產品經理等學員互相交流??的學習經驗，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：
現在《智能投顧高級特訓班之基礎課程》已經結束，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奏，這些知識點能順利地掌握。根據原課程安排，在雷鋒網?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。
編者注：課程還在報名中，傳送門：http://www.mooc.ai/course/157（點擊鏈接或者掃碼可看）
項目分享：用戶DNA系統項目規劃&思路
1、智能投顧：用戶DNA系統
用戶DNA系統是以用戶為中心，整合多渠道信息，通過挖掘業務增長契機，實現數據驅動的精準運營。用戶DNA系統主要由以下幾模塊構成：數據收集，收據整合，用戶畫像，個性化推薦和智能投顧。
（用戶DNA系統落地方案框架）
（用戶DNA系統落地步驟）
（1）通知系統：既能將用戶的信息及行為反饋銷售，又能協助我們完善用戶信息。
（2）標簽管理系統：實現標簽的自動化配置及周期性計算。
（3）用戶畫像系統：DNA系統的橋梁，抽象出用戶的平臺價值全貌。
（4）用戶提取：為營銷活動、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果推送到在線存儲上，最終產品在有用戶訪問時通過在線API向推薦服務發起請求，獲得該用戶可能感興趣的物品，完成推薦業務。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
離線狀態下根據用戶tag產出用戶分組，及分組的推薦理財產品。當新用戶注冊時，根據新用戶的tag,把用戶歸到相應的分組中，并獲取分組的推薦結果。主要有：K-MEAS聚類和決策樹分類。
（2）基于用戶的協同過濾
收集用戶行為信息，通過用戶對產品的行為評分。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。收集了用戶行為數據之后，接下來便要對數據進行減噪（去除錯誤信息）與歸一化（權重與歸一）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，有了一定的數據積累之后，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，不斷調參，優化模型。這種方案適合中國本土的資產配置模型，算法工程師，wind 數據等。
方案三：基于用戶的協同過濾算法，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，從數據源、產品思路、團隊組織三個方面做分析——
首先，數據源方面，與其他互聯網行業相比，金融領域可供機器學習的數據“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據信息，主要是：場景內數據，平臺自身數據以及外部征信數據；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；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》（點擊可看）主講人王蓁博士對本期分享內容做的點評——
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。
整體來說分享的內容很好，細節上，分享的智能投顧屬于比較特定的構建投資組合環節，我個人認為智投端到端的一整套系統人工智能的應用上，美國的智能投顧和國內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建投資組合這一個環節，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，但因為國內人才嚴重缺乏，現在商業化的主要都是簡單問卷，這也一部分是監管的原因。
用戶DNA系統頁，這塊部分分析得很好，在這里我補充一點。實際項目中，驗證效果中你會發現很難驗證，為什么？因為沒有一個用戶分類結果的標準答案。版本迭代，其中會涉及到大量的樣本偏差和數據缺失的問題，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，數據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，是經過了大量的討論后的結果，是一個比較完整的系統。因為系統龐大，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。
精彩互動
雷鋒網?AI慕課學院本期項目分享拋磚引玉，不少學員和群友都積極參與其中產生思維碰撞。這里附上部分學員的精彩互動：
平安金融大數據總監：對于方案三，基于用戶的協同過濾算法，為相似的用戶推薦相同的理財方案。“智能投顧應該是一個千人千面，根據用戶的畫像和資產流動性做的資產配置組合，這種方案的出發點是什么呢？
劉：因為我們獲取的用戶信息有限，而且用戶的測評信息準確度也是有待考量的，所以我想基于用戶的行為數據做些參考，用戶有相似平臺行為的，通過我們的挖掘跟驗證，可能會彌補我們其他兩個方案的缺陷。
智能投顧從業者：劉老師，能簡單講一下你們的DNA產品的底層大類資產都是哪些種類嗎？來源是什么？
劉：DNA是我們公司一個基于用戶的數據中心 您說的底層大類資產應該是我們公司理財產品的底層資產。
銀行產品經理：您的方案跟智能投顧是不是一個概念？
劉：我覺得這是一個循序漸進的過程：首先數據源是一個問題， 其次是我們現在沒有數據積累， 第三我們做這個系統的最終目的。我覺得我們做所有系統的目的都是在精準營銷，提高轉化率。至于智能投顧也是這些系統的一份子。
（完）
編者預告：項目分享活動還在繼續，下周二將由智能投顧一線從業者續航分享，而除了線上群活動之外，我們將于11月18號在北京舉辦線下項目交流沙龍，如果你是智能投顧從業者，身處銀行、基金、證券公司等，有興趣參與或者有項目想要分享，希望一起探討智能投顧的現在和未來，歡迎根據文末海報提醒提交報名審核，審核通過將可參與，通過審核的朋友也可加入【智能投顧專業交流群】（請務必認真提交信息，提高審核通過概率）。
在“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配置模型。掃描下方二維碼獲取更多課程詳情~
相關文章：
Al x 量化：智能投顧戳中了金融機構財富管理業務的哪些痛點？
回顧 | 智能投顧中的基礎核心，華爾街老司機手把手教你搭建智能資產配置模型
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
