一、项目背景及目标

1.市场分析

目前银行零售产品个性化推荐的主要技术包括：

①协同过滤：根据用户历史行为数据预测对新产品的偏好。

②内容过滤：基于产品属性信息进行预测。

③基于规则的推荐：依据专家制定的规则。

④混合推荐：结合多种推荐技术，如招商银行利用客户画像和深度学习等技术生成个性化推荐策略。

⑤深度学习：通过构建深度神经网络挖掘用户和物品关系，如工商银行的智能推荐技术。

⑥知识图谱推荐：构建知识图谱表示用户、物品及关系，如招商银行基于知识图谱的协同过滤推荐等。

⑦上下文感知推荐：纳入时间、地点、设备等上下文信息提高推荐准确性和多样性。

2.立项背景

传统的客户自主选择或客户经理主观推荐模式，已难以满足客户日益多样化的金融需求。以苏州农商银行2023年的业务数据为例，在理财产品推荐方面，客户主动选择的产品集中在少数几款常规产品，占比高达70%，而其他丰富的理财产品未能得到有效推广。客户经理推荐模式下，客户对推荐产品的接受率极低，这不仅导致客户潜在需求无法被充分挖掘，也限制了银行产品的多元化销售。

3.项目目标

本项目旨在构建一套精准、高效的客户个性化产品推荐系统，借助大数据和先进的建模技术，实现客户与金融产品的精准匹配，为客户提供个性化的产品推荐信息。

二、创新点

创新亮点①：算法先进性：多数同业使用传统推荐算法，难以捕捉客户行为的动态和长期依赖。本课题提出了一种基于自注意力机制的深度推荐模型，能够捕捉银行客户行为中的动态模式和长期依赖。借助Transformer架构的注意力机制，能精准把握客户购买行为的时序特征与偏好变化。Top1精确度方面，Transformer模型较lightGBM多分类模型，在非冷启动、冷启动上分别提升9.7%、12.9%；Transformer模型较lightGBM模型，训练时长从9.5小时降低到3.5小时，模型预测时长从1.5小时降低到1小时。

创新亮点②：特征创新性：传统冷启动用户推荐受数据稀疏影响大。本课题设计了一种基于元学习的冷启动用户特征初始化方法，解决了数据稀疏场景下的推荐问题。先利用冷启动用户基本信息找相似非冷启动用户，再用其时间序列特征初始化冷启动用户特征，加入到模型训练中，有效解决冷启动难题。

创新亮点③：高可复制性：本课题产品推荐模型主要用到时间序列特征和极少量客户特征数据实现快速低成本部署、开箱即用，在中小银行中易于复制推广。传统模型模型痛点包括：特征繁多、开发成本高与耗时久、模型效果极度依赖特征数据质量。

三、项目技术方案

1.系统业务架构

本项目构建全产品推荐模型，首先采用了集成学习LightGBM模型和深度学习Transformer模型来实现产品推荐，预测客户购买14类产品的概率，具体类目如下：

其次，结合实时可售产品列表、业务规则和策略，从产品小类中筛选具体的产品进行推荐；最后将客户产品推荐信息，每天以数据文件方式或API接口为手机银行或综合营销平台提供服务。业务架构图如下：

图1. 全场景零售产品推荐项目业务架构

2.技术方案

①LightGBM建模过程

一期项目采用LightGBM多分类模型，以客户的各类特征作为输入，包括基础信息、经营信息、信用信息、业务信息、产品信息、交易信息、行为信息、风险信息以及营销信息等。通过过滤法（方差过滤、互信息法）和嵌入法（LightGBM 特征重要性筛选），最终确定非冷启动模型入模特征 427 个（含 28 个时间衰减构造特征）、冷启动模型 200 个。模型通过对这些特征进行深度分析，构建决策树来预测客户对不同产品的购买概率。例如，根据客户的年龄、职业、资产状况以及历史购买行为等特征，判断客户更倾向于购买定期存款、理财产品还是其他金融产品。

一期项目采用LightGBM多分类模型，以客户的各类特征作为输入，包括基础信息、经营信息、信用信息、业务信息、产品信息、交易信息、行为信息、风险信息以及营销信息等。通过过滤法（方差过滤、互信息法）和嵌入法（LightGBM 特征重要性筛选），最终确定非冷启动模型入模特征 427 个（含 28 个时间衰减构造特征）、冷启动模型 200 个。模型通过对这些特征进行深度分析，构建决策树来预测客户对不同产品的购买概率。例如，根据客户的年龄、职业、资产状况以及历史购买行为等特征，判断客户更倾向于购买定期存款、理财产品还是其他金融产品。

然而，LightGBM模型存在一定的局限性。它在处理客户行为的时序性和动态变化方面能力相对较弱，难以捕捉客户短期内的兴趣变化和购买行为的转移。此外，在面对冷启动客户时，由于缺乏历史购买数据，LightGBM模型的推荐效果也会受到一定影响。

②Transformer建模过程

二期升级到Transformer模型，旨在利用其强大的自注意力机制和对序列数据的处理能力，弥补LightGBM模型的不足。Transformer模型通过自注意力机制，能够在处理客户行为序列时，动态地关注不同时间点的行为信息，从而更好地捕捉客户的短期兴趣和购买行为的注意力转移变化。

同时，Transformer模型可以有效地融合客户的静态特征和行为序列特征。它将客户的静态属性（如年龄、性别、资产等）与动态的行为序列（如购买历史、浏览记录等）相结合，全面地理解客户的需求和偏好。数据预处理与特征工程示意图如下：

在处理冷启动客户时，Transformer模型通过对相似客户的行为模式进行分析，为新客户生成合理的初始推荐，提高了冷启动客户的推荐效果。此外，Transformer模型还可以通过多头注意力机制，从多个角度对输入数据进行分析，进一步提升模型的表达能力和推荐的精准度。模型结构图如下：

在处理冷启动客户时，Transformer模型通过对相似客户的行为模式进行分析，为新客户生成合理的初始推荐，提高了冷启动客户的推荐效果。此外，Transformer模型还可以通过多头注意力机制，从多个角度对输入数据进行分析，进一步提升模型的表达能力和推荐的精准度。模型结构图如下：

3.业务模式

该项目可部署在手机银行“为您推荐”模块成功，客户登录手机银行即可看到基于其个人情况的个性化推荐，点击可直接跳转至交易页，大幅提升便捷性。此外，还应用于企业微信，客户经理通过企业微信向客户推送消息并提供配套权益，提升了客户对推荐产品的关注度和购买意愿。在锦客通综合营销平台（我行客户管理系统），客户列表页展示Top1推荐产品，客户详情页展示Top3推荐产品，可为客户经理提供有力的营销支持。支行厅堂的自助机具和客户视图也可接入推荐系统，方便工作人员在面对面营销时快速了解客户，提高交叉销售能力。外拓营销使用的移动pad同样应用该系统，助力旺季营销，满足客户即时需求。

四、项目过程管理

1.需求分析与方案设计阶段（2024 年 05 月 - 2024 年 06 月）：全面调研银行零售业务现状与痛点，收集分析客户需求数据，完成系统整体架构规划，明确各模块功能、交互关系及关键业务流程。当前该阶段已顺利完成，为后续工作奠定了坚实基础。

2.模型构建与训练阶段（2024 年 06 月 - 2024 年 07 月）：完成数据收集、预处理和特征工程，先后分别构建 LightGBM 和 Transformer 的推荐模型，并进行多轮训练和优化。目前已成功构建模型，在训练过程中，通过调整模型参数、优化特征组合等方式，不断提升模型性能。

3.系统测试与优化阶段（2024 年 07 月 - 2024 年 08 月上旬）：开展多轮严格测试，包括功能测试、性能测试、安全测试等，排查并修复问题，提升系统稳定性和可靠性。目前已完成大部分测试工作，针对测试中发现的问题进行了及时优化。

4.应用推广与持续改进阶段（2024 年 08 月下旬起）：系统已在手机银行 “为您推荐” 模块上线，并逐步拓展到企业微信、锦客通综合营销平台等渠道。持续收集用户反馈，对系统进行优化和改进。截至目前，在各渠道应用过程中，产品点击客户数和办理客户数大幅增长，取得了显著的业务效果。

五、运营情况

自系统上线以来，项目助力手机银行、企业微信等多个渠道的零售产品推荐工作。在手机银行 “为您推荐” 模块，实现每日推荐曝光量达 5 万次，用户点击量每日平均 1000 次，产品办理转化率提升至 10%。为下游营销系统提供个性化推荐策略接口 200 余个，有力支持了全行的营销活动。通过精准推荐，大幅提升了零售产品的营销效率，成功帮助业务部门节省营销人力 15 人，释放了更多人力投入到客户关系维护等核心业务中。

在运行稳定性上，服务器平均月可用性达到99.9%，有效保障了推荐服务的持续稳定。通过引入负载均衡技术和分布式存储系统，成功应对了高并发场景，即使在手机银行促销活动等高流量时段，系统响应时间也始终保持在100毫秒以内，未出现卡顿或崩溃现象，为客户提供了流畅的使用体验。

六、项目成效

自2024年8月系统上线手机银行 “为您推荐” 模块以来，在多个业务指标上实现显著增长。截至2025年4月底，各产品点击客户数超9.4万户，办理客户数超2.3万户，与上线前默认推荐版块相比，分别提升3.31倍、2.89倍。客户办理存款理财金额达50.79亿元，贷款9.86亿元，有力推动了银行零售业务发展，提升了银行的营销效率和市场竞争力。

七、经验总结

本课题成功构建了基于融合模型的银行零售产品全场景智能推荐系统。通过深入分析银行零售业务需求，运用先进的技术和方法，解决了传统推荐模式存在的问题。课题在算法设计、特征工程和冷启动用户处理等方面具有创新性，实现了对客户需求的精准洞察和个性化推荐。

系统上线后，在手机银行、企业微信、锦客通综合营销平台等多渠道应用取得显著成效，提升了客户体验，促进了银行零售业务的增长，产生了良好的经济效益和社会效益。同时，课题的研究成果为银行业零售产品推荐领域提供了可借鉴的经验和范例，推动了金融科技在银行业务中的应用和发展。未来，将继续关注技术发展和市场需求，持续优化推荐系统，拓展应用场景，为银行数字化转型和业务发展提供更有力的支持。