银行对于我们而言都已经非常熟悉，从早期遍布“大街小巷”的银行网点，到后来Web时代的网上银行，再到移动互联时代的手机银行。银行也在朝着线下、线上、移动化的方向不断发展。
近年，随着云计算、区块链、人工智能、物联网等技术的成熟与进步，银行也逐渐开始向数字化、智能化方向发展。银行与银行之间的竞争日益激烈。如果银行还停留在传统产品设计与营销模式，等着客户自己上门来使用或购买银行产品，已经越来越变得低效与不可行。
银行的产品思维必须进行变革，由原来对于客户与服务的被动等待变为主动出击。
早期有银行采用O2O（OnlineToOffline）即线上和线下共同进行产品联动的模式。这种模式对于网点多的大型银行而言，比较容易实现，但同样也造成了运营成本偏高的问题，网点少的小型银行基本上很难操作。
后来有些银行在产品营销上采用了MGM（MemberGetMember）的方式，也就是通过老客户来带新客户的模式，虽然取得了一些效果，但是对于产品后期的持续发力难以承接并长久。
以上两种常见的银行产品营销方式，本质其实还是通过某种激励来吸引客户而已。如果通过送礼品或是老带新的模式，用户往往是冲着礼品本身或是人情，而不是自已主动的，几次之后，用户就会变得麻木且不信任，银行产品就很难有更好的增长表现。
有没有一种银行产品营销方式，能让客户自发地来使用或购买，从而形成正向传播。
从用户心理学上分析，用户主动去寻找的总归好于被动接受的，而且也具有较强的可持续性。
因此，我们需要有一种推荐策略，为客户提供其真正想到的产品或服务，投客户之所好，想客户之所想，这样才能增加用户对银行产品的好感，才能产生信任，最终提升银行产品业绩。
二、什么是推荐策略
早在线下场景中，某全球大型知名零售连锁企业管理人员分析销售数据时发现在某些特定的情况下，“啤酒”与“尿布”两件看上去毫无关系的商品会经常出现在同一个购物篮中，超市根据这一现象，调整了线下货品陈列的布局，进而提升销售额。
这个案例已经被称为数据分析的经典案例。客观地说，其实这也是一种“推荐策略”。我们现在去超市仔细观察超市的货品陈列，也会发现其中的某些隐藏的关联。
移动互联网时代，大家使用手机App浏览某些商品，相信大家也会发现，你搜索或浏览的某个商品或是某类商品也会持续地出现在App的推荐中。
其实这种推荐策略站在消费者的角度，也不确定是否真的有效。因为我作为一个消费者，我已经买了啤酒，你再推荐给我其他的啤酒商品，我购买的可能性应该很低，如果能推荐给我开瓶器或是啤酒酒杯或许更好些。
相信大家对推荐策略是什么，已经有了直观的了解。简而言之，推荐策略就是要投用户所好，为用户提供他们想要的产品或服务。
其实最终目的很简单，就是提升客户的满意度，增加用户粘性，用户用的好才会有留存，才会去再次传播，天时、地利、人和都具备了，产品的业绩提升就会变得水到渠成。
三、银行产品中推荐策略的三大要素
银行产品和电商产品差别很大，而且场景上也不如电商类产品多。很显然，用户在电商类App上购买了某个品牌的雪糕，可以推荐出一大堆其他品牌的雪糕，买了某个品牌的啤酒，可以推荐出一大堆其他品牌的啤酒。电商产品种类非常丰富，数据量庞大，可推荐的内容比较广泛。
银行产品不一样，银行产品有着较强的针对性以及有一定的购买限制。
以理财产品为例，一些高风险的理财产品，只有用户风险评级达到R5级（激进型）才可以购买。这就要求银行产品在使用推荐策略时，在给用户推荐产品的同时，还需要考虑用户的购买资格。如果推荐的某个产品，用户又没资格购买，这样的推荐策略就是失败的，反而给用户留下的印象很差。
推荐策略主要是达到人、物、场的最优匹配：
人——消费者，也是银行的客户或是银行移动App的用户。货——生产者，也就是银行提供的各种产品和服务，银行的主营业务主要就是存、贷、汇、付。场——发生交易的场所或场景，可以是银行实体网点、也可以是虚拟的线上Web或是移动App。
实体网点的用户产品推荐，一般都由理财经理完成，对于本文而言，交易场所我们默认为是银行自研的移动App。
首先我们来聊聊“人”，也就是用户。对于推荐策略而言，我们首先要对用户进行画像。在银行风控中，经常提到KYC（KnowYourCustomer）这个词。同样，我们既然要为用户推荐其喜欢的产品，我们也要KYC。对于银行用户画像，一般有以下几个维度。
有了用户画像之后，我们就可以根据用户画像的结果，对用户进行分类，建立相应的客群。客群的颗粒度可以随着推荐策略进行调整。在客群范围内，再做到不同用户的千人千面，可以提升推荐效率，降低推荐的维护成本。
接下来再聊聊“货”的因素。这里的“货”，主要是银行代销或是直销的理财产品或是信贷产品，当然除此之外，现在很多银行App都有自己的商城，为用户提供商品购买或是积分兑换商品的服务。
对于推荐策略而言，除了对用户画像外，对于“货”而言，我们还要进行产品画像。对于银行产品，我们做一些简单的划分，如下图所示。
由于银行用户画像以及产品画像的细节内容非常多，我们这里仅展示些主要内容，用于做实际案例讲解。实际工作中，银行用户画像和产品画像的整个体系是非常复杂的。
人和货都有了，我们接下来聊银行产品中的“场”。
上图中为大家列了一些用户在银行App中主要的一些场景，当然每家银行的App还有每家银行的特色功能，在此就不逐一列举了。
接下来我们主要解决的是，我们如何通过用户在App中操作的这些场景来向户推荐满足其需求的产品。
四、如何在银行产品中使用推荐策略
接下来再为大家总体介绍一下银行产品推荐策略的实现流程，能使大家对如何在银行产品中推荐策略的使用，有一个直观的认识。
实现产品推荐功能的方式有很多，由于某些银行产品有约束条件限制，因此我们对银行产品（内容）进行画像是非常有必要的。推荐策略就是将用户画像和内容画像进行最优匹配，这样的框架好处就是结构化的设计，以及较高较为准确的推荐效率。
正如文中之前所提到的，银行产品和其他电商类产品不一样，在电商产品中，用户购买了产品A，向用户推荐产品B，推荐对错其实对用户体验影响不大，但在银行产品中，你为用户推荐了一个其不具备购买资格的金融产品，用户点击了，却不能购买，这会给用户带来非常差的产品体验。
如何在银行产品中使用推荐策略？这就涉及到了推荐算法的选型。
目前的推荐算法一般分为：协同过滤推荐算法、基于内容推荐算法、混合推荐算法、基于规则的推荐以及流行度推荐算法。本文的银行产品推荐策略，主要通过协同过滤推荐算法实现。
协同过滤推荐算法，主要分为四种类型：
第1种：基于用户（user-based）的协同过滤。第2种：基于产品（product-based）的协同过滤。第3种：基于项目（item-based）的协同过滤。第4种：基于模型（modelbased）的协同过滤。
每一种协同过滤推荐算法又有很多实现细节，在此由于篇幅有限，就不全部展开讲解了。
本文中的银行产品推荐算法，我们主要使用基于产品（product-based）的协同过滤。
基于产品的协同过滤主要实现思路是根据用户行为和用户画像，为用户推荐同用户历史相似的且满足其购买条件的银行产品。
实际银行产品维度有很多，我们只需要计算用户之前购买或是浏览的银行理财产品和其他理财产品各维度之间的相似度即可，找出相似度评分最高的几个银行理财产品，即可完成召回。实现逻辑如下图所示。
五、推荐策略在银行产品的呈现方式
推荐策略完成了向用户推荐内容的计算，最后一步就是向用户呈现推荐结果。通常推荐结果的呈现方式如下图所示。
在银行App中，我们可以根据用户操作习惯和使用场景的不同，采取以上的某种推荐呈现形式。
例如，用户在搜索某个理财产品时，我们可以在搜索结果中向用户推荐其喜欢的理财产品。在用户搜索结果为空时，这样的推荐极为重要，因为用户搜索如果是空手而归时，用户往往会感觉到失落，觉得App中的内容太少。如果在没有搜索结果的情况下，为用户推荐近似的内容，用户往往会有一种被关怀的感觉。
另外，当用户在浏览某些理财产品时，往往在拿不定主意的时候，银行App可以为用户推荐最适合用户的产品，用户往往就会很快进行下单，促进交易的达成。
推荐策略最终的呈现方式，在构建银行App时，可以进行相应呈现位置的预留，这样在满足用户需求的同时，我们也可以根据埋点进行数据追踪以及最后的转化率分析，便于更好的对推荐策略进行调优。
六、总结
本文主要以银行推荐产品中的“人、货、场”三大要素为核心，来进行推荐策略的构建。并选取协同过滤作为推荐策略算法选型，最终使用合适的方式向用户呈现推荐结果。
“一千个读者，就有一千个哈姆雷特”，推荐策略也是如此。不同的产品应用场景，不同的产品风格，不同的产品用户，推荐策略的构建是不同的。
实际工作中，银行产品的推荐策略是各种模型与规则的集合，是一个非常庞大的系统。毫不夸张地说，如果能把整个银行产品的推荐体系自顶向下或是自下而上设计出来，已经达到了博士级别的水平。如果设计的推荐系统的各项指标能业界领先，那的确已经是行业专家级的人物。
而本文所涉及的，也只能是推荐策略在银行产品中应用的非常小的一个知识点而已，也涉及了非常基础的理论知识和算法。
即使是如此，本文也希望通过梳理，能将推荐策略的基本流程和逻辑向大家进行呈现。
总结下来，推荐策略在银行产品中的应用就是知已知彼，投用户之所好，选对的方向，走对的路。
最后希望本文能为大家带来帮助。欢迎大家进行交流讨论。感谢大家阅读！