客户微细分：架起结构化数据与深度学习的桥梁-张磊.pdf

1、客户微细分架起结构化数据与深度学习的桥梁张磊索信达控股有限公司 首席科学家客户微细分简介问题背景：深度学习和银行应用之间的鸿沟结构引力成像：结构化数据的离散化、图像化、特征化、状态化把握变化趋势：从有限状态到状态转移概率网络模型优化：使用图像特征和提升度来优化现有模型客户微细分是什么？通过将结构化数据进行合理的图像化，并创新地运用深度学习算法，挖掘反映客户资产偏好的深层特征，从而有效提升银行现有各个模型的准确性，并通过客户在不同图像状态之间的转移概率，预判出客户资产配置的发展趋势，为一线客户经理提供覆盖全客户的营销方向。问题产生的背景？银行已经做了客户细分，但分析做得不够细致，通常只分到几个大

2、类，缺乏对一线人员的战术支撑。人工智能这么火，但不知道怎么用到金融行业中去，监控视频、人脸识别、语音生成等技术的应用缺乏明显的业务价值，简单地将亿万特征丢给算法是不负责任的做法。有哪些特色和创新点？“数据图像化”的创新思路，在银行最重要的业务数据和深度学习算法之间的鸿沟上架起桥梁，融合了统计学、万有引力定律、空间投影、插值平滑等算法；“自动编码器”能从图像中抽取显著特征，将类似的图像聚类在一起，从而实现图像级的客户微细分；“分箱编码”和合理的聚类算法选择，在保证精度的同时，大幅提升处理效率(高达400倍)能否带来真正的业务价值？通过引入客户微细分产生的新图像特征，将上线模型(大额存单、结构性存

3、款)前10%名单的命中率提高20%40%；无论采用何种预测算法，模型均有明显提升，前5%名单的命中率最高提升3/4；直接产生的营销效益高达数百万至上千万；1.以数据图像化为桥梁2.客户的产品资产结构化数据3.数据标准化与离散化分箱4.相关分析5.太阳系与万有引力定律6.网络布局算法与斥力模型7.等高线投影与颜色映射8.一人一图像百花齐放9.图像的自动特征编码10.密度聚类为客户微状态11.状态随时间的转移概率12.状态转移全景图客户微细分简介问题背景：深度学习和银行应用之间的鸿沟结构引力成像：结构化数据的离散化、图像化、特征化、状态化把握变化趋势：从有限状态到状态转移概率网络模型优化：使用图像

4、特征和提升度来优化现有模型问题背景银行数据分析做得还不够细致，细节的忽略导致了信息的缺失宽表中常常汇总到客户级别/算法处理以客户为单位/明细计算复杂度高看到粗略的轮廓，看不到具体线条/泯泯然众人矣深度学习这么火，不知道怎么用到金融行业中去监控录像之类的分析价值低/结构化的交易记录难以直接应用于深度学习算法简单生成亿万特征丢给算法去跑是不负责任的做法深度学习银行应用深度神经网络本质上只是加了很多隐层的神经网络，为何在图像识别中效果如此出色？更多有效特征：卷积操作是关键，它能自动生成大量以前人工难以刻画的轮廓特征。这些新的特征决定了模型能达到更高的分类精度拟合更复杂的关系：网络越深，能拟合的函数就

5、可以越复杂适合图像识别卷积操作完全是从早期计算机视觉研究中获得的灵感边缘检测用到的一系列滤波器就是在做类似工作图像的非结构化特性使得难以人工构造特征，这是其它机器算法失效的主因银行数据以结构化数据为主非结构化数据(如监控视频等)分析的价值太低大量的交易明细数据未利用一方面是性能压力大更重要的是不知道如何有效利用深度学习银行应用深度神经网络本质上只是加了很多隐层的神经网络，为何在图像识别中效果如此出色？更多有效特征：卷积操作是关键，它能自动生成大量以前人工难以刻画的轮廓特征。这些新的特征决定了模型能达到更高的分类精度拟合更复杂的关系：网络越深，能拟合的函数就可以越复杂适合图像识别卷积操作完全是从

6、早期计算机视觉研究中获得的灵感边缘检测用到的一系列滤波器就是在做类似工作图像的非结构化特性导致了很难人工构造特征，这也是其它机器算法失效的主因银行数据以结构化数据为主非结构化数据(如监控视频等)分析的价值太低大量的交易明细数据未利用一方面是性能压力大更重要的是不知道如何有效利用数据图像化把结构化数据变成图像把图像再扔给深度学习客户微细分简介问题背景：深度学习和银行应用之间的鸿沟结构引力成像：结构化数据的离散化、图像化、特征化、状态化把握变化趋势：从有限状态到状态转移概率网络模型优化：使用图像特征和提升度来优化现有模型起点：银行客户的产品资产数据某银行富裕客户各月的产品资产余额月日均过去一年12