案例 | 金融产品推荐：应用机器学习与大数据技术构建营销预测名单

银行业精准营销应用案例解析：以九章云极为银行客户实现“金融产品智能推荐”为例

DataCanvasAPS是九章云极以机器学习技术为核心打造的一站式数据分析平台。针对企业的数据科学团队，平台集数据准备、特征工程、算法实现、模型开发、模型发布、模型生产化管理于一体，能够帮助企业快速构建数据分析应用。

一、核心功能

异构多引擎融合架构 - 平台功能基于Docker实现容器化封装，底层计算资源支持APS集群、Hadoop集群和GPU集群等多种模式，实现合理的计算资源利用。平台可通过序列化和反序列化完成模块之间数据交换，支持实现单机和分布式数据格式转换、不同语言之间数据转换、不同存储介质之间数据转换。此外，平台算子封装支持多语言模式，允许在同一个工作流中调用不同开发语言算子，同时支持工作流程嵌套，提升灵活性和复用性。

开放性算法支持 – APS平台集成多种机器学习引擎（Tensorflow、Caffee、H2O等）并可开展协同工作。在此基础上，平台内置100多种算法模型，包括企业常用的统计分析、机器学习、深度学习算法，面向数据分析应用提供基础算法支持。

支持大数据分析 – 平台无缝集成Hadoop集群，利用Spark分布式内存计算提供强大的计算能力，实现全量数据分析。模型生产化，支持与实时流计算平台（RT）的无缝集成，实现模型结果数据在生产系统的实时消费。

工程化能力 - 平台提供的算子模块包括数据准备、特征工程、模型训练、模型评估、模型对比、模型发布，涵盖模型生产的标准流程，实现图形化、拖拽式工程建模。基于Auto ML，平台可通过配置目标实现自动化建模，支持自动算法选择、自动超参数优化、自动模型评估、自动模型选择。

二、营销数据建模

九章云极针对其银行客户某成员银行“大额存单客户和起存金额在20万元以上的一年期定期存款客户”建模并应用于营销。通过“金融产品智能推荐”宽表设计，实现相关业务系统（客户画像系统/数据平台）的数据整合、接入、提取和数据分析宽表设计和实现。通过“金融产品智能推荐”分析建模，根据数据分析宽表完成对目标客户建模、训练及预测。通过“金融产品智能推荐”项目模型得出营销名单，作为预测结果的存储和提取。其流程可总结为：

1、数据准备：从源系统中抽取数据并形成预测模型所需的分析宽表。

2、数据特征处理：对数据进行描述性统计分析，对连续数据进行归一化或离散化，对空值进行必要填充，对无效变量进行清理，对输入特征变量进行相关性分析。

3、分析建模及评估：对输入特征变量和预测标签变量进行特征变量检验，使用机器学习算法完成特征变量降维，使用投票算法对梯度提升、神经网络、贝叶斯机器学习算法进行训练和评估。

4、模型应用：根据评估后模型获取特征变量重要性，对输入数据进行整理形成预测输入变量并预测，获得预测名单。

三、应用效果

通过部署DataCanvas APS平台，并建立金融产品智能推荐营销模型，某银行客户可通过营销预测名单，对产品进行“交叉营销”，推动产品转化率；通过预测名单，对客户进行分类管理和服务，将沉睡客户转化为活跃客户，活跃客户转化为忠实客户；同时，根据模型输出数据结合客户存款结构，设计了多款高端具有延续性的理财产品，吸引了大量的新客户。