一、成果简介

本项目是唐山银行面向零售数字化转型需求自主研发落地的全行级金融产品智能组合推荐解决方案，依托 2023 年 6 月至 2024 年 9 月全行存量客户画像、定期存款、理财产品、基金产品全量交易行为数据，以 XGBoost 梯度提升树机器学习算法为核心底座，深度融合行内 AI 可视化建模中台，搭建一套分层、多模型协同运行的标准化智能推荐体系。项目创新性拆解四大独立专业模型，构建 “产品大类预判 + 细分单品排序” 两级推荐逻辑，第一级产品分类模型基于全行 248 万条客户画像数据完成客户金融需求分层判定，第二级基金、理财、定期三类单品推荐模型分别依托 1.2 万、2 万、6 万条真实客户购买样本开展针对性训练，最终可面向全行全部客户输出适配产品大类及 Top3 至 Top20 精准产品推荐清单，同步附带每一类、每一款产品的匹配概率值，直观量化客户与金融产品的适配程度。项目配套搭建端到端全流程落地体系，包含标准化数据仓库加工存储过程脚本、三轮递进式模型训练调优流程、每周自动化批量跑批调度机制、多维度量化性能评估体系、可视化模型解释看板五大核心配套模块，打通从原始业务数据抽取、清洗、特征加工、模型训练推理、结果存储至业务系统调用的完整数据链路。项目设立明确刚性业务性能指标，要求产品大类分类模型 F1 综合评分不低于 70%，单品类金融产品 Top3-20 推荐命中率稳定达到 65% 以上，所有建模流程、数据处理逻辑、评估规则全部固化至行内 AI 中台，形成可长期稳定运行、持续迭代优化的标准化智能营销工具，全面支撑全行零售业务精准数字化营销、客户分层资产配置经营工作落地，填补本行多品类金融产品一体化智能推荐的技术空白。

二、成果核心创新点

1. 分层式多模型协同推荐架构创新

本项目打破传统金融推荐系统单模型混推全部产品的行业通用模式，首创 “大类需求预判 + 细分单品精准排序” 两级分层协同推荐架构，拆解搭建四大独立专业化模型，分别为产品大类分类模型、基金产品推荐模型、理财产品推荐模型、定期存款产品推荐模型，从底层逻辑解决多品类金融产品特征分布差异大、样本体量不均衡、风险属性不统一导致推荐精度不足的痛点。在训练数据规划层面，充分结合本行真实业务数据体量差异化分配训练样本：定期存款业务客户基数庞大，采用 6 万条客户交易样本训练；理财产品存量交易记录适中，使用 2 万条样本建模；基金业务起步较晚、存量购买客户较少，仅 1.2 万条有效样本，三类单品模型分别适配自身业务数据特征开展训练，而产品大类分类模型直接使用全行 248 万全量客户画像数据，保证对全体客户需求识别的普适性。在推理应用阶段，系统对全行所有客户统一执行模型预测，先通过大类模型判定客户更适配理财、基金、定期存款中的哪一类金融产品，锁定客户核心资产配置偏好后，再调用对应品类单品模型输出排序产品清单，避免不同风险等级、不同业务周期产品之间特征相互干扰，大幅提升推荐结果与客户真实资金需求、风险承受能力的匹配度，实现客户资产需求精细化分层匹配，相比传统单一模型混推方案，有效降低无关产品推送比例，从架构底层提升推荐精准度。

2. 多维技术方案协同解决金融数据建模核心难点

针对银行业智能建模普遍面临的小众产品样本不均衡、原始特征维度超量冗余、模型训练易出现过拟合三大技术瓶颈，本项目形成一套完整、可落地、标准化的成套技术解决方案，全方位优化模型训练效果与泛化能力。针对样本不均衡问题，采用双重数据增强机制，一方面基于原始业务数据分布使用高斯分布生成填充特征，严格限定填充数值落在真实业务数据最大、最小值区间内，保证增强样本贴合真实客户行为规律；另一方面引入 imbalanced-learn 工具库中 K 近邻分布采样法与 SMOTE 合成少数类采样技术，基于邻近真实样本生成合规合成样本，平衡基金等小众产品少量购买客户样本占比，规避单纯随机填充带来的数据失真风险。针对原始 949 维超高特征冗余问题，搭建双通道特征降维筛选体系，第一条通道通过皮尔逊、斯皮尔曼相关系数计算全部特征两两相关性，设定 0.9 相关性阈值剔除高度线性、非线性冗余特征；第二条通道引入 SHAP 可解释性算法量化每一项特征对模型预测结果的贡献度，批量剔除贡献度极低、对预测无实质影响的无效特征，双路径联动实现特征精简，显著缩短模型训练时长、降低算力消耗。针对模型过拟合风险，依托 XGBoost 算法原生能力实施预剪枝与后剪枝双重约束，预剪枝通过限制树最大深度、叶子节点最小样本量、分裂最小增益提前约束模型复杂度；后剪枝在树生长完成后剔除低增益分支，同时搭配网格搜索 GridSearchCV 对学习率、树数量、样本采样比例等全量超参数精细化遍历调优，多重手段叠加有效提升模型在未见过的新客户数据上的泛化预测能力。

3. 业务规则与算法深度融合的 AI 中台标准化落地体系

本项目彻底打通行内分布式数据仓库与 AI 可视化建模中台，实现业务规则、数据加工、机器学习建模、结果输出全流程标准化固化，构建算法模型从研发到业务落地的完整闭环载体，解决以往银行算法模型仅停留在实验环境、无法常态化投产运行的行业难题。在数据加工环节，自主编写并固化四套标准化数据库存储过程 SQL 脚本，分别对应客户基础特征宽表、基金客户产品关联特征宽表、理财客户产品关联特征宽表、定期存款客户产品关联特征宽表，脚本可自动完成多业务系统跨表关联、历史交易特征衍生、城市等级标签编码、缺失值统一清洗等全流程操作，自动整合分散在客户标签表、产品基础信息表、客户历史交易统计表中的异构数据，无需人工重复开发取数逻辑。在建模运行环节，全部样本划分、特征工程、模型训练、性能验证流程均通过 AI 中台画布可视化搭建固化，支持业务人员直观查看每一步数据处理规则与算法逻辑；配套中台内置可视化看板，自动生成混淆矩阵、ROC 曲线、SHAP 特征重要性柱状图，完整展示模型分类性能与每一项客户特征的决策影响权重，兼顾算法预测精度与金融行业强监管要求下的业务可解释性。在结果输出环节，模型预测生成的客户 - 产品匹配概率清单支持数据库落地、文件导出两种输出形式，可直接同步至全行大数据平台，打通算法模型输出到零售营销、客户经营等上层业务应用的数据链路，实现算法成果快速投产赋能业务。

4. 周度自动化闭环迭代运营机制创新

项目创新设计周度全自动模型闭环迭代运营机制，建立 “数据更新 - 批量推理预测 - 真实成交数据比对 - 模型复盘优化” 可持续自优化流程，适配金融市场理财产品持续上新、客户理财行为随经济周期动态变化的业务特性，保障模型长期稳定保持预期推荐精度。系统以自然周作为完整运行周期，每周定时调度自动化任务，第一步自动同步上一周全行新增客户画像、新增产品信息、客户最新交易流水，完成四大特征宽表的全量刷新；第二步调用已训练完成的四大模型执行全量客户批量推理，生成全体客户对应的产品大类判定结果、Top3-20 单品推荐名单并落地存储；第三步等待下一周期真实客户购买行为数据同步完成后，自动将前期预测推荐清单与客户实际成交记录做关联比对，批量计算命中率、F1、AUC 等全部性能指标，自动输出模型效果衰减、特征失效等异常预警。业务与技术人员可依据周度效果复盘报告，针对性调整数据增强策略、补充新增产品特征、重新执行超参数调优、迭代更新模型版本，整套调度、比对、复盘流程自动化运行，无需人工干预即可持续获取模型真实生产环境性能数据，形成长效自我优化能力，避免传统静态模型长期不更新导致推荐效果持续下滑的问题，实现智能推荐系统随业务变化动态适配迭代。

5. 双口径全覆盖量化评估指标体系

结合零售金融产品推荐业务的实际使用场景，本项目搭建一套适配银行业务、覆盖多维度、双统计口径的完整量化评估指标体系，打破传统分类模型单一评估标准的局限性，实现模型性能、推荐效果、决策逻辑全方位可量化、可追溯、可复盘。针对核心业务指标命中率，创新设计两套独立统计口径：第一类为 Top1 单品命中口径，以模型输出匹配概率最高的产品作为核心推荐标的，若客户实际购买该产品即判定为一次命中，用于衡量模型最优推荐产品的精准度；第二类为前 N 推荐池命中口径，只要客户实际购买产品落在模型输出 Top3-20 推荐清单内任意一款产品，即判定命中，贴合银行批量推送多款产品给客户的真实营销场景，更客观反映推荐清单整体业务价值。在此基础上，同步配套机器学习标准分类评估指标，包含准确率 Accuracy、精确率 Precision、召回率 Recall、F1 综合评分、AUC 区分度五大核心指标，分别从整体预测正误、正向推荐精准度、客户需求覆盖度、综合平衡性能、客户品类区分能力多维度评价大类分类模型；同时引入 SHAP 特征贡献度作为可解释性评价指标，量化每一项客户画像、交易行为特征对推荐结果的正向 / 负向影响幅度。所有指标均可通过 AI 中台可视化图表直观展示，业务部门与技术部门可通过统一指标体系同步评估模型优劣，定位推荐效果不佳的客户群体、产品品类，为模型迭代优化提供量化数据支撑。

三、成果详细用途

1. 支撑零售客户分层精准数字化营销工作

本项目产出的智能推荐模型核心应用场景为全行零售客户分层精准数字化营销，全面替代过往依靠客户经理人工经验筛选客户、无差别推送金融产品的粗放式营销模式，为线下网点厅堂营销、线上手机银行弹窗推送、企业微信客户触达、电话外呼营销等全渠道经营场景提供标准化、个性化营销素材。系统依托客户全量画像、历史存取款、理财基金交易行为自动识别客户风险偏好、闲置资金周期、过往产品购买习惯，通过大类模型先锁定客户核心适配产品赛道，再输出每位客户专属 Top3 至 Top20 高匹配度产品清单，清单附带每款产品匹配概率，客户经理可依据概率高低优先向客户推介适配度最高的金融产品，针对保守型客户重点推送定期存款、低风险理财，针对进取型客户定向推荐公募基金、浮动收益理财，实现千人千面差异化资产配置推介。同时模型每周自动批量输出营销客户名单，划分高潜力转化客群、潜力观望客群、低匹配度客群，营销管理部门可依据名单分配网点营销任务，定向开展专项产品营销活动，精准锁定有真实配置需求的客户，大幅减少向无需求客户推送产品造成的营销骚扰，提升营销活动触达有效性，为全行零售存款增长、中间业务增收提供数字化工具支撑。

2. 搭建全行零售金融标准化特征数据底座

项目落地过程中固化的四套自动化特征宽表加工存储过程，构建起全行统一、标准、可复用的零售金融客户产品特征数据底座，整合行内多套异构业务系统分散存储的客户、产品、交易数据，解决以往营销、建模场景取数繁琐、数据口径不统一、特征重复开发的行业痛点，支撑全行多类零售数字化项目数据供给需求。四大标准化宽表分别覆盖客户基础全维度标签、客户 - 基金关联交易特征、客户 - 理财产品关联交易特征、客户 - 定期存款关联交易特征，宽表自动完成客户年龄、资产规模、城市等级、历史购买次数、近三月 / 当年交易金额、持仓规模等上百项衍生特征计算，统一数据时间格式、编码规则、缺失值处理逻辑，全行所有使用零售客户行为数据的业务场景均可直接调用宽表数据，无需重复开展跨系统关联、特征衍生、数据清洗工作。除服务本智能推荐模型日常运行外，该数据底座还可支撑客户分层分群、客户流失预警、零售风险识别、产品销量预测等其他数字化建模项目，大幅缩短新项目的数据准备周期，降低数据开发人员重复工作量，统一全行零售业务数据标准，为全行零售数字化转型提供稳定、规范的数据基础设施。

3. 形成银行 AI 建模标准化复用模板资产

本项目沉淀了一套完整适配银行业零售金融场景的 AI 建模标准化全流程模板资产，覆盖样本筛选划分、不平衡数据处理、高维特征工程、XGBoost 模型训练与超参数调优、多维度效果评估、模型可视化解释、自动化跑批投产全链路操作规范，整套流程全部固化至行内 AI 中台画布，具备极强跨项目复用价值，可直接迁移至信贷产品推荐、信用卡分期营销、贵金属产品推介等其他零售智能推荐类 AI 项目，大幅降低后续数字化建模项目研发周期与技术研发投入。模板中包含金融场景专属数据增强方案、双路径特征降维流程、多重过拟合防控策略、银行业专属指标评估体系等定制化技术方案，均经过本行真实业务数据验证，规避通用开源建模方案适配银行金融数据时出现的精度不足、合规不可解释、无法自动化投产等问题。后续新 AI 建模项目启动时，技术研发人员可直接复用本项目中台画布模板、SQL 数据加工脚本、指标统计逻辑，仅替换对应业务产品数据与少量特征即可快速完成模型搭建、训练、投产，无需从零搭建整套建模流程，同时统一全行 AI 项目建模标准，便于技术团队统一维护、迭代、管理全行算法模型资产，构建本行标准化 AI 建模技术体系。

4. 实现模型效果常态化监控与业务复盘分析

依托行内 AI 中台配套的可视化指标看板与周度自动效果比对机制，本成果实现推荐模型全生命周期常态化性能监控、业务问题快速复盘，打通算法技术与零售业务部门的数据沟通渠道，让业务人员无需掌握专业算法知识即可直观理解模型运行状态、推荐逻辑与存在问题。中台可视化模块可实时调取模型混淆矩阵、ROC 曲线、AUC 数值、精确率、召回率、F1 分数等分类指标，直观展示产品大类分类模型对不同客户群体的识别准确率；SHAP 特征重要性柱状图清晰展示影响客户产品偏好的核心特征，例如客户近三月理财购买金额、城市等级、活期存款余额等关键指标对推荐结果的影响权重，业务管理人员可结合线下客户经营经验，判断模型判定逻辑是否符合实际业务规律，识别模型与业务认知存在偏差的特征项。每周自动完成预测清单与客户真实成交数据比对，批量计算双口径命中率指标，若出现命中率持续下滑、特定产品推荐转化极低等异常情况，系统自动输出预警提示，技术人员可快速回溯特征加工流程、样本训练数据、模型参数，定位数据更新滞后、产品特征缺失、样本分布偏移等问题，快速完成模型迭代优化，建立常态化模型效果复盘机制，保障模型长期贴合业务实际经营现状。

5. 为大数据平台上层经营应用提供标准化数据供给

本项目模型产出的客户 - 产品匹配推荐结果，以数据库落地、离线文件导出两种标准化形式同步至全行统一大数据平台，作为底层基础数据供给全行各类上层零售数字化经营应用，支撑多场景精细化客户经营分析工作开展。大数据平台可基于推荐概率清单筛选专项营销活动目标客群，针对基金高匹配客户开展基金定投推广活动，针对定期存款高适配客户推出大额存单营销活动，精准圈定活动目标人群，提升营销活动 ROI；经营分析类报表可依托推荐数据统计全行客户产品偏好分布，分析不同年龄段、资产层级、城市等级客户的资产配置倾向，为总行产品研发、产品排期、渠道投放策略制定提供数据支撑；客户资产配置诊断系统可调取每位客户的多品类产品匹配概率，生成客户资产配置缺口分析报告，辅助客户经理为客户制定中长期资产配置方案；同时推荐结果数据可用于产品销量预测建模，结合客户匹配度预判各类金融产品未来成交规模，提前做好产品额度、发行周期规划。标准化的数据输出格式降低上层应用的数据对接开发成本，实现一套模型产出数据赋能全行多类零售经营场景，最大化挖掘算法模型的数据价值。

四、预期效益说明

（一）业务经营效益

本项目落地后将为唐山银行零售业务带来全方位、可持续的经营提升效益，从产品转化、人力效率、客户体验三大维度赋能零售业务提质增效，全面助力全行零售存款规模扩张与中间业务收入增长。在产品转化层面，项目设定刚性性能指标，产品大类分类模型 F1 值≥70%、单品类 Top3-20 产品推荐命中率≥65%，依托精准匹配客户真实资金需求与风险承受能力，大幅提升基金、理财、定期存款产品的客户购买转化率，减少无价值营销推送带来的资源浪费，持续带动理财手续费、基金代销佣金等中间业务增收，同时引导客户配置中长期定期产品，稳定全行核心存款规模，优化存款结构。在人力效率层面，以往客户经理需要手动翻阅客户档案、凭借个人经验筛选适配产品，重复性工作占用大量厅堂经营时间，本系统每周自动批量输出标准化精准营销名单与专属产品推荐清单，完全替代人工筛选匹配工作，大幅减少客户经理无效外呼、无效推介工作量，释放客户经理时间专注于高价值客户深度经营、资产配置规划，全面提升网点整体零售经营效能。在客户体验层面，系统基于客户真实资产情况推送适配产品，杜绝全客户统一推送高风险、长期限产品的同质化骚扰营销，贴合客户闲置资金周期、风险承受能力开展差异化推介，降低客户营销抵触情绪，提升线上线下服务满意度，持续增强客户资金留存意愿与客户粘性，夯实本行零售客户基本盘，为长期零售业务增长奠定客户基础。

（二）技术研发效益

项目落地同步为行内数字化技术体系带来多重长效研发效益，实现数据标准统一、AI 模型资产沉淀、算法合规可解释三大技术价值，降低全行数字化项目长期研发、运维成本，完善本行金融 AI 技术底座。在数据开发层面，项目固化四套自动化特征宽表加工脚本，统一整合分散在多业务系统的客户、产品、交易异构数据，制定标准化的数据清洗、特征衍生、编码转换规则，彻底解决以往各业务条线取数口径不统一、特征重复开发、数据质量参差不齐的问题，后续新增任何零售营销、风控建模项目，均可直接复用标准化宽表数据，无需重复开展跨系统关联、特征计算开发工作，大幅缩短新项目数据准备周期，减少数据开发人力投入与时间成本。在 AI 模型资产层面，本项目沉淀一套完整适配银行金融场景的标准化建模全流程模板，样本平衡、高维特征筛选、XGBoost 调优、可视化评估、自动化投产整套技术方案可跨项目复用，后续信贷、信用卡、贵金属等智能推荐类 AI 项目无需从零搭建建模流程，直接复用现有中台画布、数据脚本、指标体系，显著压缩算法研发、模型测试、投产落地周期，持续降低全行 AI 数字化项目研发投入。在合规管控层面，项目依托 SHAP 特征归因、多维度可视化指标看板完整还原模型推荐决策逻辑，解决传统机器学习算法 “黑盒不可解释” 的行业痛点，每一条客户产品推荐结果均可追溯对应的客户特征影响因素，既能向零售业务部门清晰说明推荐逻辑，也可完整满足金融监管对智能营销算法可解释、可追溯的合规管控要求，补齐本行数字化营销算法合规管理短板。

（三）长期精细化运营效益

从长期零售数字化转型视角来看，本项目构建的周度自动化闭环迭代机制、客户分层推荐体系，将持续赋能全行零售业务精细化、数字化长效运营，适配金融市场与客户理财行为长期动态变化，形成可持续迭代的客户经营能力。一方面，周度自动跑批、预测与真实成交数据自动比对的闭环迭代机制，能够持续接入全行最新客户交易、产品数据，动态更新模型训练样本，自动监控模型长期性能衰减情况，技术团队可依据周度效果复盘报告持续优化特征体系、调整数据增强策略、迭代模型版本，长期维持推荐命中率、分类 F1 值等核心指标稳定达标，适配市场理财产品持续上新、居民理财偏好随经济周期变化、客户资产结构动态调整等长期业务变化，避免静态模型长期运行后精准度持续下滑，保障智能营销工具长期稳定发挥业务价值。另一方面，模型输出的客户产品偏好、品类匹配概率标签，支撑全行搭建分层精细化客户资产经营体系，依据客户适配产品类型划分保守型、平衡型、进取型三大客群，针对不同客群制定差异化资产配置经营策略，保守型客群主推定期存款、低风险封闭式理财，平衡型客群搭配理财 + 小额基金定投组合，进取型客群重点推介权益类基金、浮动收益理财，推动全行从单一产品推销模式向综合资产配置经营模式转型，全面深化零售客户精细化经营能力，助力本行零售业务长期数字化高质量发展。