如何克服传统行销预测模型的痛点？玉山银上云AI实战大公开！

早在2013年玉山银行就成立了资料科学团队，从传统的资料仓储分析、BI分析，进一步开始投入资料科学分析、大数据应用，近年也开始引进机器学习、云端运算等新兴科技。最近，玉山银行数位金融长暨副总经理李正国在Google Cloud Summit活动上，揭露了玉山银行利用机器学习建立预测模型，来解决传统行销痛点的经验。

“玉山银行在传统行销预测模型，遇到了许多挑战。”李正国指出，最大痛点就是，不断扩增的巨量资料，而这些维护庞大资料以供内部分析之用，也考验著玉山IT硬件的效能与系统效率。

这个资料爆量难题，也让玉山过去建立行销预测模型时，通常得经过3到6个月，才能更新一次模型。但，李正国坦言，这样的更新速度，远远跟不上顾客对玉山银行销售服务的期待，只有预测模型不断更新，才能够让顾客在浏览网络银行时，推荐最新金融产品或服务来吸引顾客。

除了速度，玉山也希望可以进一步提高推荐的精细度，李正国解释，过往玉山是从单一产品行销角度来看，分析顾客在网页上浏览特定产品的行为，来推测顾客是否对特定一款产品的兴趣程度来进行推荐。

但现在，玉山希望改以顾客为导向，不只看单一产品的浏览行为，而是转而分析顾客在整个官网上的各种浏览行为，试图想更精准地判断顾客想要的金融产品。“一旦找出顾客在浏览行为上的细微变化，就能提供更为客制化的服务。”李正国说。

在GCP上建构机器学习平台，打造信贷行销预测模型

这些想解决的痛点，让玉山银行开始考虑采用Google Cloud平台。

李正国提到，玉山银行从信用贷款开始尝试，利用Google云端平台来建立一套机器学习行销预测机制。玉山银行在GCP上租用虚拟机器自行建置了一套TensorFlow机器学习系统。再将网络银行、官网搜集而来的大笔线上顾客行为资料，取出与个资无关的结构化或半结构化资料，如Log档和点击数据等，储存到GCP的BigQuery云端资料分析仓储服务上，再抽取出需要的数据，放入云端这套TensorFlow系统上用Python语言开发的机器学习程式，来训练预测模型。

不过，银行这么多金融产品，为何先选用信贷？李正国解释，玉山银行75％的信贷顾客，例如房屋贷款、汽车贷款等，都是透过 Google关键字搜寻而来。顾客从搜寻关键字结果进入玉山网站后，打开的第一个页面，就是到达页面（landing page）。他说，到达页面包含了许多与顾客沟通的数位内容，从顾客在这一页的行为，加上顾客在站上其他页面的浏览行为，以及顾客过去的成交记录，“可以找出最后让顾客在网站上完成信贷送件的关键。”

但只有分析线上顾客行为的资料还不够，李正国强调，后续资料和变数的处理才是一大重点，例如如何判断顾客的活跃可能性、浏览深度、平均成交周期等。例如在顾客活跃性上，玉山分析团队会思考，一位在短时间内进到网站页面浏览7、8次的顾客，看似信贷需求很强，但也可能有其他意图。

至于浏览深度面向，则是会从一系列复合的浏览行为来分析，例如若顾客只浏览信用贷款相关页面，就可以轻易推断他有信贷需求。但也有顾客不只浏览信用贷款网页，又会接着浏览信用卡通信贷款，就可推测这名顾客很有可能还是玉山信用卡用户，或像是顾客还会登入玉山网页，检查自己有无负担保责任，就表示他名下可能有房屋等不动产，而不只需信贷服务就够。

李正国表示，从顾客在银行网站中往返不同产品网页之间，进行价格、额度或分摊时间等浏览比较行为中，就可以串连出很多精彩的变数。但要进一步结合这些顾客浏览页面的次数、看过的产品或方案数量，甚至前述的浏览深度等变数，找出能影响信贷成交的关键，就得靠机器学习平台打造出来的预测模型，找出消费者购买信贷产品的关键要素。

玉山银利用云端自建的机器学习平台，来建立信用贷款的推荐模型后，从广告投放的转换率来看，过往玉山会投放大量网络广告，即便成功吸引消费者打开银行网页，甚至浏览了许多页面后，最后往往难以让顾客申请信贷送件，等于白费功夫。李正国说，现在改用机器学习训练的新模型，能让行销变得更为精准，也等于降低了在信贷产品的广告投放转换成本。

不只如此，李正国更看重的是，可以根据顾客新的行为资料，不断重新训练出新的模型，所以，“预测模型可以维持新鲜，预测能力也维持恒定的水准，这也能解决了过去玉山3到6个月才能更新一次预测模型的痛点。”

李正国透露，玉山的投放广告转换率因此而提升了7.5倍。因此，不只信用贷款产品，未来还可延伸到更多相似的目标客群，如理财、外汇、信用卡、购物推荐都将是未来的应用方向。文⊙李静宜