如何克服傳統行銷預測模型的痛點？玉山銀上雲AI實戰大公開！

早在2013年玉山銀行就成立了資料科學團隊，從傳統的資料倉儲分析、BI分析，進一步開始投入資料科學分析、大數據應用，近年也開始引進機器學習、雲端運算等新興科技。最近，玉山銀行數位金融長暨副總經理李正國在Google Cloud Summit活動上，揭露了玉山銀行利用機器學習建立預測模型，來解決傳統行銷痛點的經驗。

「玉山銀行在傳統行銷預測模型，遇到了許多挑戰。」李正國指出，最大痛點就是，不斷擴增的巨量資料，而這些維護龐大資料以供內部分析之用，也考驗著玉山IT硬體的效能與系統效率。

這個資料爆量難題，也讓玉山過去建立行銷預測模型時，通常得經過3到6個月，才能更新一次模型。但，李正國坦言，這樣的更新速度，遠遠跟不上顧客對玉山銀行銷售服務的期待，只有預測模型不斷更新，才能夠讓顧客在瀏覽網路銀行時，推薦最新金融產品或服務來吸引顧客。

除了速度，玉山也希望可以進一步提高推薦的精細度，李正國解釋，過往玉山是從單一產品行銷角度來看，分析顧客在網頁上瀏覽特定產品的行為，來推測顧客是否對特定一款產品的興趣程度來進行推薦。

但現在，玉山希望改以顧客為導向，不只看單一產品的瀏覽行為，而是轉而分析顧客在整個官網上的各種瀏覽行為，試圖想更精準地判斷顧客想要的金融產品。「一旦找出顧客在瀏覽行為上的細微變化，就能提供更為客製化的服務。」李正國說。

在GCP上建構機器學習平臺，打造信貸行銷預測模型

這些想解決的痛點，讓玉山銀行開始考慮採用Google Cloud平臺。

李正國提到，玉山銀行從信用貸款開始嘗試，利用Google雲端平臺來建立一套機器學習行銷預測機制。玉山銀行在GCP上租用虛擬機器自行建置了一套TensorFlow機器學習系統。再將大筆不涉及個資的線上顧客行為資料，如Log檔和點擊數據等，儲存到GCP的BigQuery雲端資料分析倉儲服務上，再抽取出需要的數據，放入雲端這套TensorFlow系統上用Python語言開發的機器學習程式，來訓練預測模型。

不過，銀行這麼多金融產品，為何先選用信貸？李正國解釋，玉山銀行有很大量的信貸顧客，例如房屋貸款、汽車貸款等，都是透過 Google關鍵字搜尋而來。顧客從搜尋關鍵字結果進入玉山網站後，打開的第一個頁面，就是到達頁面（landing page）。他說，到達頁面包含了許多與顧客溝通的數位內容，從顧客在這一頁的行為，加上顧客在站上其他頁面的瀏覽行為，以及顧客過去的成交記錄，「可以找出最後讓顧客在網站上完成信貸送件的關鍵。」

但只有分析線上顧客行為的資料還不夠，李正國強調，後續資料和變數的處理才是一大重點，例如如何判斷顧客的活躍可能性、瀏覽深度、平均成交周期等。例如在顧客活躍性上，玉山分析團隊會思考，一位在短時間內進到網站頁面瀏覽7、8次的顧客，看似信貸需求很強，但也可能有其他意圖。

至於瀏覽深度面向，則是會從一系列複合的瀏覽行為來分析，例如若顧客只瀏覽信用貸款相關頁面，就可以輕易推斷他有信貸需求。但也有顧客不只瀏覽信用貸款網頁，又會接著瀏覽信用卡通信貸款，就可推測這名顧客很有可能還是玉山信用卡用戶，或像是顧客還會登入玉山網頁，檢查自己有無負擔保責任，就表示他名下可能有房屋等不動產，而不只需信貸服務就夠。

李正國表示，從顧客在銀行網站中往返不同產品網頁之間，進行價格、額度或分攤時間等瀏覽比較行為中，就可以串連出很多精彩的變數。但要進一步結合這些顧客瀏覽頁面的次數、看過的產品或方案數量，甚至前述的瀏覽深度等變數，找出能影響信貸成交的關鍵，就得靠機器學習平臺打造出來的預測模型，找出消費者購買信貸產品的關鍵要素。

玉山銀利用雲端自建的機器學習平臺，來建立信用貸款的推薦模型後，從廣告投放的轉換率來看，過往玉山會投放大量網路廣告，即便成功吸引消費者打開銀行網頁，甚至瀏覽了許多頁面後，最後往往難以讓顧客申請信貸送件，等於白費功夫。李正國說，現在改用機器學習訓練的新模型，能讓行銷變得更為精準，也等於降低了在信貸產品的廣告投放轉換成本。

不只如此，李正國更看重的是，可以根據顧客新的行為資料，不斷重新訓練出新的模型，所以，「預測模型可以維持新鮮，預測能力也維持恆定的水準，這也能解決了過去玉山3到6個月才能更新一次預測模型的痛點。」

李正國透露，玉山的投放廣告轉換率因此而提升了7.5倍。因此，不只信用貸款產品，未來還可延伸到更多相似的目標客群，如理財、外匯、信用卡、購物推薦都將是未來的應用方向。文⊙李靜宜

更正啟事：玉山銀行11/16下午來信，提及演講時中談到大筆不涉個資的「結構化與非結構化」線上顧客行為資料取自「網路銀行、官網」以及玉山銀行有「75％」的信貸顧客來自Google關鍵字搜尋，兩者括弧中的資訊有誤，內文已更正。