银行用户画像 -- 金融目标与需求意图 1. 引言金融目标与需求意图是银行用户画像中动态意图驱动的核心维度。与风险偏好主观意愿、财务状况客观能力等相对稳定的维度不同金融目标与需求意图回答的是用户此刻想要什么——它是最动态、最体现时效性的画像维度也是实现千人千面、甚至一人千面个性化服务的关键。在 MiFID II 及中国证监会适当性管理法规中投资目标investment objectives与风险容忍度、财务状况被列为法律强制采集的三大核心信息项这意味着金融目标维度的构建不仅是提升推荐精准度的商业需求更是合规要求。本文以Brusilovsky 意图建模理论为核心方法论基础以Goal-Based Planning目标导向财富管理为业界实践框架从监管法规、学术研究、业界实践三个视角为金融目标与需求意图的每一个画像小类提供多维度的理论依据与合理性论证。1.1. 理论基础Brusilovsky 意图建模理论Brusilovsky 的意图建模理论植根于自适应超媒体Adaptive Hypermedia和用户建模User Modeling的长期研究。其核心思想是系统需要构建一个显式的、可计算的用户模型User Model以捕捉用户的目标Goals、偏好Preferences和知识Knowledge从而实现个性化的信息与服务适配。该理论对手机银行用户画像的指导意义在于推动画像从一个静态、描述性的用户档案升级为一个动态、可预测的意图理解引擎。其核心不再是用户是谁而是用户此刻想做什么。1.1.1. 模型的核心维度维度核心定义在手机银行场景中的体现用户目标Goals用户使用系统时想达成的具体目的是最动态的特征识别攒首付显式或从频繁查理财推断闲钱配置隐式用户知识Knowledge用户对金融领域或产品操作的认知水平新手展示详尽产品说明专家展示深度分析图表用户偏好Preferences用户长期稳定的选择倾向产品类型、交互风格等影响界面模式简洁/专业、推送产品类型排序用户背景与经验Background/Experience人口统计学、社会属性、过往使用经验等外部环境信息新用户与老用户的服务预期、风险承受评估、操作引导路径不同1.1.2. 技术实现的协同逻辑输出与更新维度建模数据输入行为日志流实时特征提取用户注册信息静态特征库历史交易/交互离线特征计算意图分类器 → 目标状态机覆盖模型 BKT → 知识掌握度协同过滤/深度学习 → 偏好向量刻板印象规则 → 背景标签动态目标画像知识水平标签偏好权重矩阵经验与背景基线统一用户模型缓存推荐/风控/界面引擎用户交互反馈2. 金融目标与需求意图画像参考Goal-based Planning瑞银/招商私行方法论Brusilovsky intent modeling小类定义从对话提取的信号示例推荐映射D1 明确陈述目标用户主动表达的具体金融目标“想攒够首付”“给孩子存教育金”“规划养老”目标导向产品组合推荐D2 隐性需求推断从行为/对话推断的未表达需求频繁查理财→有闲钱待配置问房贷利率→有再融资需求主动推荐用户未问但可能需要D3 需求优先级多目标的轻重缓急排序“最重要的是保障”“投资排第二”推荐排序与资源分配D4 需求状态演变目标的达成、放弃、新增轨迹“首付目标快达成了”“暂时不打算买房了”阶段性推荐切换2.1. D1 明确陈述目标Explicit Goal Statement明确陈述目标是最高置信度的意图信号对应 Brusilovsky 理论中的显式意图捕获与目标具象化维度。依据维度具体说明监管法规①欧盟 MiFID II2018Article 25(2)将investment objectives投资目标列为法律强制采集项与风险容忍度、财务状况并列投资服务提供者必须据此评估推荐的适当性。②中国证监会《证券期货投资者适当性管理办法》2017第6条要求了解投资者的投资目标和投资期限包括资金使用时间点、期望收益等。③《商业银行理财业务监督管理办法》要求产品期限匹配客户资金使用时间点而明确陈述的目标如3年后付首付直接决定资金退出时点是期限匹配的关键参数。④中国银保监会《商业银行理财客户风险评估问卷基本模版》将投资目的资产保值/稳健增长/迅速增长和投资期限1年以下/1-3年/3-5年/5年以上列为风险评估的核心题项。学术研究①Brunel2003—— Goal-Based Wealth Management首次系统提出目标导向财富管理框架——不是按风险等级分配资产而是按每个具体目标退休、教育、购房分别配置组合。这是瑞银、招商私行等机构的核心方法论。②Brusilovsky Millán2007—— User Modeling将显式意图Explicit Intention定义为可信度最高、系统响应优先级最高的用户信号。当用户主动陈述目标时系统应立即触发目标具象化机制——将模糊的口语表述如攒够首付映射为可计算的金融参数金额、期限、流动性要求。③Das et al.2010—— Goals-Based Wealth Management实证证明目标导向方法在动态管理中优于传统均值-方差优化方法MVO因为目标导向能追踪每个目标的达成进度并动态调整组合策略。④Shefrin Statman2000—— Behavioral Portfolio Theory投资者在多个心理账户上分别管理不同目标的资金——安全层保本目标与潜力层增长目标各自独立配置目标导向方法正是这一理论的最佳实践落地。业界实践①瑞银UBSWealth Management每位客户建立Goal Map目标地图按目标分别配置资产池动态追踪达成率。客户与客户经理首次会面的核心议程就是明确您的人生目标。②招商银行私人银行以目标驱动为核心方法论——先问您想实现什么再配方案。私行客户经理的KYC流程中目标采集是第一优先级步骤。③Vanguard Personal Advisor Services以目标为入口“What are you saving for?”而非以产品为入口。系统根据客户陈述的目标退休/教育/购房自动生成投资方案。④蚂蚁财富目标投用户可自主设定攒钱目标金额期限系统自动匹配定投方案并展示进度条实现目标→计划→执行→追踪的闭环。2.2. D2 隐性需求推断Implicit Need Inference隐性需求推断是 Brusilovsky 理论最核心的贡献之一——解决隐式意图Implicit Intention的推理难题。系统通过行为序列浏览、停留、点击频率推断用户未明确表达但可能存在的金融需求。依据维度具体说明监管法规①适当性管理的了解客户原则延伸虽然监管法规主要规范明确陈述的信息采集但 MiFID II 的持续获取客户信息要求ongoing suitability assessment隐含了对隐性需求主动识别与追踪的必要性。②《消费者权益保护法》第8条消费者享有知悉其购买、使用的商品或者接受的服务的真实情况的权利。银行主动识别隐性需求并推送相关产品本质上是帮助消费者知悉其可能需要的服务选项。③《个人信息保护法》第24条关于自动化决策的规定利用个人信息进行自动化决策包括隐性需求推断应当保证决策的透明度和结果公平、公正不得对个人在交易价格等交易条件上实行不合理的差别待遇。这要求隐性需求推断系统必须具备可解释性。④《金融消费者权益保护实施办法》要求金融机构提供适合的产品隐性需求推断是判断适合性的重要技术手段。学术研究①Brusilovsky1996, 2007—— 隐式意图推理行为序列是用户的无意识投票证据系统不能简单将频繁查理财等同于想买理财而需运用贝叶斯推断或关联规则计算该行为背后指向闲钱配置的概率。上下文Context是修正概率的关键——查询发生在发薪日后高概率推断vs 查询发生在股市大跌日可能偏向避险。②Kahneman2011—— 双系统理论Thinking, Fast and Slow系统1快速直觉型和系统2慢速分析型驱动不同的行为模式隐式行为更多反映系统1的直觉判断而显式陈述更接近系统2的理性分析。两者结合可获得更完整的意图理解。③行为序列挖掘研究用户在金融App上的点击流、浏览路径、停留时长等行为序列与特定的金融需求之间存在可学习的关联模式。LSTM/Transformer等时序模型可将行为序列映射为意图概率分布。④计划行为理论Ajzen, 1991行为意图Behavioral Intention是实际行为的最强预测因子隐式行为是行为意图的外在体现通过行为推断意图具有扎实的社会心理学基础。业界实践①蚂蚁财富行为推断当用户频繁查看某只基金详情页超过3次/周系统自动推断关注该基金意图在首页动态展示该基金的净值波动和收益数据并推送同类产品对比。②招商银行预判式服务当用户查询房贷利率超过2次系统推断再融资/转按揭意图在下一屏主动推送存量房贷利率调整服务入口和最新政策解读。③平安银行智能洞察基于用户近30天的行为序列浏览、搜索、停留自动生成你可能感兴趣的卡片附带可解释性标记如根据您近期3次查看理财产品的行为。④富达投资Fidelity“行为触发”当用户登录后长时间停留在退休规划页面但未操作系统推断规划困难意图主动弹出一键预约退休规划顾问按钮。2.3. D3 需求优先级Need Priority需求优先级维度解决了多目标冲突消解问题——Brusilovsky 指出真实用户意图往往是并行且互相竞争的Parallel Conflicting Goals系统必须构建一个优先级排序器在有限资源下做出最优推荐。依据维度具体说明监管法规①适当性管理中的最重要目标识别中国证监会适当性管理办法要求了解投资者的投资目标但实践中客户的多个目标往往存在资源竞争关系识别优先级是适当性评估的深层要求。②《商业银行理财业务监督管理办法》要求产品风险等级与客户风险承受能力匹配当客户有多个目标时应根据优先级分配不同风险等级的产品——更高优先级的目标应匹配更低风险的产品。③MiFID II Suitability Requirements投资服务提供者必须确保推荐的适当性当客户有多个目标时优先级高的目标应获得更审慎的推荐——这是了解客户原则的自然延伸。④《金融消费者权益保护实施办法》要求金融机构提供适合的产品在客户有多个相互冲突的目标如既要保障本金又要高收益时优先级排序是判断适合性的关键前置步骤。学术研究①Chhabra2005—— Wealth Allocation Framework将目标分为三个层级——Protection保障层、Market市场增长层、Aspirational追求超额层分别配置不同风险组合。这一框架直接对应D3需求优先级——保障层目标必须优先满足之后才配置增长层和超额层。②Brusilovsky2007—— 多目标冲突消解要求系统构建一个优先级排序器Priority Ranker而非简单并列目标。当用户说最重要的是保障投资排第二时系统需识别出这是显式的权重赋值Weight Assignment涉及约束满足问题CSP——在有限的每月可投资金额下根据权重分配资源。③Maslow1943—— 需求层次理论人类需求呈金字塔结构——底层需求安全、保障必须优先满足上层需求成长、自我实现才能被激活。这一理论映射到金融领域保障性需求保险、应急储备优先级高于增长性需求投资、投机。④前景理论Kahneman Tversky, 1979损失厌恶心理导致人们在不同目标上的风险态度不一致——保障层目标极端风险厌恶增长层目标适度风险偏好。优先级排序必须考虑这种风险态度异质性。业界实践①瑞银UBS目标地图优先级排序客户与客户经理共创的Goal Map中明确标注每个目标的优先级P1/P2/P3P1目标如退休保障获得最高配置权重和最低风险产品P3目标如旅游基金可配置较高风险产品。②招商银行私行多目标配置私行客户经理在KYC流程中要求客户对养老保障“子女教育”“资产增值”“购房换房等常见目标进行优先级排序排序结果直接决定资产配置方案的权重分配。③Vanguard PAS目标排序系统引导客户对多个目标进行排序并可视化展示如果按此排序各目标的资金分配和达成概率”帮助客户理解优先级决策的财务影响。④蚂蚁财富目标优先级用户可设置多个目标并标注优先级系统自动将每月可投资资金按优先级比例分配——P1目标获得50%资金P2目标获得30%P3目标获得20%。2.4. D4 需求状态演变Need State Evolution需求状态演变维度回答目标当前处于什么阶段——Brusilovsky 强调意图不是静态的必须用状态机State Machine来管理典型状态包括新增New、进行中Ongoing、即将达成Near-Completion、放弃Abandoned、达成Achieved。依据维度具体说明监管法规①《金融机构产品适当性管理办法》要求定期对投资者进行风险能力评估当测评结果与上次不一致时需特别关注间接承认客户目标和财务状况的动态性目标状态演变是动态评估的核心组成部分。②MiFID II 持续适当性评估要求投资服务提供者必须持续获取客户信息ongoing basis当客户的目标状态发生变化如首付目标即将达成必须重新评估推荐的适当性。③《商业银行理财业务监督管理办法》鼓励银行对客户进行动态评估当客户目标状态发生重大变化如退休目标达成、购房目标放弃需重新匹配产品。④中国银保监会关于消费者适当性管理的监管精神要求银行在客户关键人生节点如退休、子女入学主动触达客户重新评估其金融需求——这正是目标状态演变的外在体现。学术研究①Das et al.2010—— Goals-Based Wealth Management with Dynamic Monitoring实证证明了目标导向方法需要动态追踪每个目标的达成进度当目标状态从进行中切换为即将达成时资产配置策略应从追求增长切换为流动性管理。②Brusilovsky1996, 2007—— 目标状态机理论提出意图的典型状态管理模型——新增New、进行中Ongoing、即将达成Near-Completion、放弃Abandoned、达成Achieved。系统在状态切换时必须进行模型回滚与重置已完成的目标要归档放弃的目标要冻结其关联的自动划扣计划。③行为金融学中的重启效应重大人生事件结婚、生育、退休、换房会触发投资者的重启效应——此时客户重新评估自身目标和风险偏好是银行介入提供理财规划的黄金窗口期。④Hoffmann et al.2015—— 风险感知动态变化风险感知随市场波动动态变化但目标状态的变化如快达成首付目标同样会引发风险态度的调整——临近目标达成时风险容忍度显著下降。业界实践①瑞银UBSGoal Map动态追踪每个目标配置独立的资产池系统自动追踪达成进度进度条当目标达成率超过90%时自动触发流动性迁移策略——将资产从权益类转移至现金类为资金使用做准备。②招商银行阶段性推荐切换当D1目标从进行中切换为Near-Completion时推荐策略立即从追求复利积累切换为流动性管理建议将资金转入T0理财为首付支付做准备当检测到放弃状态时系统自动取消相关产品的到期续投提醒转而询问是否了解其他替代性资产配置方案。③平安银行事件触发机制通过AI识别消费行为触发事件信号如频繁出现母婴类消费→自动标记新晋父母→定向推送教育金规划与少儿保险正是D4状态演变在家庭生命周期层面的应用。④Betterment智能投顾“目标再平衡”当用户的目标状态发生变化如提前退休、购房计划推迟系统自动触发再平衡调整各目标对应的资产配置比例并通知用户您的目标计划已根据最新状态更新。3. 综合依据3.1. 依据 1监管法规——投资目标是适当性管理的强制采集项法规/标准核心要求与该维度的关系欧盟 MiFID II2018Article 25(2)强制要求获取investment objectives投资目标和time horizon投资时间范围D1明确陈述目标 D3需求优先级 D4需求状态演变均属投资目标范畴中国证监会《证券期货投资者适当性管理办法》2017第6条经营机构应当了解投资者的投资目标和投资期限D1的直接法规依据D3和D4是投资目标的深层拆解中国银保监会《商业银行理财业务监督管理办法》2018要求产品期限匹配客户资金使用时间点目标决定资金退出时点D1目标期限 D4目标状态→资金使用时点提供期限匹配依据《商业银行理财客户风险评估问卷基本模版》将投资目的和投资期限列为风险评估核心题项D1明确目标 D3优先级排序的问卷化落地《金融机构产品适当性管理办法》要求定期更新客户信息动态评估适当性D4需求状态演变是动态评估的核心维度结论金融目标与需求意图是法规要求采集的信息维度D1-D4是法律强制或监管明确要求的画像小类。3.2. 依据 2学术文献——目标导向是金融推荐的核心范式文献核心观点对应小类Brunel2003—— Goal-Based Wealth Management首次系统提出目标导向财富管理框架按每个具体目标分别配置资产组合D1明确目标具象化Chhabra2005—— Wealth Allocation Framework将目标分为保障层/增长层/超额层三层分别配置不同风险组合D3需求优先级Das et al.2010—— Goals-Based WM with Dynamic Monitoring目标导向方法在动态管理中优于传统MVO方法能追踪达成进度并动态调整D4需求状态演变Brusilovsky Millán2007—— User Modeling用户模型的intent维度是推荐系统的核心输入——用户想要什么比用户喜欢什么更直接地驱动推荐D1D2总体框架Brusilovsky1996—— 隐式意图推理行为序列是用户的无意识投票证据需用贝叶斯推断计算意图概率D2隐性需求推断Shefrin Statman2000—— Behavioral Portfolio Theory投资者在多个心理账户上分别管理不同目标的资金D1D3目标分立与优先级Kahneman Tversky1979—— Prospect Theory损失厌恶导致不同目标上的风险态度不一致D3优先级→风险配置3.3. 依据 3业界实践机构实际做法对应小类瑞银UBSWealth Management每位客户建立Goal Map按目标分别配置资产池动态追踪达成率D1D3D4招商银行私人银行“目标驱动为核心——先问您想实现什么”再配方案D1D3Vanguard Personal Advisor Services以目标为入口“What are you saving for?”而非以产品为入口D1蚂蚁财富目标投用户自主设定攒钱目标金额期限系统自动匹配定投方案D1D4蚂蚁财富行为推断根据用户行为序列推断隐性需求附带可解释性标记D2招商银行预判式服务查询房贷利率超2次→推断再融资意图→主动推送服务入口D2平安银行事件触发识别消费行为触发事件信号如母婴消费→新晋父母→教育金推荐D4Betterment目标再平衡目标状态变化时自动触发再平衡调整各目标配置比例D44. 总结四个子类的理论底层逻辑小类对应的Brusilovsky核心维度画像构建的技术侧重点D1 明确陈述目标显式输入 确定性强约束自然语言解析与参数化映射将口语转成结构化Goal Object金额、期限、风险容忍度D2 隐性需求推断隐式行为数据 概率性推测行为序列模型与置信度评估计算意图发生概率而非二元判定D3 需求优先级多目标共存 冲突消解 权重分配约束优化算法在用户约束下按权重分配推荐资源D4 需求状态演变时间动态性 状态迁移管理状态机引擎与事件触发机制捕捉对话关键词驱动目标状态流转Brusilovsky 理论最深刻的启示在于手机银行的画像绝不是一个静态档案柜而是一个实时推理引擎。它必须在每一次交互中持续回答用户此刻最可能的目标是什么D1/D2、“在多个目标中哪个该优先响应D3”、“之前的目标现在是否还作数D4”。只有这样D1-D4的划分才不只是分类标签而是驱动千人千面、时千面的活数据底座。5. 参考Brusilovsky, P., Millán, E. (2007). User models for adaptive hypermedia and adaptive educational systems.The Adaptive Web, 3-53.Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia.User Modeling and User-Adapted Interaction, 6(2-3), 87-129.