从线下物理网点迈向手机银行，零售银行主战场在潜移默化之间完成了一次宏大迁徙。
最显著的例证是，我国18家头部银行6家大型商业银行、12家股份制银行总共开发了超过170款App，甚至中国银行一家就拥有36款App。
与此相对照，根据中国银行业协会统计，银行业平均离柜率已从2012年的54.37%上升至2018年的88.67%，多家银行的离柜率已经高达90%以上。
趋势显而易见，传统增长红利渠道日益崩塌，APP成为银行们迫切需要争夺的新大陆。移动化转型已经成为行业共识，但是“如何转”又成为一个新问题。如何获客和活客，是移动互联时代手机银行 App 面临的共同痛点。
正如当年媒体业普遍挣扎于线上化转型之时，今日头条却凭借着智能算法推荐技术，在巨头林立的资讯分发领域中异军突起。当下，为了提升用户黏度和活跃度，正有一些银行开始实践“今日头条模式”，在其移动端提供智能推荐的“千人千面”服务。
作为发行国内第一张真正意义上信用卡的老牌股份制银行广发银行正是其中的典型。目前，广发信用卡“发现精彩”App累计注册客户约4500万户，绑卡客户约3000万户。
广发卡“发现精彩”APP负责人朱小凡告诉钛媒体，2017年其内部就开始智能化方向的探索，截止目前，基于用户行为、搜索数据、商品属性等特征数据，其饭票业务、商城业务等都已实现了个性化推荐并且获得了明显的成效。据其介绍，发现精彩APP首款推荐模型饭票实时模型上线后，用户点击率提升了40%。
在朱小凡看来，“个性化推荐代表着银行业在移动端的一次重要探索，即从银行APP向互联网APP边界的探索。”
当信用卡APP“知你所想”
如果手机中装有足够多的银行APP，你就不难发现，它们中的大多数似乎是“孪生兄弟”账户查询、转账、购买理财、申请贷款、生活缴费、网点预约，构成了一款银行APP的的标准模型。
同质化带来的是非常相似的应用界面，尤其是农商行、村镇银行的手机银行APP，界面几乎完全一样。
而这种“千人一面”的特征同样也反映在早期银行App的设计上。早期的推荐产品主要靠平台运营人员依靠业务知识进行手工配置，策略投放也是基于场景相关性的固定位置展示，用户访问此场景时，将会“千人一面”地展示这些商品。
而在“发现精彩”APP的案例中，此类“原始”的人工推荐正逐渐被个性化推荐替代，实现用户的“知你所想”成为目前的最新定位。在接受钛媒体采访时，朱小凡描述了广发卡个性化推荐业务的迭代进度：
2018年12月底，广发卡发现精彩APP的首个推荐模型饭票实时推荐功能上线， 用户打开饭票首页，可以看到发现精彩APP为他们专属推荐的附近商户。
历经四个月的筹备，2019年中旬发现精彩APP相继上线了广发商城“看了又看”、“猜你喜欢”功能，为用户提供商品的智能推荐服务。
朱小凡还表示，2020年，发现精彩APP将计划实现“全场景一站式推荐服务”。即整合众多业务和推荐模型，为用户提供“混合推荐”功能。如用户打开发现精彩APP时映入眼帘的会是一个“瀑布流”，给每个用户提供相匹配的饭票、商城、分期、小发播报等定制化服务和内容。
"根据用户日常行为偏好，将适合的商品优先筛选提供给用户"
“推荐系统最早起源于1995年，2012年头条系的产品重点使用推荐系统构建信息流推荐。但即使像阿里、腾讯等互联网公司的一些重点App，大力构建推荐系统是从2017年开始的。”发现精彩APP项目组的产品带头人彭建丹表示。
这也就意味着，在2018年，推荐系统对于银行来讲也是个新事物，需要经历从0到1的全过程。
“从0到1” 如何跨越？
实现个性化推荐的前提是构建智能推荐模型，而建模的前提则是数据。
在开始建模前，缺乏有效的推荐数据成为摆在广发银行技术人员面前的一大难题。
彭建丹回忆，2018年初，团队敲定模型需求，选定饭票作为第一个试水场景。“先从饭票这个场景入手，在于饭票是基于地理位置进行推荐的，带有很强的个性化推荐属性需要。”
“以前，对于数据使用，只专注在功能位置的埋点，关注功能位置上的PV和UV情况，但如果要做推荐系统，埋点数据要配合推荐系统进行修改，改完之后在线“养数据”至少三个月才有足够的数据用于建模。”
所谓“埋点”，就是在APP中收集用户浏览，收藏，点击等行为的程序，把每个用户在什么时间点击了什么商品记录下来。
除了数据问题之外，与第三方建模开发团队的配合问题也需解决。当时除了风险部门，广发信用卡中心还没有实时大型模型的建模团队。
构建大型推荐模型，发现精彩APP需和第三方公司合作。个性化推荐模型的构建，也是针对用户场景，用户属性，业务特征专门打造推荐算法的过程。需要第三方公司了解银行系统架构、业务流程和用户特点等方方面面。前期经过了一段磨合，建模后进行几个月才有比较好的效果。
直至2018年12月，发现精彩APP首款推荐模型饭票实时模型上线。该模型上线后，与此前人工推荐相比效果提升了40%。
有了一定建模经验后，团队开始尝试自建推荐模型，两种方式相辅相成。“自建模型可以加深我们对技术的理解，加强自身的技术沉淀，这让我们对自己的模型有更多可控性”，彭建丹说。
2019年9月，离线版商城相似商品推荐模型上线，主要部署在看了又看、猜你喜欢三个位置上。该款推荐模型实用、高效，可以在多个场景使用，有较高的适用性。当时的直接效果是，该模型推荐较人工推荐有了15%的点击率提升。
而对于平台上入驻的商家而言，推荐模型能够帮助商户对每个商品维护详情页的推荐进行精准化配置。
有入驻商家表示，“以前给每个商品维护详情页的推荐，在上架商品较多的情况下是个累活。我们一般只给重点商品配置”看了又看”的关联推荐，因为人手不够。现在有了推荐模型，在减少机械式人力操作的同时，算法比我们还懂用户，现在详情页内的关联流量有了60%以上的增长。”
智能推荐重塑银行App
与发现精彩APP的迭代相同步，平安银行上线了一款电商平台“口袋银行商城”，招行的“掌上生活”开始强调“内容和电商”，而广发信用卡在国内银行信用卡APP中引入了养成游戏“小发羊”。
这些国内头部信用卡App的迭代，都体现出了同样的趋势通过高频的生活场景提升获客活客留客的能力，再反哺金融服务, 最终达成让用户在特定场景下使用金融服务的目的。
简而言之，以APP为基点，争夺消费场景，“连接”一切。
“以‘发现精彩’APP来说，绑定了APP的持卡用户活跃度要明显高于非绑定用户，所以移动端对用户的触达效果是非常明显的，在移动互联网时代，APP是银行‘连接’用户的一个重要枢纽。”朱小凡表示。
从这个意义上讲，推荐功能的实现和优化，在如今信用卡存量时代中更具价值和意义，成为了建立用户高频连接的纽带。
当然，与内容及电商领域的逻辑类似，银行App的“千人千面”或许同样有着“信息茧房”的弊端，让用户少了很多接触到“兴趣之外”信息的机会。但对于当下的银行App而言，优质的服务仍然是稀缺资源，将推荐算法应用到产品体系时，核心价值仍然是客户体验的提升。
回顾推荐系统“始祖”亚马逊，在过去的近二十年里的成就，其为每个客户构建了一个定制化的网上商店。当每个用户浏览Amazon.com 网站时，仿佛走进了一个为自己量身打造的商店，那些自己感兴趣的商品会被自动移动到前面，而不太感兴趣的商品则被移动到远处。
与此同理，银行业正如转型中的亚马逊，将促使客户从消极被动接受服务到积极主动选择服务。
相应的，银行App也不应该只是线下网点服务的简单复制，将更从用户的视角看产品，以新的技术和场景运营方式重塑平台。毕竟，谁的手机银行App能满足更好的客户体验，或许就能赢得更多的客户和资金。
