银行已经做的客户细分还只是粗分，缺乏对一线人员的战术支撑。人工智能这么火，但不知道怎么用到金融行业中去。 我们通过已获专利的“结构引力成像”创新技术，在银行最重要的业务数据和深度学习算法之间的鸿沟上架起桥梁，融合了相关分析、斥力模型、空间投影、插值平滑等算法，然后利用自动编码器和密度聚类实现图像级的客户微细分，分箱编码在保证精度的同时，将处理效率提高数百倍。 通过将客户微细分图像特征引入已有产品响应预测模型，将前 10% 名单的命中率提高了 20%～40%。

本次分享将为你架起结构化数据和深度学习算法之间的桥梁，希望对你有所启发。

演讲提纲：

1. 问题背景：深度学习和银行应用之间的鸿沟
2. 结构引力成像：结构化数据的离散化、图像化、特征化、状态化
3. 把握客户的变化趋势：从有限状态到状态转移概率网络
4. 模型优化：使用图像特征和提升度来优化现有模型

你将获得：

• 直接借鉴演讲中的应用案例，实现结构化数据和深度学习算法的融合创新
• 对现有分析模型进行优化提升，带来业务价值
• 开拓思路，发现融合不同技术的合理路径