证券行业实现 “千人千面”的两大难点
今日头条通过流量变现，可以实现百亿级的年收入，但是，用户数量少、信息选择少、使用频次低的券商APP却不能这样做。换言之，千人千面、AI推荐只是手段，通过这个手段到底要解决券商什么样的问题呢?如果客观数据不足、用户互动不足、各家券商APP孤岛效应明显，其千人千面的质量和效果又会怎么样呢？
随着今日头条模式取得巨大成功，其百亿美元估值引发了人们对智能推荐的高度关注，特别是AI话题的持续火爆，更让这一关注度火上浇油，很多企业都想在垂直行业模仿今日头条模式，成为所谓“某某行业的头条”——证券行业就是其一。
那么，证券行业为什么要争相实现千人千面？其内在逻辑又有哪些不同？飞笛资讯研究院认为，它至少有四大难点，或者叫陷阱值得关注。
大众市场与小众市场的数据量鸿沟
今日头条虽然名义上被称为“千人千面”，但是这句话有很大的误导性。因为头条就其本质来说，并非为了满足长尾市场的需求，而是“头部+腰部”的组合，也就是说，它主要是满足大众的“一般性”阅读需求，同时会按照人群细分到一个基数比较大的群体。
以今日头条为例，2017年一季度其MAU（月活跃用户数）达到1.17亿，就算它的的一些细分群体，比如证券频道、一些知名的头条号等等，其实也有数量可观的受众，一些标签的潜在受众有数十万到数千万不等。
而证券行业呢？整个中国股票经纪业务不过有8000多万的有效账户，持股账户持续不足5000万，而这些账户分散到上百家券商当中，造成了一个个的信息孤岛。最终的结果是，像平安证券这种在互联网营销上发力巨大、效果不错的厂商，其APP的用户MAU也不过300多万，东方财富、大智慧这样的信息聚合门户其MAU分别只有800多万和1000万有余。
这种巨大的差距导致这些APP获得用户数据的能力大大不如今日头条，往往只相当于头条这种APP的某个中小型标签的用户数量，是否足以支撑起充分的AI化分析是值得商榷的，也是难以回避的事实。毕竟，APP的价值很可能是与用户数量的N次方成正比，而不是与用户数量的绝对值成正比。更不用说，一个金融垂直领域的APP其阅读时长可能比今日头条更少，使用频次更低了。毕竟大多数炒股的受众并非信息控，而是根据K线图和小道消息炒股的。
因此，面对这样的用户数量鸿沟，它的实现方式必然是不同的。就像Web1.0时代所彰显的，门户网站和垂直门户网站的玩法完全不同：新浪等门户网站流量巨大，可以靠流量变现的广告模式盈利，但是中关村在线、太平洋电脑网等垂直门户单纯靠流量则非常难赚钱，至少是很难做大的。最终，真正走出路径的垂直网站是汽车之家、搜房等方式，资讯只是其外在表现，其背后是连接的用户和商家，成为服务的撮合平台。
这一点无疑应该成为券商行业推广千人千面的前置性思考点，也就是说，当用户数量不足的时候，就必须考虑到相应的思维模式有本质的不同，而不是简单的模仿。换个例子类比，即使你做一个类似微信的产品，只能在某一个垂直行业的中小企业使用，也不可能成为“某某行业的微信”，只能成为“某某行业的软件”，形不成网络化、病毒化，单纯靠功能先是无法成功的。
工具思维和全新思维的内在不同
今日头条通过流量变现，可以实现百亿级的年收入，但是，用户数量少、信息选择少、使用频次低的券商APP却不能这样做。换言之，千人千面、AI推荐只是手段，通过这个手段到底要解决券商什么样的问题呢？如果客观数据不足、用户互动不足、各家券商APP孤岛效应明显，其千人千面的质量和效果又会怎么样呢？
这里有两种选项：第一种选项是，仅仅把AI当成工具，只是为了优化和服务好券商的现有客户，这是工具思维、软件思维；第二种选项是，探索一种全新的AI切入模式，吸纳今日头条背后成功的精华，而绝非模仿，模仿者几乎是必死无疑的。就好比说，有了微信，为什么模仿者易信甚至先驱者米聊都失败了，而走差异化路线的陌陌却成功了呢？
那么，这种所谓的全新思维到底是什么呢？到目前为止，还没有看到一家企业找到路径，有人想把AI注入垂直行业，有人想在垂直行业形成社交性，有人想先服务好自己的客户再徐图进去，甚至东方财富、大智慧、同花顺这些用户数量的大户也依然没有找到千人千面的真正路径。
当然，飞笛资讯研究院也无法给出确定性的答案，只能说可能有三个必要条件：
第一，由于利益冲突，靠单一券商来整合全行业的信息资源几乎是不可能的，至少在交易数据方面是完全不可能的。这时候需要一个第三方寻找正确的方式切入市场，找到权利边际划分的路径，成为所有券商至少是多家券商的“基础组件提供商”，作为其信息引擎。即使是三大电信运营商那么强大，用户数量足够，但是各自做了一个IM之后，也无力与微信对抗，因为这种信息分割本身就是反互联网的。即使在内容产业这样的高度细分市场，比如视频，现在也不过只有腾讯视频、爱奇艺、优酷土豆三家主流厂商。
第二，背后的思维和解决模式必然不同于头条，要解决更少用户量、更少交互情况下用户画像的问题，恐怕不能仅仅靠机器学习实现，而是有更多的人工干预，特别是要把一般信息驱动（阅读需求）、数据驱动（财务和交易数据需求）、决策驱动（心智模型辅助需求）结合起来，一定是一种更加深度的整合模式。与其说像头条，不如说像IBM的Watson，因为垂直类的数据需要耦合机器学习数据和垂直业务逻辑，解决的是数据总量较少而深度较深的封闭性问题；与其说是一般AI，不如说是券商行业的AlphaGo，核心能力要通过业务模版清晰化，类似构建各种“棋谱”。
第三，必须以交易效果作为重要和根本性的评估指标，因此需要不同内涵的千人千面。如果用户数量太少，资讯选择很少，就不可能形成高频和充沛的数据反馈，这时候，就需要提高单条数据的质量，而数据质量的优劣，唯有有助于交易决策才能判断。当然，交易决策不代表炒股一定赚钱，而是说所获取的信息和决策之间的关系是更加清晰的，而且可以得到客户的认同。比如说，一个短线高频交易的用户，它希望有更快的数据，而一个价值交易的客户需要了解价值股的更多基本面、更多分析维度，一个冲动型交易者希望控制自己的决策步骤，而一个行业从业者可能更适合选择该行业的股票……等等。所以，在券商行业的千人千面，有其本质的不同含义，而不是通过兴趣决定的——换言之，他关注哪些股票不代表这些股票适合他，你需要比他更懂自己。
所以，经过一些粗浅分析，我们不难看出，千人千面只是一种描述性的外在表征，其内涵却会因为行业不同、定位不同有本质的差异——这恰恰是券商行业者需要深入思考的，是成功的前置性条件。
但是，真正的成功，一定比这些洞察更加深刻准确，它的名字叫“创新”。
（编辑：何苗）
