银行用户画像 -- 金融知识与认知水平
【摘要】 金融知识与认知水平是银行用户画像中认知能力适配的核心维度。与产品偏好（用户喜欢什么）、风险偏好（用户愿意承担什么风险）等偏主观倾向的维度不同，金融知识与认知水平回答的是用户能理解什么——它是决定系统"该怎么说"而非"该推荐什么"的关键变量。
1. 引言
金融知识与认知水平是银行用户画像中认知能力适配的核心维度。与产品偏好（用户喜欢什么）、风险偏好（用户愿意承担什么风险）等偏主观倾向的维度不同，金融知识与认知水平回答的是用户能理解什么——它是决定系统"该怎么说"而非"该推荐什么"的关键变量。
一个精准的用户画像，不仅要知道该向用户推荐什么产品，更要知道用什么样的语言、深度和形式来呈现信息。向金融素养较低的客户使用专业术语推荐复杂结构性产品，可能导致客户因不理解而放弃购买，甚至在监管层面构成不当销售（mis-selling）。反之，向资深投资者使用过于基础的说明，会造成"被低估"的负面体验。
在 MiFID II 及中国证监会适当性管理法规中，投资知识与经验（investment knowledge & experience） 与风险容忍度、财务状况、投资目标被并列为法律强制采集的核心信息项。中国人民银行连续多年发布的《消费者金融素养调查分析报告》更是从国家层面持续追踪公众金融素养状况。这意味着，金融知识与认知水平维度的构建不仅是提升用户体验的商业需求，更是金融消费者保护的合规要求。
本文以 Lusardi & Mitchell 金融素养理论为家庭金融与行为经济学的基础理论框架，以 Kobsa 用户模型中的知识组件（Knowledge Component） 和 Brusilovsky 自适应系统中的知识维度为方法论框架，从监管法规、学术研究、业界实践三个视角，为金融知识与认知水平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
1.1.1. Lusardi & Mitchell 金融素养理论
Lusardi 与 Mitchell 是全球金融素养研究的奠基人。她们在 2011 年发表的纲领性论文 Financial Literacy around the World: An Overview（发表于 Journal of Pension Economics and Finance）中，通过覆盖多国的实证研究，定义了金融素养的三个核心衡量维度（即著名的"三大问题"）：
| 维度 | 测试问题示例 | 衡量能力 |
|---|---|---|
| 计算能力（Numeracy） | “如果你有100元存款，年利率2%，5年后账户里有多少钱？” | 复利理解、基础数学运算、时间价值感知 |
| 通胀理解（Inflation Knowledge） | “如果通胀率高于你存款的利率，你的购买力会发生什么变化？” | 货币时间价值、实际收益率概念、宏观经济基础认知 |
| 风险分散（Risk Diversification） | “投资单一股票比投资股票型基金更安全吗？” | 风险分散原理、资产配置直觉、投资组合基础概念 |
该研究的核心结论是：金融素养是可量化、可分层、可追踪的独立认知能力维度——它既不是偏好的子集，也不是教育水平的简单代理变量。不同年龄、收入、教育背景的人群在金融素养上呈现系统性差异，且金融素养直接预测金融行为（低素养者更少进行长期投资与退休规划、更依赖非正式渠道获取建议、更可能做出次优决策）。
1.1.2. Kobsa 用户模型中的知识组件
Kobsa（2001）在 Generic User Modeling Systems（发表于 User Modeling and User-Adapted Interaction）中，系统性地梳理了通用用户建模系统（GUM）的架构，明确将知识组件（Knowledge Component） 定位为与兴趣/偏好组件（Interests/Preferences Component）平行且独立的建模维度。
两者的关键区别在于：
- 知识组件回答"用户能理解什么"——决定了系统向用户呈现信息时应当使用的语言复杂度、概念深度和解释层级；
- 偏好组件回答"用户喜欢什么"——决定了系统向用户推荐的内容范围和排序逻辑。
这一区分对金融推荐系统至关重要：一个用户可能"偏好"高收益产品（偏好信号），但"不理解"其背后的风险结构（知识信号）。如果系统只看偏好而忽视知识水平，就可能推荐出用户无法真正理解其风险的产品——这正是监管所禁止的不当销售行为。
1.1.3. Brusilovsky 自适应系统中的知识维度
Brusilovsky & Millán（2007）在 User Models for Adaptive Hypermedia and Adaptive Educational Systems 中，将用户知识（User Knowledge） 列为用户模型五大核心特征之首，原因在于：与其他相对稳定的特征（如背景、个体特质）不同，用户知识可能在不同会话间甚至同一会话内发生动态变化——这正是"自适应"系统的核心挑战与价值所在。
Brusilovsky 提出了两种经典的知识建模方法：
- 覆盖模型（Overlay Model）：将用户的知识状态建模为专家知识的一个子集——系统维护一个领域知识图谱，对每个知识点标注用户当前的掌握程度（0-1连续值），从而识别出用户"已掌握"和"尚未掌握"的知识点；
- 贝叶斯知识追踪（Bayesian Knowledge Tracing, BKT）：通过隐马尔可夫模型，根据用户与系统的交互序列（如正确/错误回答），动态估计用户对每个知识点的掌握概率。
对手机银行而言，Brusilovsky 知识维度理论的最直接应用便是："新手"展示详尽的产品说明与风险提示，"熟手"展示关键指标，"专家"展示深度分析图表与量化数据——这正是 E1（金融素养等级）画像在推荐系统中发挥作用的底层逻辑。
1.1.4. 其他相关理论基础
- Campbell（2006）—— Household Finance：家庭金融奠基性综述指出，金融素养低下是导致家庭资产配置偏离理论最优（如"有限参与之谜"“分散不足”）的重要原因；提高金融素养是改善家庭金融行为的有效路径；
- Van Rooij, Lusardi & Alessie（2011）：实证证明金融素养显著影响股票市场参与——低素养者参与股票市场的概率显著低于高素养者，且这一关系在控制收入、教育、年龄等因素后依然显著；
- Hilgert, Hogarth & Beverly（2003）：金融知识与金融行为之间存在双向因果关系——知识驱动行为，行为也反过来促进知识积累，因此金融素养画像需要动态更新。
2. 金融知识与认知水平画像
参考：Kobsa (2001) knowledge component; Lusardi & Mitchell (2011) 金融素养指标
| 小类 | 定义 | 从对话提取的信号示例 | 推荐映射 |
|---|---|---|---|
| E1 金融素养等级 | 对金融概念的理解深度与认知水平 | “什么是年化收益率”“懂复利计算”“基金净值是什么意思” | 解释深度适配（低素养→通俗说明、生活化比喻；高素养→专业术语、量化分析） |
| E2 产品认知范围 | 知道/了解/熟悉的产品类别及其认知深度 | “基金有哪些类型”“不了解信托”“买过股票但不懂期权” | 新产品推荐从认知边界开始，避免推荐完全陌生的产品；陌生品类需先推送教育内容再推荐产品 |
| E3 学习偏好 | 喜欢的金融信息获取方式与学习风格 | “给个短视频讲解”“我要看详细报告”“发个对比表格就行” | 内容形式适配（短视频vs长图文vs数据表格vs互动问答）与推送时机匹配 |
2.1. E1 金融素养等级（Financial Literacy Level）
金融素养等级是画像中认知能力适配的第一层过滤器——它决定了系统向用户呈现信息时应当使用的语言复杂度、概念深度和解释层级。其核心问题不是"推荐什么产品"，而是"用什么样的语言让用户理解这个产品"。
| 依据维度 | 具体说明 |
|---|---|
| 监管法规 | ① 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"投资相关的学习、工作经历及投资经验"，金融素养等级是"投资经验"在认知能力维度的直接体现。 ② 欧盟 MiFID II（2018）Article 25(2)：将客户的投资知识（investment knowledge）与投资经验（investment experience）列为法律强制采集项——从基本产品到复杂产品的推荐，必须与客户的认知水平匹配。 ③ 中国银保监会《商业银行理财业务监督管理办法》：要求银行根据消费者认知水平提供适当的信息披露和风险提示——"要求银行’知道’用户的认知水平"是履行告知义务的前提。 ④ 中国人民银行《消费者金融素养调查分析报告》：中国人民银行自2017年起已连续发布多轮《消费者金融素养调查分析报告》，从国家层面持续追踪公众金融素养状况，并将金融教育列为"金融消费者的八大权利"之一（受教育权）。银行作为金融服务提供者，有义务根据客户金融素养水平提供差异化的教育内容与风险提示。 ⑤ 《金融机构产品适当性管理办法》（2025）第22条：金融机构应当对投资者进行适当性评估，投资者风险测评结果、投资经验、拟投资产品等信息均为评估要素——金融素养等级直接影响适当性匹配结果。 |
| 学术研究 | ① Lusardi & Mitchell（2011）—— 三大问题框架：通过计算能力、通胀理解、风险分散三个维度衡量金融素养，证明金融素养是可量化、可分层、可追踪的独立认知能力维度。全球范围内，仅约30%的受访者能正确回答所有三个问题——低金融素养是普遍现象，而非个体特例。 ② Kobsa（2001）—— 知识组件独立性：用户模型中的 knowledge component（知识组件）与 preferences（偏好）是不同维度——知识决定"用户能理解什么"，偏好决定"用户喜欢什么"，两者必须独立建模。 ③ Hilgert, Hogarth & Beverly（2003）—— Financial Knowledge and Behavior：证明金融素养直接预测金融行为——低素养者更少使用复利产品、更多依赖亲友建议、更可能做出次优决策；金融知识与金融行为之间存在双向因果关系。 ④ Brusilovsky & Millán（2007）—— 覆盖模型与 BKT：通过覆盖模型（用户知识 = 专家知识的子集）和贝叶斯知识追踪（BKT）动态估计用户知识掌握度，为金融素养的自动化评估提供技术路径。 ⑤ Van Rooij, Lusardi & Alessie（2011）：实证证明金融素养显著影响股票市场参与率和财富积累水平——高素养者的金融资产配置更分散、更接近理论最优。 ⑥ Kahneman（2011）—— 双系统理论：系统1（直觉型）和系统2（分析型）在处理不同复杂度的金融信息时被不同人群激活——低金融素养者更多依赖系统1（快速直觉判断），需要更直观的信息呈现方式。 |
| 业界实践 | ① 蚂蚁财富"理财分"：基于用户答题和行为数据评估金融认知水平，不同理财分等级看到不同的产品解释深度——低分用户看到通俗说明和动画教程，高分用户看到深度分析图表和专业术语。 ② 招商银行"摩羯智投"：根据用户风险测评中的"金融知识"子项得分，调整推荐报告的解释层级——低分客户报告侧重基础概念解释和生活化比喻，高分客户报告侧重量化数据和专业分析。 ③ Charles Schwab"Learning Path"：对新用户提供分级教育内容——根据问卷评估结果推荐不同深度的投资指南（基础/进阶/专家），且内容深度随用户学习进度动态升级。 ④ Vanguard"投资者教育分层"：根据用户在平台上的交互行为（如点击帮助文档的频率、在复杂产品页面的停留时间）动态评估其金融素养水平，并据此调整信息披露的详细程度和术语密度。 ⑤ Fidelity"知识评估与教育匹配"：在客户首次使用投资平台时，通过简短的金融素养测评问卷确定其知识等级，系统据此自动调整产品详情页、风险提示和投资分析报告的复杂度与术语使用密度。 |
2.2. E2 产品认知范围（Product Awareness Scope）
产品认知范围反映了客户对金融产品的知晓广度和认知深度，是推荐系统确定"推荐边界"和"教育先行"策略的关键输入。核心原则是：不应直接向客户推荐其完全陌生的产品品类，而应先在认知层面"补课"，再在行为层面"推荐"。
| 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》（2025）：要求金融机构根据客户对产品的认知水平和理解能力进行适当性匹配——如果客户不了解某类产品的基本属性，银行有义务先提供教育材料，而非直接推荐。 ② 中国证监会《证券期货投资者适当性管理办法》：要求了解投资者的"投资经验"和"投资品种偏好"，产品认知范围是判断投资经验的重要维度——客户"买过"某类产品并不等于"理解"该类产品，但至少说明其有面对该类产品的意愿和初步认知。 ③ MiFID II Article 25(2)：投资服务提供者必须获取客户的"投资知识"和"投资经验"，包括客户之前交易过的金融工具、交易频率、交易规模等信息。客户未接触过的产品类别需要更高的信息披露标准和更充分的适当性论证。 ④ 中国银保监会《商业银行理财业务监督管理办法》：要求银行向客户充分披露理财产品的关键信息，包括产品类型、风险等级、投资标的、收益计算方式等——产品认知范围的评估有助于确定哪些信息对客户来说是"全新的"（需重点说明）还是"熟悉的"（可简要提示）。 ⑤ 《金融消费者权益保护实施办法》第16条：银行向消费者推荐产品时，应当根据消费者的金融知识、投资经验、风险偏好等情况推荐适合的产品。对于消费者不熟悉的产品类别，应履行更充分的风险告知和信息披露义务。 |
| 学术研究 | ① Lusardi & Mitchell（2011）—— 产品认知与市场参与：金融素养与产品认知范围高度正相关——低素养者通常只知道存款和基础理财，对基金、股票、保险等产品的认知深度有限。实证表明，仅约40%的受访者能正确区分股票和股票型基金。 ② Familiarity Bias（熟悉度偏差）：行为金融学研究表明，投资者倾向于投资自己"听说过"或"熟悉"的资产——即使这些资产不是最优选择。E2画像有助于识别和纠正这种认知偏差，在客户熟悉的产品池之外推荐真正适合其需求的产品。 ③ 渐进式信息披露理论：信息过载（Information Overload）会导致决策质量下降——对于客户不熟悉的产品品类，采用"先教育、后推荐"的渐进式策略比直接推送产品信息更有效。 ④ "认知-兴趣-行动"漏斗模型：金融产品购买的典型路径为：认知（知道这个产品）→ 兴趣（想了解更多）→ 评估（比较和判断）→ 行动（购买）。E2画像是确定客户处于哪个阶段的起点。 ⑤ 产品复杂度等级研究：业界和监管实践通常将金融产品分为"低复杂度"（货币基金、定期存款）、“中复杂度”（债券基金、混合基金）和"高复杂度"（衍生品、结构性产品、另类投资）三个等级，不同等级对应不同的认知门槛和适当性管理要求。 |
| 业界实践 | ① 蚂蚁财富"产品认知矩阵"：为每个用户维护"已购产品"“已浏览产品”“已了解产品”“未知产品"的产品认知矩阵——对于用户"未知"的产品，首页不显示推广位，但会在教育内容中渐进式引入。 ② 招商银行"产品科普"模块：在产品详情页上方根据用户的 E2 画像，动态插入"三分钟看懂XX产品"的科普视频或对比表格——对熟悉该品类的用户自动收起，对不熟悉的用户默认展开。 ③ 平安银行"智能推荐策略"：对于用户在认知矩阵中标记为"未知"的产品，采用"先推内容后推产品"策略——第1-2次触达推送产品科普文章/视频，第3次触达再推送具体产品推荐。 ④ 富达投资（Fidelity）“产品认知引导”：当用户在搜索框中输入自己从未接触过的产品品类（如"期权”），系统不直接展示产品列表，而是先弹出"您了解期权的基本概念吗？"的引导页，并给出"3分钟了解期权"的互动教程。 ⑤ 工商银行"适老化设计"：针对老年用户群体，对不熟悉的新产品（如数字人民币、智能投顾等）提供"大字版+语音播报+视频演示"的全方位教育内容，在客户完成基础认知教育后，才会在后续触达中推送相关产品信息。 |
2.3. E3 学习偏好（Learning Preference）
学习偏好反映了客户获取和理解金融信息的偏好方式——同样的金融信息，以"短视频"、“长图文”、"数据表格"或"互动问答"等不同形式呈现，客户的接受度和理解深度存在显著差异。E3 画像的核心价值在于：解决"没说错，但客户听不懂/看不进去"的信息传达最后一公里问题。
| 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》（2025）第27条：金融机构通过互联网等线上方式销售产品时，应当将适当性管理嵌入流程，充分履行适当性义务。不同形式的信息呈现（视频、图文、表格、互动问卷等）均需达到同等的风险提示和信息披露效果。 ② 中国银保监会《商业银行理财业务监督管理办法》：要求银行向客户进行充分的信息披露，信息呈现形式应确保客户能够"理解"产品信息——即不仅要求信息披露的内容完整，还要求信息披露的形式适合客户的认知水平和学习偏好。 ③ 《金融消费者权益保护实施办法》：要求金融机构提供清晰、易懂的信息，避免使用过于专业或容易引起误解的语言。信息呈现形式的选择直接影响信息的清晰度和易懂度。 ④ 《个人信息保护法》第24条：利用个人信息进行自动化决策（包括信息呈现形式的选择），应当保证决策的透明度和结果公平、公正。学习偏好的自动化识别和使用应在用户知情同意的框架下进行。 ⑤ 老年人金融消费者特殊保护：《金融机构产品适当性管理办法》规定65岁以上客户需特别注意义务——E3画像有助于银行识别老年客户的特殊学习偏好（如图文放大、语音播报、AI助手引导等），确保信息披露的有效性。 |
| 学术研究 | ① Brusilovsky & Millán（2007）—— 自适应内容呈现：自适应系统的核心功能之一是根据用户的知识水平和偏好，动态调整信息的内容和形式。这是"同一内容、不同呈现"的理论基础——同样的产品信息，对视觉型学习者用图表呈现，对阅读型学习者用文字说明，对互动型学习者用问答引导。 ② 多媒体学习认知理论（Mayer, 2001）：Mayer 在 Multimedia Learning（2001）中整合了 Paivio 的双重编码理论（Dual Coding Theory）和 Sweller 的认知负荷理论，提出多媒体学习认知理论（CTML）。该理论认为信息通过视觉通道（文字、图片）和听觉通道（语音、音效）同时输入时，学习效果优于单一通道——短视频（视听双通道）对低金融素养或低教育背景用户的信息传达效果优于纯文字说明。 ③ VARK 学习风格模型（Fleming, 2001）：将学习偏好分为四类：视觉型（V，偏好图表、流程图）、听觉型（A，偏好语音讲解、播客）、读写型（R，偏好文字报告、PDF文档）、动觉型（K，偏好互动操作、模拟体验）。这一分类为 E3 画像的标签设计提供了直接的学术框架。 ④ 信息处理深度理论：部分客户偏好"快速获取结论"（浅处理），部分客户偏好"深入理解原理"（深度处理）——前者适合短视频和要点摘要，后者适合长图文和原始数据。学习偏好不仅是形式偏好，也是信息处理深度的体现。 ⑤ Push vs. Pull 信息获取模式：部分客户偏好"被推送"信息（被动接收型——App推送、短信提醒），部分客户偏好"主动搜索"信息（主动探索型——搜索、浏览、对比）——这一区分直接影响触达策略的制定。 |
| 业界实践 | ① 蚂蚁财富"内容形式自适应"：根据用户的浏览行为推断其学习偏好——频繁观看短视频的用户，系统更多以"1分钟看懂"视频形式推送信息；频繁阅读长图文的用户，系统更多以"深度解读"文章形式推送；频繁使用对比工具的用户，系统更多以数据表格形式呈现。 ② 招商银行"内容工厂"：同一款产品的信息准备了多种形式的内容素材——30秒短视频、3分钟深度视频、要点摘要卡片、详细产品说明书、数据对比表格、互动问答——系统根据 E3 画像自动选择用户最可能接受的形式优先展示。 ③ Charles Schwab"Learning Path 多模态"：同一知识点（如"什么是ETF"）提供视频讲解、文字教程、互动问答三种学习路径，用户可自由选择或切换，系统记录用户的偏好形式并进行后续内容的自动呈现优化。 ④ Vanguard"投资者教育分层"：将投资者教育内容按深度分为"入门"“进阶”“专家"三个层级，按形式分为"视频”“文章”“数据报告”"在线课程"四类，系统根据用户的学习偏好和历史行为自动推荐最匹配的内容组合。 ⑤ 工商银行"适老化学习模式"：针对老年客户，主动引导至"大字版+语音播报+慢速视频"的学习模式；针对年轻客户，默认展示"短视频+数据卡片"的快速浏览模式；用户可随时在教学内容页面切换展示形式。 |
3. 综合依据
3.1. 依据 1：监管法规——金融知识与经验是适当性管理的必要维度
| 法规/标准 | 核心要求 | 与该维度的关系 |
|---|---|---|
| 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"投资相关的学习、工作经历及投资经验"，这是适当性评估的核心要素 | E1（金融素养等级）+ E2（产品认知范围）是"投资经验"在认知能力维度的具体体现 |
| 欧盟 MiFID II（2018）Article 25(2) | 投资服务提供者必须获取客户的"investment knowledge"（投资知识）和"investment experience"（投资经验），包括交易过的金融工具的类型、频率和规模 | E1+E2 是 MiFID II 强制采集项的组成部分——客户认知水平与推荐产品的复杂度必须匹配 |
| 中国银保监会《商业银行理财业务监督管理办法》（2018） | 要求银行根据消费者认知水平提供适当的信息披露和风险提示 | E1-E3 是认知水平的多维表达——知道客户的"认知水平"是履行告知义务和投资者保护的前提 |
| 《金融机构产品适当性管理办法》（2025） | 要求将适当产品通过适当渠道销售给适合的客户，产品信息呈现必须清晰、易懂，确保客户真正理解；65岁以上客户特殊注意义务 | E1-E3 是判断信息呈现是否"清晰、易懂"的多维参考系——同一个产品说明书，对不同认知水平的客户，需要不同的信息呈现策略 |
| 中国人民银行《消费者金融素养调查分析报告》 | 从国家层面持续追踪公众金融素养状况，将金融教育列为"金融消费者的八大权利"之一 | E1（金融素养等级）和 E3（学习偏好）是金融教育落地的两个支点——知道"客户什么不懂"和"客户适合怎么学"才能做有效的金融教育 |
| 《金融消费者权益保护实施办法》 | 金融机构应当根据消费者的金融知识、投资经验、风险偏好等情况推荐适合的产品 | E1+E2 是"金融知识"和"投资经验"的直接映射，E3 是信息适配的关键参数 |
结论：金融知识与认知水平是法规要求采集的信息维度，E1-E3 是 MiFID II、证监会适当性管理办法、银保监会理财新规等法规明确或隐含要求的画像小类。
3.2. 依据 2：学术文献——金融素养是独立认知维度，必须与偏好分离建模
| 文献 | 核心观点 | 对应小类 |
|---|---|---|
| Lusardi & Mitchell（2011）—— Financial Literacy around the World | 定义金融素养的三个核心衡量维度：计算能力、通胀理解、风险分散。金融素养是独立的认知能力维度，不是偏好的子集 | E1（金融素养等级） |
| Kobsa（2001）—— Generic User Modeling Systems | 用户模型的 knowledge component 与 preferences 是不同的建模维度——知识决定"用户能理解什么"，偏好决定"用户喜欢什么" | E1+E2（整体框架） |
| Brusilovsky & Millán（2007）—— User Models for Adaptive Hypermedia | 用户知识是用户模型五大核心特征之首，需用覆盖模型和 BKT 进行动态建模；自适应系统应根据用户知识水平调整内容形式和深度 | E1+E3（知识建模与内容自适应） |
| Hilgert, Hogarth & Beverly（2003）—— Financial Knowledge and Behavior | 金融素养直接预测金融行为，且知识与行为之间存在双向因果关系 | E1（金融素养→行为预测） |
| Van Rooij, Lusardi & Alessie（2011）—— Financial Literacy and Stock Market Participation | 金融素养显著影响股票市场参与率和财富积累水平，这一关系在控制收入、教育、年龄后依然显著 | E1（金融素养→财富效应） |
| Mayer（2001）—— 多媒体学习认知理论 | 双重编码理论——视听双通道信息呈现效果优于单一通道；信息呈现形式直接影响学习效果 | E3（学习偏好→信息呈现形式） |
| Fleming（2001）—— VARK 学习风格模型 | 学习偏好可分为视觉型、听觉型、读写型、动觉型四类，不同偏好的信息接受方式存在系统性差异 | E3（学习偏好→风格分类） |
| Kahneman（2011）—— 双系统理论 | 系统1（直觉型）和系统2（分析型）在处理不同复杂度信息时被不同人群激活——低素养者更多依赖系统1 | E1（金融素养→认知模式） |
3.3. 依据 3：业界实践
| 机构 | 实际做法 | 对应小类 |
|---|---|---|
| 蚂蚁财富"理财分" | 基于用户答题和行为数据评估金融认知水平，不同理财分等级看到不同的产品解释深度 | E1 |
| 招商银行"摩羯智投" | 根据用户风险测评中"金融知识"子项得分调整推荐报告的解释层级 | E1 |
| Charles Schwab"Learning Path" | 对新用户提供分级教育内容，根据问卷结果推荐不同深度的投资指南 | E1+E3 |
| 蚂蚁财富"产品认知矩阵" | 为每个用户维护"已购"“已浏览”“已了解”"未知"的产品认知矩阵，未知产品不直接推荐 | E2 |
| 平安银行"先推内容后推产品" | 对于用户认知矩阵中标记为"未知"的产品，第1-2次触达推科普内容，第3次推产品 | E2 |
| 蚂蚁财富"内容形式自适应" | 根据用户浏览行为推断学习偏好，自动匹配短视频/长图文/数据表格等最优呈现形式 | E3 |
| 招商银行"内容工厂" | 同一产品准备多种形式的内容素材（视频/图文/表格/问答），根据用户偏好自动选择 | E3 |
| 工商银行"适老化学习模式" | 针对老年客户引导至"大字版+语音播报+慢速视频"模式，年轻客户默认"短视频+数据卡片" | E3 |
| Fidelity"知识评估与教育匹配" | 首次使用时通过简短的金融素养测评确定知识等级，据此调整产品页面的复杂度 | E1+E2 |
4. 总结
上述三个小类构成了银行用户画像中"金融知识与认知水平"维度的完整框架：
| 小类 | 对应的核心理论 | 画像构建的技术侧重点 |
|---|---|---|
| E1 金融素养等级 | Lusardi & Mitchell 三大问题框架 + Kobsa 知识组件 + Brusilovsky 覆盖模型/BKT | 认知评估模型（基于对话关键词、行为数据、答题记录进行金融素养等级分层——初级/中级/高级） |
| E2 产品认知范围 | Familiarity Bias 理论 + "认知-兴趣-行动"漏斗模型 + 产品复杂度分级 | 认知矩阵维护（为每个用户维护产品品类的认知状态——未知/已了解/已浏览/已购买——驱动"先教育后推荐"策略） |
| E3 学习偏好 | VARK 学习风格模型 + 多媒体学习认知理论 + Push/Pull 信息获取模式 | 内容形式匹配引擎（根据用户的历史浏览行为和学习风格偏好，自动匹配短视频/长图文/数据表格/互动问答等最优呈现形式） |
三个小类之间存在递进关系：E1 决定了"说到什么深度"（语言复杂度、术语密度），E2 决定了"从哪开始说"（需要先教什么、可以直接推荐什么），E3 决定了"用什么形式说"（视频、图文、表格还是问答）。三者共同构成从"知道用户懂什么"到"让用户听懂"的完整认知适配链路。
从监管视角看，这三个维度共同服务于适当性管理的核心要求——金融机构不仅要把"适当的产品"推荐给"适合的客户"，还要确保客户真正理解产品的风险与收益特征。从学术视角看，它们分别对应 Lusardi & Mitchell 的金融素养理论、Kobsa 的知识组件理论和 Brusilovsky 的自适应内容呈现理论。从业界实践看，蚂蚁财富、招商银行、Charles Schwab 等头部机构已经将金融知识画像深度嵌入产品推荐和投资者教育的全流程，证明了该维度的商业价值和合规必要性。
5. 参考
- Lusardi, A., & Mitchell, O. S. (2011). Financial literacy around the world: an overview. Journal of Pension Economics and Finance, 10(4), 497-508.
- Kobsa, A. (2001). Generic user modeling systems. User Modeling and User-Adapted Interaction, 11(1-2), 49-63.
- Brusilovsky, P., & Millán, E. (2007). User models for adaptive hypermedia and adaptive educational systems. The Adaptive Web, 3-53.
- Hilgert, M. A., Hogarth, J. M., & Beverly, S. G. (2003). Household financial management: The connection between knowledge and behavior. Federal Reserve Bulletin, 89, 309-322.
- Van Rooij, M., Lusardi, A., & Alessie, R. (2011). Financial literacy and stock market participation. Journal of Financial Economics, 101(2), 449-472.
- Campbell, J. Y. (2006). Household finance. Journal of Finance, 61(4), 1553-1604.
- Mayer, R. E. (2001). Multimedia Learning. New York: Cambridge University Press.
- Fleming, N. D. (2001). Teaching and Learning Styles: VARK Strategies. Honolulu: Honolulu Community College.
- Kahneman, D. (2011). Thinking, Fast and Slow. New York: Farrar, Straus and Giroux.
- 中国人民银行. 《消费者金融素养调查分析报告》（2017、2019、2021、2023年多轮发布）.
- 中国证监会. 《证券期货投资者适当性管理办法》（2017）.
- 中国银保监会. 《商业银行理财业务监督管理办法》（2018）.
- 国家金融监督管理总局. 《金融机构产品适当性管理办法》（2025，令〔2025〕第7号）.
- 欧盟. Markets in Financial Instruments Directive II (MiFID II), 2018.
【声明】本内容来自华为云开发者社区博主，不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息，否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）