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
#mermaid-svg-udz0fgn5v6oBrBXd{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-udz0fgn5v6oBrBXd .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-udz0fgn5v6oBrBXd .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-udz0fgn5v6oBrBXd .error-icon{fill:#552222;}#mermaid-svg-udz0fgn5v6oBrBXd .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-udz0fgn5v6oBrBXd .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-udz0fgn5v6oBrBXd .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-udz0fgn5v6oBrBXd .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-udz0fgn5v6oBrBXd .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-udz0fgn5v6oBrBXd .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-udz0fgn5v6oBrBXd .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-udz0fgn5v6oBrBXd .marker{fill:#333333;stroke:#333333;}#mermaid-svg-udz0fgn5v6oBrBXd .marker.cross{stroke:#333333;}#mermaid-svg-udz0fgn5v6oBrBXd svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-udz0fgn5v6oBrBXd p{margin:0;}#mermaid-svg-udz0fgn5v6oBrBXd .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-udz0fgn5v6oBrBXd .cluster-label text{fill:#333;}#mermaid-svg-udz0fgn5v6oBrBXd .cluster-label span{color:#333;}#mermaid-svg-udz0fgn5v6oBrBXd .cluster-label span p{background-color:transparent;}#mermaid-svg-udz0fgn5v6oBrBXd .label text,#mermaid-svg-udz0fgn5v6oBrBXd span{fill:#333;color:#333;}#mermaid-svg-udz0fgn5v6oBrBXd .node rect,#mermaid-svg-udz0fgn5v6oBrBXd .node circle,#mermaid-svg-udz0fgn5v6oBrBXd .node ellipse,#mermaid-svg-udz0fgn5v6oBrBXd .node polygon,#mermaid-svg-udz0fgn5v6oBrBXd .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-udz0fgn5v6oBrBXd .rough-node .label text,#mermaid-svg-udz0fgn5v6oBrBXd .node .label text,#mermaid-svg-udz0fgn5v6oBrBXd .image-shape .label,#mermaid-svg-udz0fgn5v6oBrBXd .icon-shape .label{text-anchor:middle;}#mermaid-svg-udz0fgn5v6oBrBXd .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-udz0fgn5v6oBrBXd .rough-node .label,#mermaid-svg-udz0fgn5v6oBrBXd .node .label,#mermaid-svg-udz0fgn5v6oBrBXd .image-shape .label,#mermaid-svg-udz0fgn5v6oBrBXd .icon-shape .label{text-align:center;}#mermaid-svg-udz0fgn5v6oBrBXd .node.clickable{cursor:pointer;}#mermaid-svg-udz0fgn5v6oBrBXd .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-udz0fgn5v6oBrBXd .arrowheadPath{fill:#333333;}#mermaid-svg-udz0fgn5v6oBrBXd .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-udz0fgn5v6oBrBXd .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-udz0fgn5v6oBrBXd .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-udz0fgn5v6oBrBXd .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-udz0fgn5v6oBrBXd .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-udz0fgn5v6oBrBXd .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-udz0fgn5v6oBrBXd .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-udz0fgn5v6oBrBXd .cluster text{fill:#333;}#mermaid-svg-udz0fgn5v6oBrBXd .cluster span{color:#333;}#mermaid-svg-udz0fgn5v6oBrBXd div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-udz0fgn5v6oBrBXd .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-udz0fgn5v6oBrBXd rect.text{fill:none;stroke-width:0;}#mermaid-svg-udz0fgn5v6oBrBXd .icon-shape,#mermaid-svg-udz0fgn5v6oBrBXd .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-udz0fgn5v6oBrBXd .icon-shape p,#mermaid-svg-udz0fgn5v6oBrBXd .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-udz0fgn5v6oBrBXd .icon-shape .label rect,#mermaid-svg-udz0fgn5v6oBrBXd .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-udz0fgn5v6oBrBXd .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-udz0fgn5v6oBrBXd .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-udz0fgn5v6oBrBXd :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 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 II（2018）Article 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 | ① Brunel（2003）------ 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。 ② Brusilovsky & Millán（2007）------ 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）。 ③ Das 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。 ④ Shefrin & Statman（2000）------ 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（UBS）Wealth 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。 ③ Vanguard 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 | ① Brusilovsky（1996, 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）。 ② Kahneman（2011）------ 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。 ③ MiFID 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 | ① Chhabra（2005）------ 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。 ② Brusilovsky（2007）------ 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。 ③ Maslow（1943）------ 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/P3），P1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。 ③ Vanguard 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。 ② MiFID 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 | ① Das 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"。 ② Brusilovsky（1996, 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。 ④ Hoffmann 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（UBS）"Goal 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T+0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。 ④ Betterment（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 II（2018）Article 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 |
|---|---|---|
| Brunel（2003）------ 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） |
| Chhabra（2005）------ 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 & Millán（2007）------ 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 | D1+D2（总体框架） |
| Brusilovsky（1996）------ 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 & Statman（2000）------ 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 | D1+D3（目标分立与优先级） |
| Kahneman & Tversky（1979）------ 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（UBS）Wealth 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 | D1+D3+D4 |
| 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 | D1+D3 |
| Vanguard 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 | D1+D4 |
| 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） | D4 |
| Betterment"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 | D4 |
4. 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.