يوفر الذكاء الاصطناعي تجربة شخصية فائقة الاستباقية لعملاء الخدمات المصرفية للأفراد (Senthil C)

A الأخيرة
دراسة الرضا وجدت شركة J.D. Power لبنوك التجزئة الأمريكية أن البنوك كافحت من أجل تلبية توقعات العملاء فيما يتعلق بالتخصيص، وانتقل ما يقرب من نصف العملاء إلى العلاقات المصرفية التي تتمحور حول الرقمنة. اليوم التوقعات
لقد تغير عدد عملاء الخدمات المصرفية، حيث أصبحوا يبحثون الآن عن عروض شديدة التخصيص مثل تلك التي تقدمها Netflix وAmazon وStarbucks. يمكن توفير التخصيص المفرط من خلال تسخير الذكاء الاصطناعي (AI) والتعلم الآلي (ML).
البيانات في الوقت الحقيقي وتخصيص تجارب العملاء. تستكشف هذه المدونة الفرص المتاحة في الاستفادة من نماذج تعلم الآلة لتخصيص تجربة العملاء بشكل مفرط عبر قنوات العملاء، وهي مركز الاتصال والويب ووسائل التواصل الاجتماعي.

التحول في نهج تجربة العميل

يتوقع العملاء تجربة رقمية هادفة وشخصية للغاية لتلبية احتياجاتهم المصرفية الفردية. يمكن للبنوك التنبؤ بهذه الاحتياجات من خلال فهم عملائها بشكل أفضل - أهدافهم وتفضيلاتهم وسلوكياتهم في الوقت الفعلي وتقديمها بشكل استباقي
عروض مخصصة. فكر في سيناريو ينفق فيه العميل أموالاً أكثر من المعتاد مما قد يؤدي إلى عدم وجود أموال كافية لسداد القسط الشهري القادم. ماذا لو كان بإمكان البنك التنبؤ بالنفقات بناءً على اتجاه الإنفاق السابق. ويمكن للبنك بعد ذلك
تنبيه العميل بشكل استباقي وتقديم خصومات على القرض الشخصي. يمكن لمثل هذه التجربة الاستباقية والسياقية والشخصية التي يبدأها البنك أن تعمل على تعميق العلاقات مع العملاء.

بالنظر إلى أن هذا كان موضوعًا مثيرًا للاهتمام في الماضي القريب ، فلنستكشف كيف يتم تطبيق أبحاث الذكاء الاصطناعي / تعلم الآلة على ثلاث قنوات عملاء مختلفة بشكل مستقل ثم نقارن الأساليب الثلاثة.

نماذج التوصية أو التخصيص المفرط المستندة إلى الذكاء الاصطناعي

1. مركز اتصال خدمة العملاء: توقع سبب مكالمة العميل وتنفيذ التدخل الوقائي من شأنه أن يغري العملاء. طور الباحثون نظامًا قائمًا على الذكاء الاصطناعي
شبكة عصبية متعددة المهام (ANN) للتنبؤ بنية مكالمة العميل ومن ثم ترحيل العميل إلى القنوات الرقمية. تم تدريب نموذج التعلم الآلي باستخدام الملف الشخصي للعميل،
بيانات نص المكالمات وسجل خدمة العملاء وسجل المعاملات. الهدف هو التنبؤ بما إذا كان العميل سيتصل بمركز الاتصال في المستقبل القريب، على سبيل المثال خلال الأيام العشرة القادمة.

عندما يتصل العميل بنظام الرد الصوتي التفاعلي (IVR)، ستوصي رسالة صوتية مخصصة بالخدمات الرقمية ذات الصلة بناءً على توقعات النموذج. إذا قبل العميل التوصية، فسيتم إعادة توجيهه لتشغيل برنامج الدردشة الآلي من خلال رسالة نصية قصيرة تحتوي على عنوان URL.
وينتج عن ذلك تجربة خدمة عملاء شديدة التخصيص والفعالية. فكر في سيناريو عندما يقوم العميل بإيداع شيك ولكن لم يتم إضافة المبلغ إلى حسابه المصرفي حتى بعد مرور أسبوع. سيقوم العميل بالاستفسار عن طريق الاتصال بجهة الاتصال
مركز. سيتنبأ نموذج التعلم الآلي بهدف المكالمة لهذا العميل المحدد وينتقل إلى القناة الرقمية المفضلة لديه للحصول على الحل المناسب.

2. قناة الويب: يتم إجراء التخصيص بناءً على سلوك المستخدم بشكل عام باستخدام خوارزميات استخراج البيانات، ولكن التنبؤ بسلوك المستخدم من أجل التخصيص الكامل أمر صعب للغاية. ويرجع ذلك إلى تغير بيانات الاستخدام بشكل متكرر مع تغير اهتمامات المستخدم.
وقد وجد الباحثون رواية ذكية
نموذج تخصيص الويب للتوصية بتفضيل المستخدم. يتنبأ نموذج التعلم الآلي بمحتوى الويب للمستخدم ويتعلم سلوك المستخدم باستمرار. يمكن للبنوك استخدام النموذج للتوصية بمنتجات مصممة لمستخدم معين.

فبدلاً من تقديم قروض شخصية لكل عميل يدخل إلى موقعها الإلكتروني، يمكن للبنوك تخصيص الصفحة الرئيسية لعملائها بناءً على تاريخ التصفح والمرحلة الحالية من حياتهم. على سبيل المثال، سيكون العميل الذي لديه عائلة شابة
أكثر اهتمامًا بالحصول على قرض عقاري أو قرض سيارة أو استثمارات طويلة الأجل. قد يحتاج العميل الذي سيتقاعد قريبًا إلى المساعدة في خطط التقاعد وإدارة الثروات. باستخدام نموذج الذكاء الاصطناعي المذكور أعلاه، يمكن للبنوك تصميم موقع الويب ديناميكيًا من خلال التعرف على
العميل وتوقع الحاجة.

3. قنوات التواصل الاجتماعي: تولد هذه المنصات ثروة من البيانات المتعلقة بالعملاء بما في ذلك البيانات السلوكية التي يمكن للبنوك استخدامها للحصول على فهم أعمق لاحتياجات العملاء. يمكن أن تؤدي هذه الأفكار القيمة إلى شخصية استباقية
العروض للعملاء. لقد طور الباحثون
إطار متكامل لمساعدة البنوك في استخلاص القيمة من تحليلات وسائل التواصل الاجتماعي. سيساعد ذلك في الاستفادة من التحليلات الإرشادية والتنبؤية المتقدمة القائمة على الذكاء الاصطناعي لتطوير رؤى لتجربة العملاء شديدة التخصيص. النظر في مثال على
قيام العميل بنشر تعليقات على الفيسبوك حول وجهات سياحية محددة واهتمامه بزيارة هذه الأماكن. هذه فرصة رائعة للبنك لتحليل المنشورات واقتراح عروض مخصصة مثل القروض الشخصية وتأمين السفر وغيرها
عروض على تذاكر السفر.   

وفي قنوات العملاء الثلاثة هذه، تختلف البيانات المطلوبة للتنبؤات من قناة إلى أخرى. يقدم الشكل 1 ملخصًا للبيانات المتعلقة بمشاركة العملاء على كل قناة. نرى أن هناك تعقيدًا أكبر للبيانات في مركز الاتصال
وقنوات التواصل الاجتماعي بسبب البيانات غير المنظمة.

إثراء تجارب العملاء: الطريق إلى الأمام

ناقشنا نماذج التعلم الآلي الموصى بها لقنوات العملاء المختلفة. ونظرًا لاختلاف مجموعات البيانات وأنواع البيانات وسلوك المستخدم في كل قناة، فإن كل مشاركة عميل تكون فريدة من نوعها. نرى تعقيدًا متزايدًا في نماذج الذكاء الاصطناعي أثناء تحركنا
من قنوات الويب إلى قنوات مركز الاتصال إلى قنوات التواصل الاجتماعي. يمكن للبنوك أخذ هذه الأمور بعين الاعتبار أثناء تحديد الأولويات ونشر نماذج التعلم الآلي للتخصيص الفائق.

تبدو نماذج التنبؤ القائمة على الذكاء الاصطناعي والتي تستخدم البيانات في الوقت الفعلي واعدة للغاية. فهو يوفر فرصة للبنوك لتخصيص كل نقطة اتصال مع العملاء. لقد تداولنا حول التخصيص المفرط عبر القنوات الثلاث والقيمة الهائلة التي يمكن فتحها.
وهذا يمكن أن يمكّن البنوك من التخصيص المفرط وتحسين التزام العملاء مما يؤدي إلى نمو كبير.