AI giver mulighed for proaktiv hyper-personlig oplevelse for detailbankkunder (Senthil C)

En nylig
tilfredshedsundersøgelse af JD Power for amerikanske detailbanker fandt ud af, at banker har kæmpet for at leve op til kundernes forventninger til personalisering, og næsten halvdelen af ​​kunderne er gået over til digitalt-centrerede bankforhold. I dag er forventningerne
af bankkunder har ændret sig, hvor de nu leder efter hyper-personlige tilbud som dem, der leveres af Netflix, Amazon og Starbucks. Hyper-personalisering kan leveres ved at udnytte kunstig intelligens (AI) og maskinlæring (ML) med
realtidsdata og skræddersy kundeoplevelser. Denne blog udforsker mulighederne i at udnytte ML-modeller til at hyperpersonalisere kundeoplevelsen på tværs af kundekanaler, nemlig kontaktcenter, web og sociale medier.

Skift i tilgang til kundeoplevelse

Kunder forventer en meningsfuld og meget personlig digital oplevelse til deres individuelle bankbehov. Banker kan forudsige disse behov ved at forstå deres kunder bedre - deres mål, præferencer og adfærd i realtid og proaktivt levere
skræddersyede tilbud. Overvej et scenario, hvor en kunde bruger flere penge end normalt, hvilket kan føre til, at de ikke har tilstrækkelige midler til deres kommende EMI. Hvad hvis banken kan forudsige udgifterne baseret på den tidligere udgiftstrend. Det kan banken så
proaktivt advare kunden og tilbyde rabatter på et privatlån. En sådan proaktiv, kontekstuel og personlig oplevelse initieret af banken kan uddybe kunderelationerne.

I betragtning af at dette har været et emne af interesse i den seneste tid, lad os undersøge, hvordan AI/ML-forskning anvendes på tre forskellige kundekanaler uafhængigt og derefter sammenligne de tre tilgange.

AI-baserede hyper-personaliserings- eller anbefalingsmodeller

1. Kundeservice callcenter: At forudsige årsagen til et kundeopkald og udføre forebyggende indgreb ville lokke kunder. Forskere har udviklet en AI-baseret
multi-task neuralt netværk (ANN) for at forudsige en kundes opkalds hensigt og efterfølgende migrere kunden til digitale kanaler. Maskinlæringsmodellen blev trænet ved hjælp af kundens profil,
opkaldsudskriftsdata, kundeservicelog og transaktionslog. Målet er at forudsige, om kunden vil ringe til kontaktcentret i den nærmeste fremtid, f.eks. inden for de næste 10 dage.

Når kunden ringer til IVR-systemet, vil en personlig stemmeprompt anbefale relevante digitale tjenester baseret på modellens forudsigelse. Hvis kunden accepterer anbefalingen, bliver de omdirigeret til at starte en chatbot via en SMS med en URL.
Dette resulterer i en hyperpersonlig og effektiv kundeserviceoplevelse. Overvej et scenario, hvor en kunde har indbetalt en check, men beløbet ikke er blevet krediteret til deres bankkonto, selv efter en uge. Kunden ville forespørge ved at ringe til kontakten
centrum. Maskinlæringsmodellen ville forudsige opkaldets hensigt for denne specifikke kunde og flytte til deres foretrukne digitale kanal for en passende løsning.

2. Webkanal: Personalisering baseret på brugeradfærd udføres generelt ved hjælp af data mining-algoritmer, men forudsigelse af brugeradfærd for fuld personalisering er meget vanskelig. Dette skyldes hyppigt skiftende brugsdata med skiftende brugerinteresse.
Forskere har fundet en intelligent roman
web-personaliseringsmodel for brugerpræferenceanbefaling. Maskinlæringsmodellen forudsiger webindholdet for brugeren og lærer løbende brugeradfærden. Banker kan bruge modellen til at anbefale produkter, der er skræddersyet til en bestemt bruger.

I stedet for at tilbyde personlige lån til hver kunde, der kommer ind på deres hjemmeside, kan bankerne tilpasse hjemmesiden til deres kunder baseret på browserhistorien og deres nuværende livsfase. For eksempel ville en kunde med en ung familie være
mere interesseret i at optage et realkreditlån eller billån eller langsigtede investeringer. En kunde, der snart går på pension, kan have brug for hjælp til pensions- og formueforvaltningsplaner. Ved at bruge ovenstående AI-model kan banker skræddersy hjemmesiden dynamisk ved at genkende
kunde og forudse behovet.

3. Sociale mediekanaler: Disse platforme genererer et væld af kunderelaterede data, herunder adfærdsdata, som kan bruges af banker til at få en dybere forståelse af kundernes behov. Disse værdifulde indsigter kan føre til proaktiv personaliseret
tilbud til kunderne. Forskere har udviklet en
integrerede rammer at hjælpe banker med at udlede værdi af sociale medier-analyser. Dette vil hjælpe med at udnytte avanceret AI-baseret præskriptiv og prædiktiv analyse for at udvikle indsigt til hyper-personalisering af kundeoplevelsen. Overvej et eksempel på
en kunde, der poster kommentarer på Facebook om specifikke turistmål og deres interesse for at besøge disse steder. Dette er en fantastisk mulighed for banken til at analysere indlæggene og foreslå skræddersyede tilbud som personlige lån, rejseforsikringer og
tilbud på rejsebilletter.   

I disse tre kundekanaler varierer de nødvendige data til forudsigelserne fra en kanal til en anden. Figur 1 giver en oversigt over de data, der er involveret i kundeengagement på hver kanal. Vi ser, at der er højere datakompleksitet i kontaktcenter
og sociale mediekanaler på grund af ustrukturerede data.

Berig kundeoplevelser: Vejen frem

Vi diskuterede de maskinlæringsmodeller, der anbefales til forskellige kundekanaler. Da datasættene, datatyperne og brugeradfærden i hver kanal er forskellige, er hvert kundeengagement unikt. Vi ser stigende kompleksitet i AI-modeller, efterhånden som vi bevæger os
fra webkanaler til kontaktcenterkanaler til sociale mediekanaler. Bankerne kan overveje disse, mens de prioriterer og implementerer maskinlæringsmodeller til hyperpersonalisering.

AI-baserede forudsigelsesmodeller, der bruger realtidsdata, ser meget lovende ud. Det giver bankerne mulighed for at skræddersy ethvert kundekontaktpunkt. Vi overvejede hyper personalisering på tværs af de tre kanaler og den enorme værdi, der kan låses op.
Dette kan gøre det muligt for banker at hyper personalisere, forbedre kundernes klæbrighed, hvilket resulterer i betydelig vækst.