KI ermöglicht proaktives, hyperpersonalisiertes Erlebnis für Retail-Banking-Kunden (Senthil C)

Eine kürzlich
Zufriedenheitsstudie von JD Power für US-Retailbanken ergab, dass Banken Schwierigkeiten hatten, die Erwartungen der Kunden an die Personalisierung zu erfüllen, und dass fast die Hälfte der Kunden auf digitalzentrierte Bankbeziehungen umgestiegen ist. Heute sind die Erwartungen
der Bankkunden haben sich verändert und suchen nun nach hyperpersonalisierten Angeboten wie denen von Netflix, Amazon und Starbucks. Hyperpersonalisierung kann durch die Nutzung von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) erreicht werden
Echtzeitdaten und maßgeschneiderte Kundenerlebnisse. Dieser Blog untersucht die Möglichkeiten der Nutzung von ML-Modellen zur Hyperpersonalisierung des Kundenerlebnisses über alle Kundenkanäle hinweg, nämlich Contact Center, Web und soziale Medien.

Verlagerung des Kundenerlebnisansatzes

Kunden erwarten ein sinnvolles und hochgradig personalisiertes digitales Erlebnis für ihre individuellen Bankbedürfnisse. Banken können diese Bedürfnisse vorhersagen, indem sie ihre Kunden besser verstehen – ihre Ziele, Vorlieben und Verhaltensweisen in Echtzeit und proaktiv umsetzen
maßgeschneiderte Angebote. Stellen Sie sich ein Szenario vor, in dem ein Kunde mehr Geld als üblich ausgibt, was dazu führen könnte, dass er nicht über ausreichende Mittel für sein bevorstehendes EMI verfügt. Was wäre, wenn die Bank die Ausgaben anhand der vergangenen Ausgabenentwicklung vorhersagen könnte? Die Bank kann dann
Benachrichtigen Sie den Kunden proaktiv und bieten Sie Rabatte für einen Privatkredit an. Ein solches proaktives, kontextbezogenes und personalisiertes Erlebnis, das von der Bank initiiert wird, kann die Kundenbeziehungen vertiefen.

In Anbetracht dessen, dass dies in der jüngeren Vergangenheit ein interessantes Thema war, wollen wir untersuchen, wie die KI/ML-Forschung unabhängig voneinander auf drei verschiedene Kundenkanäle angewendet wird, und dann die drei Ansätze vergleichen.

KI-basierte Hyperpersonalisierungs- oder Empfehlungsmodelle

1. Kundendienst-Callcenter: Den Grund für einen Kundenanruf vorherzusagen und präventiv einzugreifen, würde Kunden anlocken. Forscher haben eine KI-basierte entwickelt
Neuronales Multitasking-Netzwerk (ANN), um die Absicht eines Kundenanrufs vorherzusagen und den Kunden anschließend auf digitale Kanäle zu migrieren. Das maschinelle Lernmodell wurde anhand des Kundenprofils trainiert.
Anrufprotokolldaten, Kundendienstprotokoll und Transaktionsprotokoll. Das Ziel besteht darin, vorherzusagen, ob der Kunde in naher Zukunft, beispielsweise innerhalb der nächsten 10 Tage, das Contact Center anrufen wird.

Wenn der Kunde das IVR-System anruft, empfiehlt eine personalisierte Sprachansage basierend auf der Vorhersage des Modells relevante digitale Dienste. Wenn der Kunde die Empfehlung annimmt, wird er per SMS mit einer URL weitergeleitet, um einen Chatbot zu starten.
Dies führt zu einem hyperpersonalisierten und effizienten Kundenservice. Stellen Sie sich ein Szenario vor, in dem ein Kunde einen Scheck hinterlegt hat, der Betrag seinem Bankkonto jedoch auch nach einer Woche nicht gutgeschrieben wurde. Der Kunde würde sich erkundigen, indem er den Ansprechpartner anruft
Center. Das maschinelle Lernmodell würde die Absicht des Anrufs für diesen bestimmten Kunden vorhersagen und für eine geeignete Lösung zu seinem bevorzugten digitalen Kanal wechseln.

2. Webkanal: Die auf dem Benutzerverhalten basierende Personalisierung erfolgt im Allgemeinen mithilfe von Data-Mining-Algorithmen. Die Vorhersage des Benutzerverhaltens für eine vollständige Personalisierung ist jedoch sehr schwierig. Dies ist auf häufig wechselnde Nutzungsdaten mit wechselndem Nutzerinteresse zurückzuführen.
Forscher haben einen neuartigen Intelligenten entdeckt
Web-Personalisierungsmodell für die Empfehlung der Benutzerpräferenzen. Das maschinelle Lernmodell sagt die Webinhalte für den Benutzer voraus und lernt kontinuierlich das Benutzerverhalten. Banken können das Modell verwenden, um Produkte zu empfehlen, die auf einen bestimmten Benutzer zugeschnitten sind.

Anstatt jedem Kunden, der ihre Website betritt, einen Privatkredit anzubieten, können die Banken die Startseite für ihre Kunden anhand des Browserverlaufs und ihres aktuellen Lebensabschnitts personalisieren. Das wäre zum Beispiel ein Kunde mit einer jungen Familie
eher an der Aufnahme einer Hypothek oder eines Autokredits oder an langfristigen Investitionen interessiert. Ein Kunde, der bald in den Ruhestand geht, benötigt möglicherweise Hilfe bei Altersvorsorge- und Vermögensverwaltungsplänen. Mithilfe des oben genannten KI-Modells können Banken die Website dynamisch anpassen, indem sie die erkennen
Kunden und Erkennen des Bedarfs.

3. Social-Media-Kanäle: Diese Plattformen generieren eine Fülle kundenbezogener Daten, einschließlich Verhaltensdaten, die von Banken genutzt werden können, um ein tieferes Verständnis der Kundenbedürfnisse zu erlangen. Diese wertvollen Erkenntnisse können zu einer proaktiven Personalisierung führen
Angebote für Kunden. Forscher haben eine entwickelt
integrierter Rahmen um Banken dabei zu helfen, Mehrwert aus Social-Media-Analysen zu ziehen. Dies wird dazu beitragen, fortschrittliche KI-basierte präskriptive und prädiktive Analysen zu nutzen, um Erkenntnisse für die Hyperpersonalisierung des Kundenerlebnisses zu gewinnen. Betrachten Sie ein Beispiel für
Ein Kunde postet auf Facebook Kommentare zu bestimmten Reisezielen und seinem Interesse, diese Orte zu besuchen. Dies ist eine großartige Gelegenheit für die Bank, die Beiträge zu analysieren und maßgeschneiderte Angebote wie Privatkredite, Reiseversicherungen usw. vorzuschlagen
Angebote für Reisetickets.   

In diesen drei Kundenkanälen variieren die für die Vorhersagen erforderlichen Daten von Kanal zu Kanal. Abbildung 1 zeigt die Zusammenfassung der Daten, die an der Kundenbindung auf jedem Kanal beteiligt sind. Wir sehen, dass es im Contact Center eine höhere Datenkomplexität gibt
und Social-Media-Kanäle aufgrund unstrukturierter Daten.

Kundenerlebnisse bereichern: Der Weg nach vorn

Wir haben die für verschiedene Kundenkanäle empfohlenen Modelle für maschinelles Lernen besprochen. Da die Datensätze, Datentypen und das Nutzerverhalten in jedem Kanal unterschiedlich sind, ist jede Kundeninteraktion einzigartig. Wir sehen, dass die Komplexität von KI-Modellen im Laufe der Zeit zunimmt
von Web-Kanälen über Contact-Center-Kanäle bis hin zu Social-Media-Kanälen. Die Banken können diese berücksichtigen, indem sie Modelle für maschinelles Lernen für Hyperpersonalisierung priorisieren und einsetzen.

KI-basierte Vorhersagemodelle, die Echtzeitdaten nutzen, sehen sehr vielversprechend aus. Es bietet Banken die Möglichkeit, jeden Kundenkontaktpunkt individuell anzupassen. Wir haben über die Hyperpersonalisierung auf allen drei Kanälen nachgedacht und über den enormen Wert, der dadurch freigesetzt werden kann.
Dies kann Banken in die Lage versetzen, eine Hyperpersonalisierung vorzunehmen, die Kundenbindung zu verbessern und so zu deutlichem Wachstum zu führen.