Το AI εξουσιοδοτεί την προληπτική υπερ-εξατομικευμένη εμπειρία για πελάτες λιανικής τραπεζικής (Senthil C)

Μια πρόσφατη
μελέτη ικανοποίησης από την JD Power για τις τράπεζες λιανικής των ΗΠΑ διαπίστωσε ότι οι τράπεζες δυσκολεύτηκαν να ανταποκριθούν στις προσδοκίες των πελατών για εξατομίκευση και σχεδόν οι μισοί από τους πελάτες έχουν μετακινηθεί σε τραπεζικές σχέσεις με επίκεντρο την ψηφιακή τεχνολογία. Σήμερα, οι προσδοκίες
των τραπεζικών πελατών έχουν αλλάξει, όπου τώρα αναζητούν υπερ-εξατομικευμένες προσφορές όπως αυτές που παρέχονται από το Netflix, την Amazon και τα Starbucks. Η υπερ-εξατομίκευση μπορεί να επιτευχθεί αξιοποιώντας την τεχνητή νοημοσύνη (AI) και τη μηχανική μάθηση (ML).
δεδομένα σε πραγματικό χρόνο και προσαρμογή των εμπειριών των πελατών. Αυτό το ιστολόγιο διερευνά τις ευκαιρίες αξιοποίησης μοντέλων ML για την υπερ-εξατομίκευση της εμπειρίας των πελατών σε όλα τα κανάλια πελατών, συγκεκριμένα στο κέντρο επικοινωνίας, τον ιστό και τα μέσα κοινωνικής δικτύωσης.

Αλλαγή στην προσέγγιση της εμπειρίας του πελάτη

Οι πελάτες αναμένουν μια ουσιαστική και εξαιρετικά εξατομικευμένη ψηφιακή εμπειρία για τις ατομικές τραπεζικές ανάγκες τους. Οι τράπεζες μπορούν να προβλέψουν αυτές τις ανάγκες κατανοώντας καλύτερα τους πελάτες τους - τους στόχους, τις προτιμήσεις και τις συμπεριφορές τους σε πραγματικό χρόνο και παρέχοντας προληπτικά
προσαρμοσμένες προσφορές. Σκεφτείτε ένα σενάριο όπου ένας πελάτης ξοδεύει περισσότερα χρήματα από ό,τι συνήθως, γεγονός που θα μπορούσε να οδηγήσει σε ανεπαρκή κεφάλαια για το επερχόμενο EMI του. Τι γίνεται αν η τράπεζα μπορεί να προβλέψει τα έξοδα με βάση την προηγούμενη τάση δαπανών. Η τράπεζα μπορεί τότε
ειδοποιεί προληπτικά τον πελάτη και προσφέρει εκπτώσεις σε προσωπικό δάνειο. Μια τέτοια προληπτική, συμφραζόμενη και εξατομικευμένη εμπειρία που ξεκίνησε από την τράπεζα μπορεί να εμβαθύνει τις σχέσεις με τους πελάτες.

Δεδομένου ότι αυτό ήταν ένα θέμα ενδιαφέροντος στο πρόσφατο παρελθόν, ας διερευνήσουμε πώς η έρευνα AI/ML εφαρμόζεται σε τρία διαφορετικά κανάλια πελατών ανεξάρτητα και, στη συνέχεια, ας συγκρίνουμε τις τρεις προσεγγίσεις.

Υπερ-εξατομίκευση ή μοντέλα συστάσεων που βασίζονται σε AI

1. Τηλεφωνικό κέντρο εξυπηρέτησης πελατών: Η πρόβλεψη του λόγου για μια κλήση πελάτη και η εκτέλεση προληπτικής παρέμβασης θα προσελκύσουν τους πελάτες. Οι ερευνητές έχουν αναπτύξει ένα σύστημα τεχνητής νοημοσύνης
νευρωνικό δίκτυο πολλαπλών εργασιών (ANN) για την πρόβλεψη της πρόθεσης κλήσης ενός πελάτη και στη συνέχεια τη μετεγκατάσταση του πελάτη σε ψηφιακά κανάλια. Το μοντέλο μηχανικής μάθησης εκπαιδεύτηκε χρησιμοποιώντας το προφίλ του πελάτη,
δεδομένα μεταγραφής κλήσεων, αρχείο καταγραφής εξυπηρέτησης πελατών και αρχείο καταγραφής συναλλαγών. Ο στόχος είναι να προβλέψουμε εάν ο πελάτης θα καλέσει το κέντρο επικοινωνίας στο άμεσο μέλλον, ας πούμε εντός των επόμενων 10 ημερών.

Όταν ο πελάτης καλεί το σύστημα IVR, ένα εξατομικευμένο φωνητικό μήνυμα θα προτείνει σχετικές ψηφιακές υπηρεσίες με βάση την πρόβλεψη του μοντέλου. Εάν ο πελάτης αποδεχτεί τη σύσταση, τότε ανακατευθύνεται για να ξεκινήσει ένα chatbot μέσω SMS με διεύθυνση URL.
Αυτό έχει ως αποτέλεσμα την υπερ-εξατομικευμένη και αποτελεσματική εμπειρία εξυπηρέτησης πελατών. Σκεφτείτε ένα σενάριο όταν ένας πελάτης έχει καταθέσει μια επιταγή αλλά το ποσό δεν έχει πιστωθεί στον τραπεζικό λογαριασμό του ακόμη και μετά από μια εβδομάδα. Ο πελάτης θα ρωτήσει καλώντας την επαφή
κέντρο. Το μοντέλο μηχανικής εκμάθησης θα προβλέπει την πρόθεση της κλήσης για αυτόν τον συγκεκριμένο πελάτη και θα μετακινείται στο ψηφιακό κανάλι που προτιμά για την κατάλληλη ανάλυση.

2. Κανάλι Ιστού: Η εξατομίκευση με βάση τη συμπεριφορά των χρηστών γίνεται γενικά με τη χρήση αλγορίθμων εξόρυξης δεδομένων, αλλά η πρόβλεψη συμπεριφοράς χρήστη για πλήρη εξατομίκευση είναι πολύ δύσκολη. Αυτό οφείλεται στη συχνή αλλαγή των δεδομένων χρήσης με την αλλαγή του ενδιαφέροντος των χρηστών.
Οι ερευνητές βρήκαν ένα νέο έξυπνο
μοντέλο εξατομίκευσης ιστού για σύσταση προτιμήσεων χρήστη. Το μοντέλο μηχανικής εκμάθησης προβλέπει το περιεχόμενο Ιστού για τον χρήστη και μαθαίνει τη συμπεριφορά του χρήστη συνεχώς. Οι τράπεζες μπορούν να χρησιμοποιήσουν το μοντέλο για να προτείνουν προϊόντα προσαρμοσμένα σε συγκεκριμένο χρήστη.

Αντί να προσφέρουν προσωπικά δάνεια σε κάθε πελάτη που εισέρχεται στον ιστότοπό τους, οι τράπεζες μπορούν να εξατομικεύσουν την αρχική σελίδα για τους πελάτες τους με βάση το ιστορικό περιήγησης και το τρέχον στάδιο της ζωής τους. Για παράδειγμα, ένας πελάτης με νεαρή οικογένεια θα ήταν
ενδιαφέρονται περισσότερο να συνάψουν στεγαστικό δάνειο ή δάνειο αυτοκινήτου ή μακροπρόθεσμες επενδύσεις. Ένας πελάτης που συνταξιοδοτείται σύντομα μπορεί να χρειαστεί βοήθεια με σχέδια συνταξιοδότησης και διαχείρισης περιουσίας. Χρησιμοποιώντας το παραπάνω μοντέλο τεχνητής νοημοσύνης, οι τράπεζες μπορούν να προσαρμόσουν τον ιστότοπο δυναμικά αναγνωρίζοντας το
πελάτη και προβλέποντας την ανάγκη.

3. Κανάλια μέσων κοινωνικής δικτύωσης: Αυτές οι πλατφόρμες παράγουν πληθώρα δεδομένων σχετικά με τους πελάτες, συμπεριλαμβανομένων δεδομένων συμπεριφοράς, τα οποία μπορούν να χρησιμοποιηθούν από τις τράπεζες για να αποκτήσουν μια βαθύτερη κατανόηση των αναγκών των πελατών. Αυτές οι πολύτιμες πληροφορίες μπορούν να οδηγήσουν σε προληπτικά εξατομικευμένα
προσφορές για πελάτες. Οι ερευνητές έχουν αναπτύξει ένα
ολοκληρωμένο πλαίσιο να βοηθήσουν τις τράπεζες να αντλήσουν αξία από την ανάλυση των μέσων κοινωνικής δικτύωσης. Αυτό θα σας βοηθήσει να αξιοποιήσετε προηγμένα αναλυτικά αναλυτικά στοιχεία που βασίζονται σε τεχνητή νοημοσύνη για να αναπτύξετε insights για την υπερ-εξατομίκευση της εμπειρίας των πελατών. Εξετάστε ένα παράδειγμα του
ένας πελάτης που δημοσιεύει σχόλια στο Facebook σχετικά με συγκεκριμένους τουριστικούς προορισμούς και το ενδιαφέρον του να επισκεφτεί αυτά τα μέρη. Αυτή είναι μια εξαιρετική ευκαιρία για την τράπεζα να αναλύσει τις δημοσιεύσεις και να προτείνει προσαρμοσμένες προσφορές όπως προσωπικά δάνεια, ταξιδιωτική ασφάλιση και
προσφορές σε ταξιδιωτικά εισιτήρια.   

Σε αυτά τα τρία κανάλια πελατών, τα δεδομένα που απαιτούνται για τις προβλέψεις διαφέρουν από το ένα κανάλι στο άλλο. Το Σχήμα 1 δίνει τη σύνοψη των δεδομένων που σχετίζονται με την αφοσίωση των πελατών σε κάθε κανάλι. Βλέπουμε ότι υπάρχει μεγαλύτερη πολυπλοκότητα δεδομένων στο κέντρο επικοινωνίας
και τα κανάλια μέσων κοινωνικής δικτύωσης λόγω μη δομημένων δεδομένων.

Εμπλουτίστε τις εμπειρίες των πελατών: Ο δρόμος προς τα εμπρός

Συζητήσαμε τα μοντέλα μηχανικής εκμάθησης που προτείνονται για διαφορετικά κανάλια πελατών. Καθώς τα σύνολα δεδομένων, οι τύποι δεδομένων και η συμπεριφορά των χρηστών σε κάθε κανάλι είναι διαφορετικά, κάθε αφοσίωση πελατών είναι μοναδική. Βλέπουμε αυξανόμενη πολυπλοκότητα στα μοντέλα τεχνητής νοημοσύνης καθώς προχωράμε
από κανάλια Ιστού έως κανάλια κέντρων επικοινωνίας έως κανάλια μέσων κοινωνικής δικτύωσης. Οι τράπεζες μπορούν να τα λάβουν υπόψη αυτά ενώ δίνουν προτεραιότητα και αναπτύσσουν μοντέλα μηχανικής εκμάθησης για υπερεξατομίκευση.

Τα μοντέλα πρόβλεψης βασισμένα σε τεχνητή νοημοσύνη που χρησιμοποιούν δεδομένα σε πραγματικό χρόνο φαίνονται πολλά υποσχόμενα. Παρέχει την ευκαιρία στις τράπεζες να προσαρμόσουν κάθε σημείο επαφής με τον πελάτη. Συζητήσαμε για την υπερ εξατομίκευση στα τρία κανάλια και την τεράστια αξία που μπορεί να ξεκλειδωθεί.
Αυτό μπορεί να επιτρέψει στις τράπεζες να υπερεξατομικεύουν, να βελτιώσουν τη σταθερότητα των πελατών με αποτέλεσμα τη σημαντική ανάπτυξη.