La IA potencia la experiencia hiperpersonalizada proactiva para los clientes de banca minorista (Senthil C)

Un
estudio de satisfacción realizado por JD Power para bancos minoristas de EE. UU. descubrió que los bancos han tenido dificultades para cumplir con las expectativas de personalización de los clientes y casi la mitad de los clientes han pasado a relaciones bancarias centradas en lo digital. Hoy las expectativas
de los clientes bancarios han cambiado y ahora buscan ofertas hiperpersonalizadas como las que ofrecen Netflix, Amazon y Starbucks. La hiperpersonalización se puede lograr aprovechando la inteligencia artificial (IA) y el aprendizaje automático (ML) con
datos en tiempo real y personalización de las experiencias de los clientes. Este blog explora las oportunidades de aprovechar los modelos de aprendizaje automático para hiperpersonalizar la experiencia del cliente en todos los canales del cliente, es decir, centro de contacto, web y redes sociales.

Cambio en el enfoque de la experiencia del cliente

Los clientes esperan una experiencia digital significativa y altamente personalizada para sus necesidades bancarias individuales. Los bancos pueden predecir estas necesidades comprendiendo mejor a sus clientes: sus objetivos, preferencias y comportamientos en tiempo real y entregando de forma proactiva
ofertas personalizadas. Considere un escenario en el que un cliente gasta más dinero de lo habitual, lo que podría provocar que no tenga fondos suficientes para su próximo EMI. ¿Qué pasa si el banco puede predecir los gastos basándose en la tendencia de gasto pasada? El banco puede entonces
alertar proactivamente al cliente y ofrecer descuentos en un préstamo personal. Una experiencia tan proactiva, contextual y personalizada iniciada por el banco puede profundizar las relaciones con los clientes.

Teniendo en cuenta que este ha sido un tema de interés en el pasado reciente, exploremos cómo se aplica la investigación de AI/ML a tres canales de clientes diferentes de forma independiente y luego comparemos los tres enfoques.

Modelos de recomendación o hiperpersonalización basados ​​en IA

1. Centro de llamadas de atención al cliente: Predecir el motivo de la llamada de un cliente y realizar una intervención preventiva atraería a los clientes. Los investigadores han desarrollado un sistema basado en IA
red neuronal multitarea (ANN) para predecir la intención de la llamada de un cliente y posteriormente migrar al cliente a canales digitales. El modelo de aprendizaje automático se entrenó utilizando el perfil del cliente,
datos de transcripción de llamadas, registro de servicio al cliente y registro de transacciones. El objetivo es predecir si el cliente llamará al centro de contacto en el futuro inmediato, digamos dentro de los próximos 10 días.

Cuando el cliente llama al sistema IVR, un mensaje de voz personalizado recomendará servicios digitales relevantes según la predicción del modelo. Si el cliente acepta la recomendación, se le redirige para lanzar un chatbot a través de un SMS con una URL.
Esto da como resultado una experiencia de servicio al cliente hiperpersonalizada y eficiente. Considere un escenario en el que un cliente ha depositado un cheque pero el monto no se ha acreditado en su cuenta bancaria incluso después de una semana. El cliente podrá consultar llamando al contacto
centro. El modelo de aprendizaje automático predeciría la intención de la llamada para este cliente específico y pasaría a su canal digital preferido para una resolución adecuada.

2. Canal web: La personalización basada en el comportamiento del usuario generalmente se realiza mediante algoritmos de minería de datos, pero la predicción del comportamiento del usuario para una personalización completa es muy difícil. Esto se debe a que los datos de uso cambian con frecuencia según los intereses de los usuarios.
Los investigadores han encontrado una novela inteligente.
modelo de personalización web para la recomendación de preferencia del usuario. El modelo de aprendizaje automático predice el contenido web para el usuario y aprende el comportamiento del usuario continuamente. Los bancos pueden utilizar el modelo para recomendar productos adaptados a un usuario específico.

En lugar de ofrecer préstamos personales a cada cliente que ingresa a su sitio web, los bancos pueden personalizar la página de inicio de sus clientes en función del historial de navegación y su etapa de vida actual. Por ejemplo, un cliente con una familia joven estaría
más interesados ​​en obtener una hipoteca o un préstamo para un automóvil o inversiones a largo plazo. Un cliente que se jubilará pronto puede necesitar ayuda con sus planes de jubilación y gestión patrimonial. Utilizando el modelo de IA anterior, los bancos pueden adaptar el sitio web dinámicamente reconociendo el
cliente y anticipándose a la necesidad.

3. Canales de redes sociales: Estas plataformas generan una gran cantidad de datos relacionados con los clientes, incluidos datos de comportamiento, que los bancos pueden utilizar para obtener una comprensión más profunda de las necesidades de los clientes. Estos valiosos conocimientos pueden conducir a una atención personalizada y proactiva.
ofertas para los clientes. Los investigadores han desarrollado un
marco integrado para ayudar a los bancos a obtener valor del análisis de redes sociales. Esto ayudará a aprovechar análisis prescriptivos y predictivos avanzados basados ​​en IA para desarrollar conocimientos que permitan hiperpersonalizar la experiencia del cliente. Considere un ejemplo de
un cliente que publica comentarios en Facebook sobre destinos turísticos específicos y su interés en visitar estos lugares. Esta es una gran oportunidad para que el banco analice las publicaciones y sugiera ofertas personalizadas como préstamos personales, seguros de viaje y
ofertas en billetes de viaje.   

En estos tres canales de clientes, los datos necesarios para las predicciones varían de un canal a otro. La Figura 1 ofrece el resumen de los datos involucrados en la participación del cliente en cada canal. Vemos que hay mayor complejidad de datos en el contact center
y canales de redes sociales debido a datos no estructurados.

Enriquecer las experiencias de los clientes: el camino a seguir

Discutimos los modelos de aprendizaje automático recomendados para diferentes canales de clientes. Como los conjuntos de datos, los tipos de datos y el comportamiento del usuario en cada canal son diferentes, cada interacción con el cliente es única. Vemos una complejidad cada vez mayor en los modelos de IA a medida que avanzamos.
desde canales web hasta canales de centros de contacto y canales de redes sociales. Los bancos pueden considerarlos al priorizar e implementar modelos de aprendizaje automático para la hiperpersonalización.

Los modelos de predicción basados ​​en IA que utilizan datos en tiempo real parecen muy prometedores. Brinda a los bancos la oportunidad de adaptar cada punto de contacto con el cliente. Deliberamos sobre la hiperpersonalización en los tres canales y el enorme valor que se puede desbloquear.
Esto puede permitir a los bancos hiperpersonalizar y mejorar la fidelidad de los clientes, lo que generará un crecimiento significativo.