Tehisintellekt annab jaepanganduse klientidele ennetava hüperisikupärastatud kogemuse (Senthil C)

Viimastel
rahulolu uuring J.D. Power for U.S. jaepangad avastasid, et pankadel on olnud raskusi klientide isikupärastamise ootuste täitmisega ja peaaegu pooled klientidest on läinud üle digitaalsetele pangandussuhetele. Täna ootused
pangaklientide arv on muutunud, kus nad otsivad nüüd hüperisikupärastatud pakkumisi, nagu need, mida pakuvad Netflix, Amazon ja Starbucks. Hüperpersonaliseerimist saab saavutada tehisintellekti (AI) ja masinõppe (ML) abil.
reaalajas andmed ja kliendikogemuste kohandamine. See ajaveeb uurib võimalusi ML-mudelite võimendamiseks kliendikogemuse ülipersonaliseerimiseks kõigis kliendikanalites, nimelt kontaktikeskuses, veebis ja sotsiaalmeedias.

Kliendikogemuse lähenemise nihe

Kliendid ootavad sisukat ja väga isikupärastatud digitaalset kogemust oma individuaalsete pangandusvajaduste jaoks. Pangad saavad neid vajadusi ennustada, mõistes oma kliente paremini – nende eesmärke, eelistusi ja käitumist reaalajas ning pakkudes proaktiivselt.
kohandatud pakkumised. Mõelge stsenaariumile, kus klient kulutab tavapärasest rohkem raha, mis võib viia selleni, et tal ei jätku eelseisva EMI jaoks raha. Mis siis, kui pank oskab kulusid varasema kulutrendi põhjal prognoosida. Pank saab siis
hoiatage klienti ennetavalt ja tehke isikliku laenu allahindlusi. Selline panga algatatud proaktiivne, kontekstipõhine ja isikupärastatud kogemus võib kliendisuhteid süvendada.

Arvestades, et see on olnud lähiminevikus huvipakkuv teema, uurime, kuidas AI/ML-uuringuid rakendatakse sõltumatult kolmes erinevas kliendikanalis, ja seejärel võrdleme kolme lähenemisviisi.

AI-põhised hüperpersonaliseerimis- või soovitusmudelid

1. Klienditeeninduste kõnekeskus: Kliendikõne põhjuse ennustamine ja ennetav sekkumine ahvatleks kliente. Teadlased on välja töötanud AI-põhise
mitme ülesandega närvivõrk (ANN), et ennustada kliendi kõne kavatsust ja seejärel viia klient üle digitaalsetele kanalitele. Masinõppe mudelit koolitati kliendi profiili abil,
kõne ärakirja andmed, klienditeeninduse logi ja tehingute logi. Eesmärk on ennustada, kas klient helistab kontaktkeskusesse lähitulevikus, näiteks järgmise 10 päeva jooksul.

Kui klient helistab IVR-süsteemi, soovitab isikupärastatud hääljuhis mudeli ennustuse põhjal asjakohaseid digiteenuseid. Kui klient nõustub soovitusega, suunatakse ta URL-iga SMS-i kaudu vestlusroti käivitama.
Selle tulemuseks on ülipersonaliseeritud ja tõhus klienditeeninduskogemus. Mõelge stsenaariumile, kus klient on tšeki sisse kandnud, kuid summat pole tema pangakontole kantud isegi nädala pärast. Klient küsib järele helistades kontaktile
Keskus. Masinõppemudel ennustab kõne kavatsust selle konkreetse kliendi jaoks ja liigub sobiva lahenduse saamiseks eelistatud digitaalsele kanalile.

2. Veebikanal: Kasutaja käitumisel põhinev isikupärastamine toimub üldjuhul andmekaeve algoritme kasutades, kuid kasutaja käitumise prognoosimine täielikuks isikupärastamiseks on väga keeruline. See on tingitud sageli muutuvatest kasutusandmetest koos muutuva kasutajahuviga.
Teadlased on leidnud uudse intelligentse
veebi isikupärastamise mudel kasutaja eelistuste soovitamiseks. Masinõppemudel ennustab kasutaja jaoks veebisisu ja õpib pidevalt kasutaja käitumist. Pangad saavad mudeli abil soovitada konkreetsele kasutajale kohandatud tooteid.

Selle asemel, et pakkuda igale oma veebilehele sisenevale kliendile eralaenu, saavad pangad kodulehte oma klientide jaoks isikupärastada, lähtudes sirvimisajaloost ja praegusest eluetapist. Näiteks noore perega klient oleks
rohkem huvitatud hüpoteeklaenu või autolaenu võtmisest või pikaajalistest investeeringutest. Varsti pensionile jääv klient võib vajada abi pensioni- ja varahaldusplaanide koostamisel. Kasutades ülaltoodud AI mudelit, saavad pangad veebisaiti dünaamiliselt kohandada, tuvastades selle
klient ja vajaduse ennetamine.

3. Sotsiaalmeedia kanalid: Need platvormid loovad hulgaliselt klientidega seotud andmeid, sealhulgas käitumisandmeid, mida pangad saavad kasutada klientide vajaduste sügavamaks mõistmiseks. Need väärtuslikud teadmised võivad viia proaktiivse isikupärastamiseni
pakkumisi klientidele. Teadlased on välja töötanud an
integreeritud raamistik aidata pankadel sotsiaalmeedia analüütikast väärtust ammutada. See aitab kasutada täiustatud tehisintellektil põhinevat ettekirjutavat ja ennustavat analüütikat, et arendada teadmisi kliendikogemuse ülipersonaliseerimiseks. Kaaluge näidet
klient, kes postitab Facebooki kommentaare konkreetsete turismisihtkohtade ja nende kohtade külastamise vastu huvi kohta. See on pangale suurepärane võimalus postitusi analüüsida ja pakkuda välja kohandatud pakkumisi nagu eralaenud, reisikindlustus ja
pakkumised reisipiletitele.   

Nendes kolmes kliendikanalis on prognooside jaoks vajalikud andmed kanalites erinevad. Joonis 1 annab kokkuvõtte iga kanali klientide kaasamisega seotud andmetest. Näeme, et kontaktkeskuse andmeside on keerulisem
ja sotsiaalmeedia kanalid struktureerimata andmete tõttu.

Rikastage kliendikogemusi: tee edasi

Arutasime erinevate kliendikanalite jaoks soovitatud masinõppemudeleid. Kuna andmekogumid, andmetüübid ja kasutajate käitumine igas kanalis on erinevad, on iga kliendi seotus unikaalne. Me näeme AI mudelite keerukust liikudes
veebikanalitest kontaktikeskuse kanaliteni sotsiaalmeedia kanaliteni. Pangad võivad neid kaaluda, seades prioriteediks ja juurutades hüperisikupärastamise masinõppemudeleid.

AI-põhised ennustusmudelid, mis kasutavad reaalajas andmeid, näevad välja väga paljulubavad. See annab pankadele võimaluse kohandada iga kliendi kontaktpunkti. Arutasime ülisuure isikupärastamise üle kolme kanali vahel ja tohutu väärtuse üle, mida saab avada.
See võib võimaldada pankadel isikupärastada, parandada klientide püsivust, mille tulemuseks on märkimisväärne kasv.