اخیر
مطالعه رضایت توسط JD Power برای بانک‌های خرده‌فروشی ایالات متحده دریافتند که بانک‌ها در برآوردن انتظارات مشتریان برای شخصی‌سازی با مشکل مواجه شده‌اند و تقریباً نیمی از مشتریان به سمت روابط بانکداری دیجیتال محور رفته‌اند. امروز، انتظارات
مشتریان بانکی تغییر کرده اند، جایی که آنها اکنون به دنبال پیشنهادهای فوق شخصی مانند آنچه توسط نتفلیکس، آمازون و استارباکس ارائه می شود، هستند. با استفاده از هوش مصنوعی (AI) و یادگیری ماشینی (ML) می توان شخصی سازی بیش از حد را انجام داد
داده های بلادرنگ و تطبیق تجربیات مشتری. این وبلاگ فرصت های استفاده از مدل های ML را برای شخصی سازی بیش از حد تجربه مشتری در کانال های مشتری، یعنی مرکز تماس، وب و رسانه های اجتماعی بررسی می کند.
تغییر در رویکرد تجربه مشتری
مشتریان انتظار دارند یک تجربه دیجیتالی معنادار و بسیار شخصی شده برای نیازهای بانکی فردی خود داشته باشند. بانک ها می توانند این نیازها را با درک بهتر مشتریان خود - اهداف، ترجیحات و رفتارهای آنها در زمان واقعی و ارائه فعالانه پیش بینی کنند.
پیشنهادات سفارشی سناریویی را در نظر بگیرید که در آن یک مشتری بیش از حد معمول پول خرج می کند که می تواند منجر به کمبود بودجه برای EMI آینده خود شود. چه می شود اگر بانک بتواند هزینه ها را بر اساس روند مخارج گذشته پیش بینی کند. سپس بانک می تواند
فعالانه به مشتری هشدار داده و برای وام شخصی تخفیف ارائه دهید. چنین تجربه فعال، متنی و شخصی که توسط بانک آغاز شده است می تواند روابط با مشتری را عمیق تر کند.
با توجه به اینکه این موضوع در گذشته اخیر مورد توجه بوده است، بیایید بررسی کنیم که چگونه تحقیقات AI/ML به طور مستقل در سه کانال مختلف مشتری اعمال می شود و سپس این سه رویکرد را با هم مقایسه می کنیم.
مدل‌های بیش‌شخصی‌سازی یا توصیه مبتنی بر هوش مصنوعی
1. مرکز تماس خدمات مشتری: پیش بینی دلیل تماس مشتری و انجام مداخله پیشگیرانه مشتریان را جذب می کند. محققان یک فناوری مبتنی بر هوش مصنوعی توسعه داده اند
شبکه عصبی چند وظیفه ای (ANN) برای پیش بینی هدف تماس مشتری و متعاقبا انتقال مشتری به کانال های دیجیتال. مدل یادگیری ماشین با استفاده از مشخصات مشتری آموزش داده شد،
داده‌های رونوشت تماس، گزارش خدمات مشتری و گزارش تراکنش. هدف این است که پیش‌بینی کنیم که آیا مشتری در آینده نزدیک با مرکز تماس تماس می‌گیرد، مثلاً ظرف 10 روز آینده.
هنگامی که مشتری با سیستم تلفن گویا تماس می گیرد، یک پیام صوتی شخصی سازی شده خدمات دیجیتال مربوطه را بر اساس پیش بینی مدل توصیه می کند. اگر مشتری این توصیه را بپذیرد، سپس از طریق یک پیامک با یک URL برای راه اندازی یک ربات چت هدایت می شود.
این منجر به تجربه خدمات مشتری فوق العاده شخصی و کارآمد می شود. سناریویی را در نظر بگیرید که مشتری چکی را واریز کرده است اما حتی پس از یک هفته آن مبلغ به حساب بانکی وی واریز نشده است. مشتری با تماس با مخاطب درخواست می کند
مرکز مدل یادگیری ماشین قصد تماس را برای این مشتری خاص پیش‌بینی می‌کند و برای وضوح مناسب به کانال دیجیتال ترجیحی آنها منتقل می‌شود.
2. کانال وب: شخصی سازی بر اساس رفتار کاربر به طور کلی با استفاده از الگوریتم های داده کاوی انجام می شود، اما پیش بینی رفتار کاربر برای شخصی سازی کامل بسیار دشوار است. این به دلیل تغییر مکرر داده های استفاده با تغییر علاقه کاربر است.
محققان یک هوشمند جدید پیدا کرده اند
مدل شخصی سازی وب برای توصیه ترجیحی کاربر مدل یادگیری ماشین محتوای وب را برای کاربر پیش‌بینی می‌کند و رفتار کاربر را به طور مداوم یاد می‌گیرد. بانک ها می توانند از این مدل برای توصیه محصولات متناسب با یک کاربر خاص استفاده کنند.
به جای ارائه وام های شخصی به هر مشتری که وارد وب سایت آنها می شود، بانک ها می توانند صفحه اصلی را برای مشتریان خود بر اساس تاریخچه مرور و مرحله فعلی زندگی آنها شخصی سازی کنند. به عنوان مثال، یک مشتری با یک خانواده جوان خواهد بود
علاقه بیشتری به گرفتن وام مسکن یا خودرو یا سرمایه گذاری بلند مدت دارند. مشتری که به زودی بازنشسته می شود ممکن است برای برنامه های بازنشستگی و مدیریت ثروت به کمک نیاز داشته باشد. با استفاده از مدل هوش مصنوعی بالا، بانک‌ها می‌توانند وب‌سایت را به‌صورت پویا با تشخیص آن تنظیم کنند
مشتری و پیش بینی نیاز
3. کانال های رسانه های اجتماعی: این پلتفرم‌ها داده‌های مرتبط با مشتری از جمله داده‌های رفتاری را تولید می‌کنند که می‌تواند توسط بانک‌ها برای به دست آوردن درک عمیق‌تری از نیازهای مشتریان استفاده شود. این بینش‌های ارزشمند می‌توانند به شخصی‌سازی فعال منجر شوند
پیشنهادات برای مشتریان محققان یک
چارچوب یکپارچه برای کمک به بانک ها در استخراج ارزش از تجزیه و تحلیل رسانه های اجتماعی. این کمک می‌کند تا از تجزیه و تحلیل‌های تجویزی و پیش‌بینی‌کننده مبتنی بر هوش مصنوعی بهره ببرید تا بینش‌هایی را برای شخصی‌سازی بیش از حد تجربه مشتری ایجاد کنید. نمونه ای از را در نظر بگیرید
یک مشتری در فیس بوک نظرات خود را در مورد مقاصد گردشگری خاص و علاقه خود به بازدید از این مکان ها ارسال می کند. این یک فرصت عالی برای بانک است تا پست ها را تجزیه و تحلیل کند و پیشنهادات مناسب مانند وام های شخصی، بیمه مسافرتی و
پیشنهادات در بلیط های سفر
در این سه کانال مشتری، داده های مورد نیاز برای پیش بینی ها از کانالی به کانال دیگر متفاوت است. شکل 1 خلاصه ای از داده های مربوط به تعامل مشتری در هر کانال را نشان می دهد. ما می بینیم که پیچیدگی داده های بالاتری در مرکز تماس وجود دارد
و کانال های رسانه های اجتماعی به دلیل داده های بدون ساختار.
غنی سازی تجربیات مشتری: راه رو به جلو
ما در مورد مدل‌های یادگیری ماشینی توصیه‌شده برای کانال‌های مختلف مشتریان بحث کردیم. از آنجایی که مجموعه داده ها، انواع داده ها و رفتار کاربر در هر کانال متفاوت است، هر تعامل مشتری منحصر به فرد است. همانطور که حرکت می کنیم، شاهد افزایش پیچیدگی در مدل های هوش مصنوعی هستیم
از کانال های وب گرفته تا کانال های مرکز تماس گرفته تا کانال های رسانه های اجتماعی. بانک‌ها می‌توانند این موارد را در حین اولویت‌بندی و استقرار مدل‌های یادگیری ماشین برای شخصی‌سازی فوق‌العاده در نظر بگیرند.
مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی با استفاده از داده‌های زمان واقعی بسیار امیدوارکننده به نظر می‌رسند. این فرصتی را برای بانک‌ها فراهم می‌کند تا هر نقطه تماس مشتری را تنظیم کنند. ما در مورد شخصی سازی بیش از حد در سه کانال و ارزش عظیمی که می توان آنلاک را باز کرد، بحث کردیم.
این می‌تواند بانک‌ها را قادر به شخصی‌سازی بیش از حد، بهبود چسبندگی مشتری و در نتیجه رشد قابل‌توجه کند.
