چرا صرفه جویی در فناوری هوش مصنوعی گفتاری می تواند میلیاردها هزینه برای بانک ها داشته باشد؟

برای سال‌ها، میلیاردها سرمایه مخاطره‌آمیز به بانک‌های فین‌تک مانند Chime و N26 سرازیر شده است، با این شرط که چنین شروع‌هایی می‌توانند سهم شیر از دارایی‌های تخمینی ۴۶۹ تریلیون دلاری را که در سطح جهان توسط سایر موسسات مالی و بانک‌های خرده‌فروشی در اختیار دارند، از بین ببرند.

بانک‌ها در طول این همه‌گیری، سود خود را در سال 2021 با نرخ پایین شارژ، افزایش سپرده‌های مشتریان و فرصت‌های سرمایه‌گذاری پررونق گزارش کردند. با این حال، یک نظرسنجی جدید از 142 مدیر بانکی در سراسر جهان، که توسط Capgemini و Qorus برای گزارش بانکداری خرده فروشی جهانی 2022 انجام شد، نشان داد که 70 درصد از آنها معتقدند که فاقد تجزیه و تحلیل داده های بنیادی و قابلیت های هوش مصنوعی برای رقابت بلند مدت هستند.

بزرگترین نگرانی چیست؟ تجربه ی مشتری. فناوری توانمندسازی امور مالی غیرمتمرکز - جایی که مصرف‌کنندگان در زمان و مکانی که می‌خواهند بانک می‌کنند - اکنون با یک تجربه بانکی پیچیده‌تر و مبتنی بر هوش مصنوعی تقویت شده است. برنامه‌های تلفن همراه چیزی بیش از پرداخت صورت‌حساب را امکان‌پذیر می‌کنند زیرا دستیارهای مجازی مبتنی بر هوش مصنوعی به مشتریان در مورد فعالیت‌های کلاهبرداری احتمالی یا انتقال پول از طریق دستورات صوتی هشدار می‌دهند.

در حالی که فین‌تک‌ها و بازیگران فناوری مانند اپل و گوگل در حال ایجاد سیستم‌های سریع و با کاربری آسان برای تعامل با مشتریان هستند، بانک‌های فعلی سیستم‌های قدیمی قدیمی دارند که استفاده از داده‌های شخصی، مالی و حتی اجتماعی را که جمع‌آوری کرده‌اند دشوارتر می‌کند. برای هر مشتری

علاوه بر این، بسیاری از فناوری‌های اساسی دستیار صوتی را که مصرف‌کنندگان دسته‌جمعی از آن استقبال می‌کنند، از دست می‌دهند. حدود 50 درصد از 8,000 مشتری بانکی که در گزارش فوق الذکر Capgemini مورد بررسی قرار گرفتند، دستیارهای صوتی را به عنوان یکی از ویژگی هایی که می خواهند بیشتر ببینند ذکر کردند، با این حال تنها 35 درصد از مدیران بانک ها آن را در اولویت قرار دادند.

هوش مصنوعی گفتاری آگاه از زمینه

و حتی برای کسانی که از تشخیص خودکار گفتار، تبدیل متن به گفتار و پردازش زبان طبیعی استفاده می‌کنند، انتخاب فناوری مناسب کلید همه چیزهایی است که در مسیر وفاداری مداوم و رو به رشد مشتری دنبال می‌شود.

هوش مصنوعی به نمایندگان مرکز تماس کمک می‌کند تا با استفاده از دستیارهای مجازی و چت‌بات‌ها در مراحل اولیه تماس، پاسخ‌ها و راه‌حل‌های بهتری را برای درک مشکل و حتی حل کامل آن ارائه دهند. NatWest مستقر در انگلستان اخیراً گزارش داد که Cora - دستیار مجازی مبتنی بر هوش مصنوعی مکالمه ای بانک - سال به سال 58٪ بیشتر درخواست ها را انجام می دهد و 40٪ از این تعاملات را بدون دخالت انسان تکمیل می کند.

پس از پول

بر اساس مطالعه اخیر Juniper Research، حل دیجیتالی سوالات مشتریان باعث صرفه جویی قابل توجهی در هزینه ها برای بانک ها می شود که انتظار می رود تا سال 7.3 با استفاده از دستیارهای مجازی، 2023 میلیارد دلار صرفه جویی کنند.

بانک‌هایی که صرفاً بر روی آن صرفه‌جویی در هزینه‌ها تمرکز می‌کنند، معمولاً سعی می‌کنند با نرم‌افزار هوش مصنوعی گفتاری که حدود 80 درصد از کلمات گفته شده توسط مشتری را تشخیص می‌دهد بسنده کنند. دلیل: آنها منابع توسعه دهنده برای سفارشی کردن نرم افزار چت بات برای درک کلمات یا عبارات منحصر به فرد صنعت را ندارند.

با این حال، استفاده از این تاکتیک به هسته اصلی این موضوع می‌پردازد که آیا مشتری هر تعامل را مفید یا غیر مفید می‌داند. در رقابت با فین تک ها، تشخیص خودکار گفتار و فناوری تبدیل متن به گفتار باید مختص صنعت و حتی شرکت باشد.

بازی نوآوری

برای انجام صحیح گفتار، با تشخیص خودکار گفتار شروع می شود. بدون دریافت دقت بالای 85 درصد، سرویس‌های پایین‌دستی که از هوش مصنوعی گفتاری به عنوان پایه استفاده می‌کنند، نتایج مورد انتظار کسب‌وکار را هدایت نمی‌کنند یا تأثیری را که انتظار می‌رود ارائه نمی‌کنند.

برخی از این موارد عبارتند از تجزیه و تحلیل احساسات، شخصی سازی بیش از حد و حتی ثبت سوابق نظارتی. بانک‌ها با کار با نرم‌افزار تشخیص گفتار که هزاران مدل از پیش آموزش‌دیده را دارد، می‌توانند به سرعت و با تنظیم آموزش‌های بیشتر بر اساس نیازهای خاص خود، به سرعت مقیاس شوند. سپس، آن‌ها می‌توانند همان تجربه را در هر کجا ارائه دهند - در محل، در فضای ابری و ترکیبی.

بانک ها هنوز در حال یادگیری نکات و نکات نوآوری در پلتفرم هستند. بدون پایه و اساس قوی در تشخیص خودکار گفتار و فناوری تبدیل متن به گفتار، ایجاد و ترویج محصولات مالی جدید، حفظ روابط با مشتری و نوآوری از طریق مشارکت در بهترین حالت، پیشنهادهای متزلزلی هستند.