AI mahdollistaa ennakoivan hyperpersonoidun kokemuksen vähittäispankkiasiakkaille (Senthil C)

Viime
tyytyväisyystutkimus JD Power for US vähittäispankit havaitsivat, että pankeilla on ollut vaikeuksia vastata asiakkaiden henkilökohtaistamiseen liittyviin odotuksiin ja lähes puolet asiakkaista on siirtynyt digitaalisiin pankkisuhteisiin. Tänään odotukset
Pankkiasiakkaiden osuus on muuttunut, ja he etsivät nyt hyperpersonoituja tarjouksia, kuten Netflixin, Amazonin ja Starbucksin tarjoamia. Hyperpersonalisointi voidaan toteuttaa hyödyntämällä tekoälyä (AI) ja koneoppimista (ML)
reaaliaikaista dataa ja asiakaskokemusten räätälöintiä. Tämä blogi tutkii mahdollisuuksia hyödyntää ML-malleja asiakaskokemuksen hyperpersonoimiseksi eri asiakaskanavilla, nimittäin yhteyskeskuksessa, verkossa ja sosiaalisessa mediassa.

Muutos asiakaskokemuksen lähestymistavassa

Asiakkaat odottavat mielekästä ja henkilökohtaista digitaalista kokemusta yksilöllisiin pankkitarpeisiinsa. Pankit voivat ennustaa nämä tarpeet ymmärtämällä asiakkaitaan paremmin – heidän tavoitteitaan, mieltymyksiään ja käyttäytymistään reaaliajassa ja toimittamalla ennakoivasti
räätälöityjä tarjouksia. Harkitse skenaariota, jossa asiakas käyttää tavallista enemmän rahaa, mikä voi johtaa siihen, että hänellä ei ole riittävästi varoja tulevaan EMI:ään. Entä jos pankki osaa ennustaa kulut menneen kulutustrendin perusteella. Pankki voi sitten
varoittaa asiakasta ennakoivasti ja tarjota alennuksia henkilökohtaisesta lainasta. Tällainen pankin käynnistämä ennakoiva, kontekstuaalinen ja henkilökohtainen kokemus voi syventää asiakassuhteita.

Koska tämä on ollut kiinnostava aihe viime aikoina, tutkitaan kuinka tekoäly/ML-tutkimusta sovelletaan kolmeen eri asiakaskanavaan itsenäisesti, ja verrataan sitten kolmea lähestymistapaa.

Tekoälypohjaiset hyperpersonalisointi- tai suositusmallit

1. Asiakaspalveluiden puhelinkeskus: Asiakkaan puhelun syyn ennustaminen ja ennaltaehkäisevä väliintulo houkuttelevat asiakkaita. Tutkijat ovat kehittäneet tekoälypohjaisen
monen tehtävän hermoverkko (ANN) ennustaa asiakkaan puhelun tarkoitus ja siirtää asiakas sen jälkeen digitaalisille kanaville. Koneoppimismallia koulutettiin asiakkaan profiilin avulla,
puhelun transkriptiotiedot, asiakaspalveluloki ja tapahtumaloki. Tavoitteena on ennustaa, soittaako asiakas yhteyskeskukseen lähitulevaisuudessa, vaikkapa seuraavan 10 päivän sisällä.

Kun asiakas soittaa IVR-järjestelmään, henkilökohtainen äänikehote suosittelee asiaankuuluvia digitaalisia palveluita mallin ennusteen perusteella. Jos asiakas hyväksyy suosituksen, hänet ohjataan käynnistämään chatbotin tekstiviestillä URL-osoitteella.
Tämä johtaa hyperpersonoituun ja tehokkaaseen asiakaspalvelukokemukseen. Harkitse tilannetta, jossa asiakas on tallettanut shekin, mutta summaa ei ole hyvitetty pankkitilille edes viikon kuluttua. Asiakas tiedusteli soittamalla yhteyshenkilölle
keskusta. Koneoppimismalli ennustaisi puhelun tarkoituksen tälle tietylle asiakkaalle ja siirtyisi heidän haluamalleen digitaaliselle kanavalle sopivaa resoluutiota varten.

2. Verkkokanava: Käyttäjien käyttäytymiseen perustuva personointi tehdään yleensä tiedonlouhintaalgoritmeilla, mutta käyttäjien käyttäytymisen ennustaminen täydelliseen personointiin on erittäin vaikeaa. Tämä johtuu usein muuttuvista käyttötiedoista ja käyttäjien muuttuvista kiinnostuksen kohteista.
Tutkijat ovat löytäneet uuden älykkään
web-personointimalli käyttäjien suosituksia varten. Koneoppimismalli ennustaa verkkosisällön käyttäjälle ja oppii käyttäjän käyttäytymistä jatkuvasti. Pankit voivat käyttää mallia suositellakseen tietylle käyttäjälle räätälöityjä tuotteita.

Sen sijaan, että pankit tarjoaisivat henkilökohtaisia ​​lainoja jokaiselle verkkosivuillaan käyvälle asiakkaalle, pankit voivat muokata etusivua asiakkailleen selaushistorian ja nykyisen elämänvaiheen perusteella. Esimerkiksi asiakas, jolla on nuori perhe, olisi
enemmän kiinnostunut asuntolaina- tai autolainan ottamisesta tai pitkäaikaisista sijoituksista. Pian eläkkeelle jäävä asiakas saattaa tarvita apua eläke- ja varainhoitosuunnitelmissa. Yllä olevaa tekoälymallia käyttämällä pankit voivat räätälöidä verkkosivustoa dynaamisesti tunnistamalla
asiakasta ja ennakoida tarvetta.

3. Sosiaalisen median kanavat: Nämä alustat tuottavat runsaasti asiakkaisiin liittyvää dataa, mukaan lukien käyttäytymistietoja, joita pankit voivat käyttää saadakseen syvemmän ymmärryksen asiakkaiden tarpeista. Nämä arvokkaat oivallukset voivat johtaa ennakoivaan personointiin
tarjontaa asiakkaille. Tutkijat ovat kehittäneet
integroitu kehys auttaa pankkeja saamaan arvoa sosiaalisen median analytiikasta. Tämä auttaa hyödyntämään kehittynyttä tekoälyyn perustuvaa preskriptiivistä ja ennakoivaa analytiikkaa ja kehittämään oivalluksia asiakaskokemuksen hyperpersonoimiseen. Harkitse esimerkkiä
asiakas, joka kommentoi Facebookissa tietyistä matkailukohteista ja kiinnostuksestaan ​​vierailla näissä paikoissa. Tämä on loistava tilaisuus pankille analysoida viestejä ja ehdottaa räätälöityjä tarjouksia, kuten henkilökohtaisia ​​lainoja, matkavakuutuksia ja
matkalipputarjouksia.   

Näissä kolmessa asiakaskanavassa ennakointiin tarvittava data vaihtelee kanavasta toiseen. Kuvassa 1 on yhteenveto kunkin kanavan asiakassitouttamiseen liittyvistä tiedoista. Näemme, että yhteyskeskuksen data on monimutkaisempaa
ja sosiaalisen median kanavia jäsentämättömän datan vuoksi.

Rikastella asiakaskokemuksia: tie eteenpäin

Keskustelimme eri asiakaskanaville suositelluista koneoppimismalleista. Koska tietojoukot, tietotyypit ja käyttäjien käyttäytyminen kussakin kanavassa ovat erilaisia, jokainen asiakas sitoutuminen on ainutlaatuinen. Näemme tekoälymallien monimutkaisevan liikkuessamme
verkkokanavista yhteyskeskuksen kanaviin sosiaalisen median kanaviin. Pankit voivat ottaa nämä huomioon, kun ne priorisoivat ja ottavat käyttöön koneoppimismalleja hyperpersonointia varten.

Tekoälypohjaiset ennustemallit, jotka käyttävät reaaliaikaista dataa, näyttävät erittäin lupaavilta. Se tarjoaa pankeille mahdollisuuden räätälöidä jokaisen asiakaskontaktin. Pohdimme kolmen kanavan hyperpersonointia ja valtavaa arvoa, joka voidaan vapauttaa.
Tämä voi antaa pankeille mahdollisuuden hyperpersonoida, parantaa asiakkaiden tahmeutta, mikä johtaa merkittävään kasvuun.