L'IA propulse une expérience hyper-personnalisée proactive pour les clients de la banque de détail (Senthil C)

Une
étude de satisfaction par JD Power pour les banques de détail américaines a constaté que les banques ont eu du mal à répondre aux attentes des clients en matière de personnalisation et que près de la moitié des clients ont opté pour des relations bancaires centrées sur le numérique. Aujourd'hui, les attentes
des clients des banques ont changé et recherchent désormais des offres hyper personnalisées comme celles proposées par Netflix, Amazon et Starbucks. L'hyper-personnalisation peut être assurée en exploitant l'intelligence artificielle (IA) et l'apprentissage automatique (ML) avec
données en temps réel et personnalisation des expériences client. Ce blog explore les opportunités liées à l'exploitation des modèles ML pour hyper-personnaliser l'expérience client sur tous les canaux clients, à savoir le centre de contact, le Web et les médias sociaux.

Changement dans l'approche de l'expérience client

Les clients attendent une expérience numérique significative et hautement personnalisée répondant à leurs besoins bancaires individuels. Les banques peuvent prédire ces besoins en comprenant mieux leurs clients – leurs objectifs, leurs préférences et leurs comportements en temps réel et en répondant de manière proactive.
offres sur mesure. Imaginons un scénario dans lequel un client dépense plus d’argent que d’habitude, ce qui pourrait l’amener à ne pas disposer de fonds suffisants pour son prochain EMI. Et si la banque pouvait prédire les dépenses en fonction de la tendance passée des dépenses ? La banque peut alors
alerter de manière proactive le client et proposer des réductions sur un prêt personnel. Une telle expérience proactive, contextuelle et personnalisée initiée par la banque peut approfondir les relations clients.

Considérant que cela a été un sujet d'intérêt dans un passé récent, explorons comment la recherche AI/ML est appliquée indépendamment à trois canaux de clientèle différents, puis comparons les trois approches.

Modèles d'hyper-personnalisation ou de recommandation basés sur l'IA

1. Centre d'appels du service client: Prédire la raison d'un appel client et effectuer une intervention préventive attirerait les clients. Des chercheurs ont développé un système basé sur l'IA
réseau de neurones multi-tâches (ANN) pour prédire l'intention d'appel d'un client et ensuite migrer le client vers les canaux numériques. Le modèle de machine learning a été formé à partir du profil du client,
données de transcription des appels, journal du service client et journal des transactions. L’objectif est de prédire si le client appellera le centre de contact dans l’immédiat, disons dans les 10 prochains jours.

Lorsque le client appelle le système IVR, une invite vocale personnalisée recommandera les services numériques pertinents en fonction de la prédiction du modèle. Si le client accepte la recommandation, il est alors redirigé pour lancer un chatbot via un SMS avec une URL.
Il en résulte une expérience de service client hyper-personnalisée et efficace. Imaginons un scénario dans lequel un client a déposé un chèque mais que le montant n'a pas été crédité sur son compte bancaire même après une semaine. Le client se renseignerait en appelant le contact
centre. Le modèle d'apprentissage automatique prédirait l'intention de l'appel pour ce client spécifique et passerait à son canal numérique préféré pour une résolution appropriée.

2. Chaîne Web : La personnalisation basée sur le comportement de l'utilisateur est généralement réalisée à l'aide d'algorithmes d'exploration de données, mais la prédiction du comportement de l'utilisateur pour une personnalisation complète est très difficile. Cela est dû aux données d’utilisation qui changent fréquemment en fonction des intérêts changeants des utilisateurs.
Les chercheurs ont découvert un nouveau système intelligent
modèle de personnalisation web pour la recommandation des préférences de l'utilisateur. Le modèle d'apprentissage automatique prédit le contenu Web pour l'utilisateur et apprend en permanence le comportement de l'utilisateur. Les banques peuvent utiliser le modèle pour recommander des produits adaptés à un utilisateur spécifique.

Au lieu de proposer des prêts personnels à chaque client qui accède à leur site Web, les banques peuvent personnaliser la page d'accueil de leurs clients en fonction de leur historique de navigation et de leur étape de vie actuelle. Par exemple, un client avec une jeune famille serait
plus intéressés par la souscription d'un prêt hypothécaire, d'un prêt automobile ou d'investissements à long terme. Un client qui prend bientôt sa retraite peut avoir besoin d’aide pour ses projets de retraite et de gestion de patrimoine. En utilisant le modèle d'IA ci-dessus, les banques peuvent adapter le site Web de manière dynamique en reconnaissant les
client et anticiper le besoin.

3. Canaux de médias sociaux : Ces plateformes génèrent une multitude de données relatives aux clients, notamment des données comportementales, qui peuvent être utilisées par les banques pour mieux comprendre les besoins de leurs clients. Ces informations précieuses peuvent conduire à une personnalisation proactive
offres pour les clients. Les chercheurs ont développé un
cadre intégré pour aider les banques à tirer de la valeur de l’analyse des médias sociaux. Cela permettra d’exploiter des analyses prescriptives et prédictives avancées basées sur l’IA pour développer des informations permettant d’hyper-personnaliser l’expérience client. Prenons un exemple de
un client publiant des commentaires sur Facebook sur des destinations touristiques spécifiques et son intérêt à visiter ces lieux. C'est une excellente opportunité pour la banque d'analyser les publications et de suggérer des offres sur mesure comme des prêts personnels, une assurance voyage et
offres sur les billets de voyage.   

Dans ces trois canaux clients, les données nécessaires aux prédictions varient d'un canal à l'autre. La figure 1 donne la synthèse des données impliquées dans l'engagement client sur chaque canal. Nous constatons une plus grande complexité des données dans les centres de contact
et les réseaux sociaux en raison de données non structurées.

Enrichir l'expérience client : la voie à suivre

Nous avons discuté des modèles d'apprentissage automatique recommandés pour différents canaux clients. Comme les ensembles de données, les types de données et le comportement des utilisateurs dans chaque canal sont différents, chaque engagement client est unique. Nous constatons une complexité croissante dans les modèles d’IA à mesure que nous avançons
des canaux Web aux canaux des centres de contact en passant par les canaux de médias sociaux. Les banques peuvent en tenir compte tout en priorisant et en déployant des modèles d’apprentissage automatique pour l’hyperpersonnalisation.

Les modèles de prédiction basés sur l’IA utilisant des données en temps réel semblent très prometteurs. Cela offre aux banques la possibilité d’adapter chaque point de contact client. Nous avons délibéré sur l’hyperpersonnalisation sur les trois canaux et sur l’énorme valeur qui peut être dégagée.
Cela peut permettre aux banques d’hyper-personnaliser et d’améliorer la fidélité des clients, ce qui entraînera une croissance significative.