हाल ही में एक
संतुष्टि अध्ययन अमेरिकी खुदरा बैंकों के लिए जेडी पावर द्वारा पाया गया कि बैंकों ने निजीकरण के लिए ग्राहकों की अपेक्षाओं को पूरा करने के लिए संघर्ष किया है और लगभग आधे ग्राहक डिजिटल-केंद्रित बैंकिंग संबंधों में चले गए हैं। आज उम्मीदें
बैंकिंग ग्राहकों की संख्या बदल गई है, जहां वे अब नेटफ्लिक्स, अमेज़ॅन और स्टारबक्स द्वारा प्रदान किए गए हाइपर-पर्सनलाइज्ड ऑफर की तलाश में हैं। कृत्रिम बुद्धिमत्ता (एआई) और मशीन लर्निंग (एमएल) का उपयोग करके हाइपर-वैयक्तिकरण प्रदान किया जा सकता है
वास्तविक समय डेटा और ग्राहक अनुभवों को अनुकूलित करना। यह ब्लॉग संपर्क केंद्र, वेब और सोशल मीडिया जैसे ग्राहक चैनलों पर ग्राहक अनुभव को हाइपर-पर्सनलाइज़ करने के लिए एमएल मॉडल का लाभ उठाने के अवसरों की खोज करता है।
ग्राहक अनुभव दृष्टिकोण में बदलाव
ग्राहक अपनी व्यक्तिगत बैंकिंग आवश्यकताओं के लिए एक सार्थक और अत्यधिक वैयक्तिकृत डिजिटल अनुभव की अपेक्षा करते हैं। बैंक अपने ग्राहकों को वास्तविक समय में उनके लक्ष्यों, प्राथमिकताओं और व्यवहारों को बेहतर ढंग से समझकर और सक्रिय रूप से वितरित करके इन जरूरतों का अनुमान लगा सकते हैं।
अनुरूप प्रसाद. ऐसे परिदृश्य पर विचार करें जहां एक ग्राहक सामान्य से अधिक पैसा खर्च कर रहा है जिसके कारण उनकी आगामी ईएमआई के लिए उनके पास अपर्याप्त धन हो सकता है। क्या होगा यदि बैंक पिछले खर्च की प्रवृत्ति के आधार पर खर्चों का अनुमान लगा सके। तो बैंक कर सकता है
ग्राहक को सक्रिय रूप से सचेत करें और व्यक्तिगत ऋण पर छूट प्रदान करें। बैंक द्वारा शुरू किया गया ऐसा सक्रिय, प्रासंगिक और वैयक्तिकृत अनुभव ग्राहक संबंधों को गहरा कर सकता है।
यह विचार करते हुए कि यह हाल के दिनों में रुचि का विषय रहा है, आइए जानें कि AI/ML अनुसंधान को तीन अलग-अलग ग्राहक चैनलों पर स्वतंत्र रूप से कैसे लागू किया जाता है और फिर तीन दृष्टिकोणों की तुलना करें।
एआई-आधारित हाइपर-निजीकरण या अनुशंसा मॉडल
1. ग्राहक सेवा कॉल सेंटर: ग्राहक कॉल के कारण की भविष्यवाणी करना और पूर्व-खाली हस्तक्षेप करना ग्राहकों को लुभाएगा। शोधकर्ताओं ने एआई-आधारित विकसित किया है
बहु-कार्य तंत्रिका नेटवर्क (एएनएन) ग्राहक की कॉल के इरादे का अनुमान लगाना और उसके बाद ग्राहक को डिजिटल चैनलों पर स्थानांतरित करना। मशीन लर्निंग मॉडल को ग्राहक की प्रोफ़ाइल का उपयोग करके प्रशिक्षित किया गया था,
कॉल ट्रांसक्रिप्ट डेटा, ग्राहक सेवा लॉग और लेनदेन लॉग। इसका उद्देश्य यह अनुमान लगाना है कि क्या ग्राहक तत्काल भविष्य में, जैसे कि अगले 10 दिनों के भीतर, संपर्क केंद्र पर कॉल करेगा।
जब ग्राहक आईवीआर सिस्टम को कॉल करता है, तो एक वैयक्तिकृत वॉयस प्रॉम्प्ट मॉडल की भविष्यवाणी के आधार पर प्रासंगिक डिजिटल सेवाओं की सिफारिश करेगा। यदि ग्राहक अनुशंसा स्वीकार कर लेता है, तो उन्हें एक यूआरएल के साथ एक एसएमएस के माध्यम से चैटबॉट लॉन्च करने के लिए पुनर्निर्देशित किया जाता है।
इसके परिणामस्वरूप अति-वैयक्तिकृत और कुशल ग्राहक सेवा अनुभव प्राप्त होता है। उस परिदृश्य पर विचार करें जब किसी ग्राहक ने चेक जमा किया हो लेकिन एक सप्ताह के बाद भी राशि उनके बैंक खाते में जमा नहीं की गई हो। ग्राहक संपर्ककर्ता को कॉल करके पूछताछ करेगा
केंद्र। मशीन लर्निंग मॉडल इस विशिष्ट ग्राहक के लिए कॉल के इरादे की भविष्यवाणी करेगा और उचित समाधान के लिए उनके पसंदीदा डिजिटल चैनल पर जाएगा।
2. वेब चैनल: उपयोगकर्ता के व्यवहार पर आधारित वैयक्तिकरण आम तौर पर डेटा माइनिंग एल्गोरिदम का उपयोग करके किया जाता है, लेकिन पूर्ण वैयक्तिकरण के लिए उपयोगकर्ता के व्यवहार की भविष्यवाणी करना बहुत मुश्किल है। यह उपयोगकर्ता की रुचि में बदलाव के साथ बार-बार उपयोग डेटा बदलने के कारण है।
शोधकर्ताओं ने एक उपन्यास बुद्धिमान पाया है
वेब निजीकरण मॉडल उपयोगकर्ता वरीयता सिफारिश के लिए। मशीन लर्निंग मॉडल उपयोगकर्ता के लिए वेब सामग्री की भविष्यवाणी करता है और उपयोगकर्ता के व्यवहार को लगातार सीखता है। बैंक विशिष्ट उपयोगकर्ता के अनुरूप उत्पादों की सिफारिश करने के लिए मॉडल का उपयोग कर सकते हैं।
अपनी वेबसाइट पर आने वाले प्रत्येक ग्राहक को व्यक्तिगत ऋण की पेशकश करने के बजाय, बैंक अपने ग्राहकों के लिए ब्राउज़िंग इतिहास और उनके जीवन के वर्तमान चरण के आधार पर होम पेज को वैयक्तिकृत कर सकते हैं। उदाहरण के लिए, एक युवा परिवार वाला ग्राहक होगा
बंधक या कार ऋण या दीर्घकालिक निवेश लेने में अधिक रुचि रखते हैं। एक ग्राहक जो जल्द ही सेवानिवृत्त हो रहा है उसे सेवानिवृत्ति और धन प्रबंधन योजनाओं में मदद की आवश्यकता हो सकती है। उपरोक्त एआई मॉडल का उपयोग करके, बैंक वेबसाइट को पहचानकर गतिशील रूप से तैयार कर सकते हैं
ग्राहक और आवश्यकता का अनुमान लगाना।
3. सोशल मीडिया चैनल: ये प्लेटफ़ॉर्म व्यवहारिक डेटा सहित ग्राहक से संबंधित डेटा का खजाना उत्पन्न करते हैं जिसका उपयोग बैंकों द्वारा ग्राहकों की ज़रूरतों की गहरी समझ हासिल करने के लिए किया जा सकता है। ये मूल्यवान अंतर्दृष्टि सक्रिय वैयक्तिकरण की ओर ले जा सकती हैं
ग्राहकों के लिए पेशकश. शोधकर्ताओं ने एक विकसित किया है
एकीकृत ढांचा बैंकों को सोशल मीडिया एनालिटिक्स से मूल्य प्राप्त करने में मदद करना। यह हाइपर-पर्सनलाइज़िंग ग्राहक अनुभव के लिए अंतर्दृष्टि विकसित करने के लिए उन्नत एआई-आधारित प्रिस्क्रिप्टिव और प्रेडिक्टिव एनालिटिक्स का लाभ उठाने में मदद करेगा। के एक उदाहरण पर विचार करें
एक ग्राहक फेसबुक पर विशिष्ट पर्यटन स्थलों और इन स्थानों पर जाने में उनकी रुचि के बारे में टिप्पणियाँ पोस्ट कर रहा है। यह बैंक के लिए पदों का विश्लेषण करने और व्यक्तिगत ऋण, यात्रा बीमा आदि जैसी अनुरूप पेशकशों का सुझाव देने का एक शानदार अवसर है
यात्रा टिकटों पर ऑफर.
इन तीन ग्राहक चैनलों में, पूर्वानुमान के लिए आवश्यक डेटा एक चैनल से दूसरे चैनल में भिन्न होता है। चित्र 1 प्रत्येक चैनल पर ग्राहक सहभागिता में शामिल डेटा का सारांश देता है। हम देखते हैं कि संपर्क केंद्र में डेटा जटिलता अधिक है
और असंरचित डेटा के कारण सोशल मीडिया चैनल।
समृद्ध ग्राहक अनुभव: आगे का रास्ता
हमने विभिन्न ग्राहक चैनलों के लिए अनुशंसित मशीन लर्निंग मॉडल पर चर्चा की। चूंकि प्रत्येक चैनल में डेटा सेट, डेटा प्रकार और उपयोगकर्ता व्यवहार अलग-अलग होते हैं, इसलिए प्रत्येक ग्राहक जुड़ाव अद्वितीय होता है। जैसे-जैसे हम आगे बढ़ते हैं हम एआई मॉडल में बढ़ती जटिलता देखते हैं
वेब चैनलों से लेकर संपर्क केंद्र चैनलों से लेकर सोशल मीडिया चैनलों तक। हाइपर वैयक्तिकरण के लिए मशीन लर्निंग मॉडल को प्राथमिकता देते और तैनात करते समय बैंक इन पर विचार कर सकते हैं।
वास्तविक समय डेटा का उपयोग करने वाले एआई आधारित भविष्यवाणी मॉडल बहुत आशाजनक लगते हैं। यह बैंकों को प्रत्येक ग्राहक संपर्क बिंदु को अनुकूलित करने का अवसर प्रदान करता है। हमने तीनों चैनलों में हाइपर वैयक्तिकरण और अनलॉक किए जा सकने वाले विशाल मूल्य पर विचार-विमर्श किया।
यह बैंकों को अत्यधिक वैयक्तिकृत करने में सक्षम कर सकता है, ग्राहक जुड़ाव में सुधार कर सकता है जिसके परिणामस्वरूप महत्वपूर्ण वृद्धि हो सकती है।
