AI mendukung pengalaman hiper-personalisasi proaktif untuk pelanggan perbankan ritel (Senthil C)

Sebuah baru-baru ini
studi kepuasan oleh JD Power untuk bank ritel AS menemukan bahwa bank kesulitan memenuhi ekspektasi nasabah dalam hal personalisasi dan hampir separuh nasabah telah beralih ke hubungan perbankan yang berpusat pada digital. Hari ini, ekspektasinya
Pelanggan perbankan telah berubah, dan mereka kini mencari penawaran yang sangat dipersonalisasi seperti yang disediakan oleh Netflix, Amazon, dan Starbucks. Hyper-personalisasi dapat disampaikan dengan memanfaatkan kecerdasan buatan (AI) dan pembelajaran mesin (ML).
data real-time dan menyesuaikan pengalaman pelanggan. Blog ini mengeksplorasi peluang dalam memanfaatkan model ML untuk mempersonalisasi pengalaman pelanggan secara hiper di seluruh saluran pelanggan, yaitu pusat kontak, web, dan media sosial.

Pergeseran dalam pendekatan pengalaman pelanggan

Nasabah mengharapkan pengalaman digital yang bermakna dan dipersonalisasi untuk kebutuhan perbankan individu mereka. Bank dapat memprediksi kebutuhan ini dengan memahami nasabahnya dengan lebih baik, yaitu tujuan, preferensi, dan perilaku mereka secara real-time dan secara proaktif menyampaikan kebutuhan tersebut
penawaran yang disesuaikan. Pertimbangkan skenario ketika pelanggan membelanjakan lebih banyak uang dari biasanya yang dapat menyebabkan mereka tidak memiliki cukup dana untuk EMI mendatang. Bagaimana jika bank bisa memprediksi pengeluaran berdasarkan tren pengeluaran di masa lalu. Bank kemudian bisa
secara proaktif mengingatkan pelanggan dan menawarkan diskon untuk pinjaman pribadi. Pengalaman proaktif, kontekstual, dan personal yang diprakarsai oleh bank dapat memperdalam hubungan nasabah.

Mengingat ini telah menjadi topik yang menarik di masa lalu, mari jelajahi bagaimana riset AI/ML diterapkan ke tiga saluran pelanggan yang berbeda secara independen, lalu bandingkan ketiga pendekatan tersebut.

Model hiper-personalisasi atau rekomendasi berbasis AI

1. Pusat panggilan layanan pelanggan: Memprediksi alasan panggilan pelanggan dan melakukan intervensi pre-emptive akan memikat pelanggan. Para peneliti telah mengembangkan berbasis AI
Jaringan Neural multi-tugas (ANN) untuk memprediksi maksud panggilan pelanggan dan selanjutnya memigrasikan pelanggan ke saluran digital. Model pembelajaran mesin dilatih menggunakan profil pelanggan,
data transkrip panggilan, log layanan pelanggan, dan log transaksi. Tujuannya adalah untuk memprediksi apakah pelanggan akan menghubungi pusat kontak dalam waktu dekat, misalnya dalam 10 hari ke depan.

Saat pelanggan menghubungi sistem IVR, perintah suara yang dipersonalisasi akan merekomendasikan layanan digital yang relevan berdasarkan prediksi model. Jika pelanggan menerima rekomendasi tersebut, maka mereka diarahkan untuk meluncurkan chatbot melalui SMS dengan URL.
Hal ini menghasilkan pengalaman layanan pelanggan yang sangat terpersonalisasi dan efisien. Pertimbangkan skenario ketika pelanggan telah menyetorkan cek namun jumlah tersebut belum dikreditkan ke rekening bank mereka bahkan setelah seminggu. Pelanggan akan bertanya dengan menghubungi kontak tersebut
tengah. Model pembelajaran mesin akan memprediksi maksud panggilan untuk pelanggan tertentu dan berpindah ke saluran digital pilihan mereka untuk mendapatkan penyelesaian yang sesuai.

2. Saluran web: Personalisasi berdasarkan perilaku pengguna umumnya dilakukan menggunakan algoritma penambangan data, namun prediksi perilaku pengguna untuk personalisasi penuh sangatlah sulit. Hal ini disebabkan data penggunaan sering berubah seiring dengan perubahan minat pengguna.
Para peneliti telah menemukan sebuah novel cerdas
model personalisasi web untuk rekomendasi preferensi pengguna. Model pembelajaran mesin memprediksi konten web untuk pengguna dan mempelajari perilaku pengguna secara terus menerus. Bank dapat menggunakan model tersebut untuk merekomendasikan produk yang disesuaikan dengan pengguna tertentu.

Daripada menawarkan pinjaman pribadi kepada setiap pelanggan yang mengunjungi situs web mereka, bank dapat mempersonalisasi halaman beranda pelanggan mereka berdasarkan riwayat penelusuran dan tahap kehidupan mereka saat ini. Misalnya, pelanggan dengan keluarga muda
lebih tertarik untuk mengambil hipotek atau pinjaman mobil atau investasi jangka panjang. Pelanggan yang akan segera pensiun mungkin memerlukan bantuan dalam rencana pensiun dan pengelolaan kekayaan. Dengan menggunakan model AI di atas, bank dapat menyesuaikan situs web secara dinamis dengan mengenalinya
pelanggan dan mengantisipasi kebutuhannya.

3. Saluran media sosial: Platform ini menghasilkan banyak data terkait nasabah termasuk data perilaku yang dapat digunakan oleh bank untuk mendapatkan pemahaman yang lebih mendalam tentang kebutuhan nasabah. Wawasan berharga ini dapat menghasilkan personalisasi yang proaktif
penawaran bagi pelanggan. Para peneliti telah mengembangkan
kerangka terpadu untuk membantu bank memperoleh nilai dari analisis media sosial. Hal ini akan membantu memanfaatkan analisis preskriptif dan prediktif berbasis AI yang canggih untuk mengembangkan wawasan untuk pengalaman pelanggan yang sangat personal. Perhatikan contoh
seorang pelanggan memposting komentar di Facebook tentang tujuan wisata tertentu dan minat mereka untuk mengunjungi tempat-tempat tersebut. Ini adalah peluang besar bagi bank untuk menganalisis postingan dan menyarankan penawaran yang disesuaikan seperti pinjaman pribadi, asuransi perjalanan, dan lainnya
penawaran tiket perjalanan.   

Di ketiga saluran pelanggan ini, data yang diperlukan untuk prediksi bervariasi dari satu saluran ke saluran lainnya. Gambar 1 memberikan ringkasan data yang terlibat dalam keterlibatan pelanggan di setiap saluran. Kami melihat adanya kompleksitas data yang lebih tinggi di pusat kontak
dan saluran media sosial karena data yang tidak terstruktur.

Memperkaya pengalaman pelanggan: Jalan ke depan

Kami membahas model pembelajaran mesin yang direkomendasikan untuk berbagai saluran pelanggan. Karena kumpulan data, tipe data, dan perilaku pengguna di setiap saluran berbeda, setiap keterlibatan pelanggan bersifat unik. Kami melihat peningkatan kompleksitas dalam model AI seiring dengan perkembangan zaman
dari saluran web, saluran pusat kontak, hingga saluran media sosial. Bank dapat mempertimbangkan hal ini sambil memprioritaskan dan menerapkan model pembelajaran mesin untuk personalisasi yang berlebihan.

Model prediksi berbasis AI dengan menggunakan data real time terlihat sangat menjanjikan. Hal ini memberikan peluang bagi bank untuk menyesuaikan setiap titik kontak nasabah. Kami mempertimbangkan personalisasi hiper di ketiga saluran dan nilai luar biasa yang dapat diperoleh.
Hal ini dapat memungkinkan bank untuk melakukan personalisasi yang berlebihan, meningkatkan loyalitas nasabah sehingga menghasilkan pertumbuhan yang signifikan.