L'intelligenza artificiale potenzia l'esperienza iper-personalizzata proattiva per i clienti del settore bancario al dettaglio (Senthil C)

Una recente
studio della soddisfazione di JD Power per le banche al dettaglio statunitensi ha rilevato che le banche hanno faticato a soddisfare le aspettative dei clienti per la personalizzazione e quasi la metà dei clienti è passata a relazioni bancarie incentrate sul digitale. Oggi le aspettative
dei clienti bancari è cambiato, dove ora cercano offerte iperpersonalizzate come quelle fornite da Netflix, Amazon e Starbucks. L'iper-personalizzazione può essere fornita sfruttando l'intelligenza artificiale (AI) e l'apprendimento automatico (ML).
dati in tempo reale e personalizzazione delle esperienze dei clienti. Questo blog esplora le opportunità di sfruttare i modelli ML per personalizzare al massimo l'esperienza del cliente attraverso i canali del cliente, vale a dire contact center, web e social media.

Cambiamento nell'approccio all'esperienza del cliente

I clienti si aspettano un'esperienza digitale significativa e altamente personalizzata per le loro esigenze bancarie individuali. Le banche possono prevedere queste esigenze comprendendo meglio i loro clienti, i loro obiettivi, preferenze e comportamenti in tempo reale e fornendo proattivamente
offerte su misura. Considera uno scenario in cui un cliente sta spendendo più denaro del solito, il che potrebbe portare a fondi insufficienti per l'imminente EMI. E se la banca fosse in grado di prevedere le spese in base all'andamento della spesa passata? La banca può allora
avvisare in modo proattivo il cliente e offrire sconti su un prestito personale. Tale esperienza proattiva, contestuale e personalizzata avviata dalla banca può approfondire le relazioni con i clienti.

Considerando che questo è stato un argomento di interesse nel recente passato, esploriamo come la ricerca AI/ML viene applicata a tre diversi canali di clienti in modo indipendente e quindi confrontiamo i tre approcci.

Modelli di raccomandazione o iper-personalizzazione basati sull'intelligenza artificiale

1. Call center del servizio clienti: prevedere il motivo della chiamata di un cliente ed eseguire un intervento preventivo attirerebbe i clienti. I ricercatori hanno sviluppato un sistema basato sull'intelligenza artificiale
Rete neurale multi-task (ANN) per prevedere l'intento della chiamata di un cliente e successivamente migrare il cliente verso i canali digitali. Il modello di machine learning è stato addestrato utilizzando il profilo del cliente,
dati della trascrizione delle chiamate, registro dell'assistenza clienti e registro delle transazioni. L'obiettivo è prevedere se il cliente chiamerà il contact center nell'immediato futuro, diciamo entro i prossimi 10 giorni.

Quando il cliente chiama il sistema IVR, un messaggio vocale personalizzato consiglierà i servizi digitali pertinenti in base alla previsione del modello. Se il cliente accetta la raccomandazione, viene reindirizzato per avviare un chatbot tramite un SMS con un URL.
Ciò si traduce in un'esperienza di servizio clienti iper-personalizzata ed efficiente. Considera uno scenario in cui un cliente ha depositato un assegno ma l'importo non è stato accreditato sul suo conto bancario nemmeno dopo una settimana. Il cliente chiederà chiamando il contatto
centro. Il modello di machine learning prevede l'intento della chiamata per questo cliente specifico e passa al canale digitale preferito per una risoluzione appropriata.

2. Canale web: La personalizzazione basata sul comportamento dell'utente viene generalmente eseguita utilizzando algoritmi di data mining, ma la previsione del comportamento dell'utente per una personalizzazione completa è molto difficile. Ciò è dovuto alla modifica frequente dei dati di utilizzo con il cambiamento dell'interesse degli utenti.
I ricercatori hanno trovato un romanzo intelligente
modello di personalizzazione web per la raccomandazione sulle preferenze dell'utente. Il modello di apprendimento automatico prevede il contenuto Web per l'utente e apprende continuamente il comportamento dell'utente. Le banche possono utilizzare il modello per consigliare prodotti su misura per un utente specifico.

Invece di offrire prestiti personali a ogni cliente che accede al loro sito web, le banche possono personalizzare la home page per i propri clienti in base alla cronologia di navigazione e alla loro attuale fase di vita. Ad esempio, sarebbe un cliente con una giovane famiglia
più interessati a contrarre un mutuo o un prestito auto o investimenti a lungo termine. Un cliente che presto andrà in pensione potrebbe aver bisogno di aiuto con i piani pensionistici e di gestione patrimoniale. Utilizzando il modello di intelligenza artificiale di cui sopra, le banche possono personalizzare il sito Web in modo dinamico riconoscendo il
cliente e anticipandone le necessità.

3. Canali di social media: Queste piattaforme generano una vasta gamma di dati relativi ai clienti, compresi i dati comportamentali che possono essere utilizzati dalle banche per comprendere più a fondo le esigenze dei clienti. Queste preziose informazioni possono portare a personalizzazioni proattive
offerte per i clienti. I ricercatori hanno sviluppato un
quadro integrato per aiutare le banche a trarre valore dall'analisi dei social media. Ciò contribuirà ad attingere all'analisi prescrittiva e predittiva avanzata basata sull'intelligenza artificiale per sviluppare approfondimenti per un'esperienza del cliente iper-personalizzata. Considera un esempio di
un cliente che pubblica commenti su Facebook su specifiche destinazioni turistiche e il suo interesse a visitare questi luoghi. Questa è una grande opportunità per la banca per analizzare i post e suggerire offerte su misura come prestiti personali, assicurazioni di viaggio e
offerte sui titoli di viaggio.   

In questi tre canali cliente, i dati richiesti per le previsioni variano da un canale all'altro. La Figura 1 fornisce il riepilogo dei dati coinvolti nel coinvolgimento del cliente su ciascun canale. Vediamo che c'è una maggiore complessità dei dati nel contact center
e canali di social media a causa di dati non strutturati.

Arricchire le esperienze dei clienti: la via da seguire

Abbiamo discusso i modelli di machine learning consigliati per i diversi canali dei clienti. Poiché i set di dati, i tipi di dati e il comportamento degli utenti in ciascun canale sono diversi, ogni coinvolgimento del cliente è unico. Vediamo una crescente complessità nei modelli di intelligenza artificiale man mano che ci muoviamo
dai canali web ai canali contact center ai canali social. Le banche possono tenerne conto mentre danno la priorità e implementano modelli di machine learning per l'iper personalizzazione.

I modelli di previsione basati sull'intelligenza artificiale che utilizzano dati in tempo reale sembrano molto promettenti. Offre alle banche l'opportunità di personalizzare ogni punto di contatto con il cliente. Abbiamo deliberato sull'iper personalizzazione attraverso i tre canali e sull'enorme valore che può essere sbloccato.
Ciò può consentire alle banche di iperpersonalizzare, migliorare la viscosità dei clienti con conseguente crescita significativa.