אחרון
מחקר שביעות רצון מאת JD Power עבור בנקים קמעונאיים בארה"ב מצא כי בנקים נאבקו לעמוד בציפיות הלקוחות להתאמה אישית וכמעט מחצית מהלקוחות עברו למערכות יחסים בנקאיות ממוקדות בדיגיטל. היום, הציפיות
של לקוחות הבנקים השתנו, שם הם מחפשים כעת הצעות מותאמות אישית כמו אלה שמסופקות על ידי נטפליקס, אמזון וסטארבקס. ניתן לספק היפר-פרסונליזציה על ידי רתימת בינה מלאכותית (AI) ולמידת מכונה (ML) עם
נתונים בזמן אמת והתאמת חוויות לקוח. בלוג זה בוחן את ההזדמנויות במינוף מודלים של ML כדי להתאים אישית את חווית הלקוח על פני ערוצי לקוחות, כלומר, מרכז קשר, אינטרנט ומדיה חברתית.
שינוי בגישת חווית הלקוח
לקוחות מצפים לחוויה דיגיטלית משמעותית ומותאמת במיוחד לצרכי הבנק האישיים שלהם. בנקים יכולים לחזות את הצרכים הללו על ידי הבנה טובה יותר של הלקוחות שלהם - המטרות, ההעדפות וההתנהגויות שלהם בזמן אמת ואספקה יזומה
הצעות מותאמות. שקול תרחיש שבו לקוח מוציא יותר כסף מהרגיל, מה שעלול להוביל לכך שאין לו מספיק כסף עבור ה-EMI הקרוב שלו. מה אם הבנק יכול לחזות את ההוצאות על סמך מגמת ההוצאות בעבר. הבנק יכול אז
להזהיר את הלקוח באופן יזום ולהציע הנחות על הלוואה אישית. חוויה פרואקטיבית, הקשרית ומותאמת אישית כזו שיזם הבנק יכולה להעמיק את קשרי הלקוחות.
בהתחשב בכך שזה היה נושא עניין בעבר הקרוב, הבה נחקור כיצד מחקרי AI/ML מיושמים בשלושה ערוצי לקוחות שונים באופן עצמאי ולאחר מכן נשווה את שלוש הגישות.
מודלים של היפר-פרסונליזציה או המלצות מבוססי בינה מלאכותית
1. מוקד שירות לקוחות: חיזוי הסיבה לשיחת לקוח וביצוע התערבות מונעת יפתו לקוחות. חוקרים פיתחו מערכת מבוססת בינה מלאכותית
רשת עצבית מרובת משימות (ANN) כדי לחזות את כוונת השיחה של הלקוח ולאחר מכן להעביר את הלקוח לערוצים דיגיטליים. מודל למידת המכונה הוכשר באמצעות פרופיל הלקוח,
נתוני תמלול שיחות, יומן שירות לקוחות ויומן עסקאות. המטרה היא לחזות אם הלקוח יתקשר למרכז הקשר בעתיד המיידי, למשל בתוך 10 הימים הקרובים.
כאשר הלקוח מתקשר למערכת IVR, הנחיה קולית מותאמת אישית תמליץ על שירותים דיגיטליים רלוונטיים בהתבסס על חיזוי הדגם. אם הלקוח מקבל את ההמלצה, הוא מנותב מחדש להפעלת צ'אטבוט באמצעות SMS עם כתובת URL.
זה מביא לחוויית שירות לקוחות מותאמת אישית ויעילה. שקול תרחיש שבו לקוח הפקיד צ'ק אך הסכום לא זוכה בחשבון הבנק שלו גם לאחר שבוע. הלקוח יברר על ידי התקשרות לאיש הקשר
מֶרְכָּז. מודל למידת המכונה יחזה את כוונת השיחה עבור הלקוח הספציפי הזה ויעבור לערוץ הדיגיטלי המועדף עליו לקבלת פתרון מתאים.
2. ערוץ אינטרנט: התאמה אישית המבוססת על התנהגות המשתמש נעשית בדרך כלל באמצעות אלגוריתמים של כריית נתונים, אך חיזוי התנהגות המשתמש להתאמה אישית מלאה היא קשה מאוד. זה נובע משינויים תכופים בנתוני שימוש עם שינוי בעניין המשתמש.
חוקרים מצאו רומן אינטליגנטי
מודל התאמה אישית של אינטרנט להמלצה על העדפות משתמש. מודל למידת המכונה מנבא את תוכן האינטרנט עבור המשתמש ולומד את התנהגות המשתמש ללא הרף. בנקים יכולים להשתמש במודל כדי להמליץ על מוצרים המותאמים למשתמש ספציפי.
במקום להציע הלוואות אישיות לכל לקוח שנכנס לאתר האינטרנט שלו, הבנקים יכולים להתאים את עמוד הבית ללקוחותיהם על סמך היסטוריית הגלישה ושלב חייהם הנוכחי. לדוגמה, לקוח עם משפחה צעירה יהיה
מעוניין יותר בנטילת משכנתא או הלוואת רכב או השקעות לטווח ארוך. לקוח שפורש בקרוב עשוי להזדקק לעזרה עם תוכניות פרישה וניהול עושר. באמצעות מודל ה-AI הנ"ל, בנקים יכולים להתאים את האתר באופן דינמי על ידי זיהוי
לקוח ולצפות את הצורך.
3. ערוצי מדיה חברתית: פלטפורמות אלו מייצרות שפע של נתונים הקשורים ללקוח, כולל נתונים התנהגותיים אשר יכולים לשמש בנקים כדי לקבל הבנה מעמיקה יותר של צרכי הלקוחות. תובנות יקרות ערך אלו יכולות להוביל להתאמה אישית פרואקטיבית
הצעות ללקוחות. חוקרים פיתחו א
מסגרת משולבת לעזור לבנקים להפיק ערך מניתוח מדיה חברתית. זה יעזור לנצל ניתוח מרשם וחיזוי מתקדם מבוסס AI כדי לפתח תובנות להתאמה אישית של חווית לקוח. שקול דוגמה של
לקוח מפרסם הערות בפייסבוק על יעדי תיירות ספציפיים והעניין שלו בביקור במקומות אלו. זוהי הזדמנות מצוינת עבור הבנק לנתח את הפוסטים ולהציע הצעות מותאמות כמו הלוואות אישיות, ביטוח נסיעות ו
הצעות על כרטיסי נסיעה.
בשלושת ערוצי הלקוחות הללו, הנתונים הנדרשים לתחזיות משתנים מערוץ אחד למשנהו. איור 1 נותן את סיכום הנתונים המעורבים במעורבות הלקוחות בכל ערוץ. אנו רואים שיש מורכבות נתונים גבוהה יותר במרכז הקשר
וערוצי מדיה חברתית בגלל נתונים לא מובנים.
העשרת חוויות לקוח: הדרך קדימה
דנו במודלים של למידת מכונה המומלצים לערוצים שונים של לקוחות. מכיוון שמערכות הנתונים, סוגי הנתונים והתנהגות המשתמשים בכל ערוץ שונים, כל מעורבות לקוח היא ייחודית. אנו רואים מורכבות הולכת וגוברת במודלים של AI תוך כדי תנועה
מערוצי אינטרנט לערוצי מרכז קשר ועד לערוצי מדיה חברתית. הבנקים יכולים לשקול את אלה תוך מתן עדיפות ופריסה של מודלים של למידת מכונה עבור התאמה אישית יתרה.
מודלים של חיזוי מבוססי בינה מלאכותית המשתמשים בנתונים בזמן אמת נראים מבטיחים מאוד. זה מספק הזדמנות לבנקים להתאים כל נקודת מגע של לקוח. התלבטנו על התאמה אישית יתרה בשלושת הערוצים ועל הערך העצום שניתן לפתוח.
זה יכול לאפשר לבנקים לבצע התאמה אישית יתרה, לשפר את דביקות הלקוחות וכתוצאה מכך לצמיחה משמעותית.
