最近の
満足度調査 JD Power による米国のリテール バンク向けの調査では、銀行がパーソナライゼーションに対する顧客の期待に応えるのに苦労しており、顧客のほぼ半数がデジタル中心の銀行関係に移行したことがわかりました。 今日は期待値
の銀行顧客は変化し、Netflix、Amazon、スターバックスが提供するような高度にパーソナライズされたオファーを求めています。 ハイパーパーソナライゼーションは、人工知能 (AI) と機械学習 (ML) を活用することで実現できます。
リアルタイムのデータとカスタマイズされたカスタマー エクスペリエンス。 このブログでは、ML モデルを活用して、コンタクト センター、ウェブ、ソーシャル メディアなどの顧客チャネル全体でカスタマー エクスペリエンスをハイパー パーソナライズする機会について説明します。
顧客体験アプローチの変化
顧客は、個々の銀行のニーズに合わせて、有意義で高度にパーソナライズされたデジタル体験を期待しています。 銀行は、顧客の目標、好み、行動をリアルタイムでよりよく理解し、積極的に提供することで、これらのニーズを予測できます。
カスタマイズされた製品。 顧客が通常よりも多くのお金を費やしているシナリオを考えてみましょう。これにより、次の EMI の資金が不足する可能性があります。 銀行が過去の支出傾向に基づいて支出を予測できるとしたらどうでしょう。 その後、銀行は次のことができます
積極的に顧客に警告し、個人ローンの割引を提供します。 銀行が開始したこのような積極的で状況に応じたパーソナライズされたエクスペリエンスにより、顧客との関係を深めることができます。
これが最近の関心のトピックであることを考慮して、AI/ML 研究が XNUMX つの異なる顧客チャネルに個別にどのように適用されているかを探り、XNUMX つのアプローチを比較してみましょう。
AI ベースのハイパーパーソナライゼーションまたはレコメンデーション モデル
1.カスタマーサービスコールセンター：お客様からの電話の理由を予測し、先手を打って介入することでお客様を惹きつけます。 研究者は、AI ベースの
マルチタスク ニューラル ネットワーク (ANN) を使用して顧客の通話の意図を予測し、その後顧客をデジタル チャネルに移行します。 機械学習モデルは、顧客のプロファイルを使用してトレーニングされました。
通話記録データ、顧客サービス ログ、トランザクション ログ。 目的は、顧客が近い将来、たとえば今後 10 日以内にコンタクト センターに電話をかけるかどうかを予測することです。
顧客が IVR システムに電話をかけると、パーソナライズされた音声プロンプトが、モデルの予測に基づいて関連するデジタル サービスを推奨します。 顧客が推奨事項を受け入れると、SMS を介して URL を介してチャットボットを起動するようにリダイレクトされます。
これにより、高度にパーソナライズされた効率的なカスタマー サービス エクスペリエンスが実現します。 顧客が小切手を入金したが、XNUMX 週間経っても金額が銀行口座に入金されていないシナリオを考えてみましょう。 顧客は連絡先に電話して問い合わせます。
中心。 機械学習モデルは、この特定の顧客に対する通話の意図を予測し、適切な解決のために優先デジタル チャネルに移動します。
2. Web チャネル: ユーザーの行動に基づくパーソナライゼーションは、一般的にデータ マイニング アルゴリズムを使用して行われますが、完全なパーソナライゼーションのためのユーザーの行動予測は非常に困難です。 これは、ユーザーの関心の変化に伴い、使用状況データが頻繁に変化するためです。
研究者は新しい知性を発見しました
Web パーソナライゼーション モデル ユーザーの好みの推奨のために。 機械学習モデルは、ユーザーの Web コンテンツを予測し、ユーザーの行動を継続的に学習します。 銀行はこのモデルを使用して、特定のユーザーに合わせた商品を推奨できます。
銀行は、Web サイトにアクセスするすべての顧客に個人ローンを提供する代わりに、閲覧履歴と現在のライフ ステージに基づいて、顧客のホームページをパーソナライズできます。 たとえば、若い家族連れの顧客は次のようになります。
住宅ローンや自動車ローン、または長期投資に関心があります。 間もなく退職する顧客は、退職および資産管理計画の支援を必要とする場合があります。 上記の AI モデルを使用して、銀行は Web サイトを動的に調整することができます。
顧客とニーズを予測します。
3. ソーシャル メディア チャネル: これらのプラットフォームは、銀行が顧客のニーズをより深く理解するために使用できる行動データを含む、豊富な顧客関連データを生成します。 これらの貴重な洞察は、プロアクティブなパーソナライズにつながる可能性があります
顧客への提供。 研究者は、
統合フレームワーク 銀行がソーシャル メディア分析から価値を引き出すのを支援します。 これは、高度な AI ベースの処方的および予測的分析を利用して、高度にパーソナライズされた顧客体験に関する洞察を得るのに役立ちます。 の例を考えてみましょう
特定の観光地とその場所への訪問への関心について Facebook にコメントを投稿する顧客。 これは、銀行が投稿を分析し、個人ローン、旅行保険、
旅行券の特典。
これら 1 つの顧客チャネルでは、予測に必要なデータはチャネルごとに異なります。 図 XNUMX は、各チャネルの顧客エンゲージメントに関連するデータの概要を示しています。 コンタクト センターではデータの複雑さが増していることがわかります
非構造化データによるソーシャル メディア チャネル。
顧客体験を豊かにする: 今後の展望
さまざまな顧客チャネルに推奨される機械学習モデルについて説明しました。 各チャネルのデータセット、データの種類、およびユーザーの行動は異なるため、すべての顧客エンゲージメントは固有のものです。 移行に伴い、AI モデルの複雑さが増しています。
Web チャネルからコンタクト センター チャネル、ソーシャル メディア チャネルまで。 銀行は、ハイパー パーソナライゼーションのための機械学習モデルの優先順位を付けて展開する際に、これらを考慮することができます。
リアルタイム データを使用した AI ベースの予測モデルは非常に有望に見えます。 これは、銀行がすべての顧客タッチポイントを調整する機会を提供します。 XNUMX つのチャネルにわたるハイパー パーソナライゼーションと、解き放たれる膨大な価値について検討しました。
これにより、銀行は高度にパーソナライズし、顧客の定着率を向上させ、大幅な成長を実現できます。
