최근
만족 연구 미국 소매 은행을 위한 J.D. Power의 보고서에 따르면 은행은 개인화에 대한 고객의 기대를 충족하는 데 어려움을 겪고 있으며 거의 절반의 고객이 디지털 중심 은행 관계로 전환했습니다. 오늘은 기대되는
의 은행 고객이 변화하여 이제 Netflix, Amazon 및 Starbucks에서 제공하는 것과 같은 초개인화된 제안을 찾고 있습니다. 초개인화는 인공지능(AI)과 머신러닝(ML)을 활용하여 제공될 수 있습니다.
실시간 데이터를 활용하고 고객 경험을 맞춤화합니다. 이 블로그에서는 ML 모델을 활용하여 고객 채널, 즉 고객 센터, 웹, 소셜 미디어 전반에 걸쳐 고객 경험을 초개인화할 수 있는 기회를 살펴봅니다.
고객 경험 접근 방식의 변화
고객은 개별 은행 요구 사항에 맞는 의미 있고 고도로 개인화된 디지털 경험을 기대합니다. 은행은 고객의 목표, 선호도, 행동을 실시간으로 더 잘 이해하고 적극적으로 제공함으로써 이러한 요구 사항을 예측할 수 있습니다.
맞춤형 제안. 고객이 평소보다 더 많은 돈을 지출하여 다가오는 EMI에 대비할 자금이 부족해질 수 있는 시나리오를 생각해 보십시오. 은행이 과거 지출 추세를 바탕으로 비용을 예측할 수 있다면 어떨까요? 그러면 은행은
고객에게 사전에 경고하고 개인 대출에 대한 할인을 제공합니다. 은행이 주도하는 이러한 사전 예방적이고 상황에 맞는 개인화된 경험은 고객 관계를 심화시킬 수 있습니다.
이것이 최근에 관심의 대상이 된 것을 고려하여 AI/ML 연구가 어떻게 세 가지 다른 고객 채널에 독립적으로 적용되는지 살펴보고 세 가지 접근 방식을 비교해 봅시다.
AI 기반의 초개인화 또는 추천 모델
1. 고객센터 콜센터: 고객이 전화를 하는 이유를 예측하고 선제적으로 개입하면 고객을 유인할 수 있습니다. 연구진은 AI 기반
멀티태스킹 신경망 (ANN) 고객의 통화 의도를 예측하고 이후 고객을 디지털 채널로 마이그레이션합니다. 머신러닝 모델은 고객의 프로필을 활용하여 학습되었으며,
통화 기록 데이터, 고객 서비스 로그 및 거래 로그. 목표는 고객이 가까운 시일 내에(가령 10일 이내에) 연락 센터에 전화할지 예측하는 것입니다.
고객이 IVR 시스템에 전화하면 개인화된 음성 안내가 모델의 예측을 기반으로 관련 디지털 서비스를 추천합니다. 고객이 추천을 수락하면 URL이 포함된 SMS를 통해 챗봇을 실행하도록 리디렉션됩니다.
이는 극도로 개인화되고 효율적인 고객 서비스 경험을 제공합니다. 고객이 수표를 입금했지만 일주일이 지나도 해당 금액이 은행 계좌에 반영되지 않은 경우를 생각해 보세요. 고객이 연락처에 전화하여 문의합니다.
센터. 기계 학습 모델은 이 특정 고객에 대한 통화 의도를 예측하고 적절한 해결을 위해 선호하는 디지털 채널로 이동합니다.
2. 웹 채널: 사용자 행동 기반 개인화는 일반적으로 데이터 마이닝 알고리즘을 사용하여 이루어지지만, 완전한 개인화를 위한 사용자 행동 예측은 매우 어렵습니다. 이는 사용자 관심도의 변화에 따라 사용량 데이터가 자주 변경되기 때문입니다.
연구원들은 새로운 지능을 발견했습니다.
웹 개인화 모델 사용자 선호도 추천을 위해. 기계 학습 모델은 사용자의 웹 콘텐츠를 예측하고 사용자 행동을 지속적으로 학습합니다. 은행은 이 모델을 사용하여 특정 사용자에게 맞는 상품을 추천할 수 있습니다.
은행은 웹사이트를 방문하는 모든 고객에게 개인 대출을 제공하는 대신 검색 기록과 현재 생활 단계를 기반으로 고객을 위한 홈 페이지를 개인화할 수 있습니다. 예를 들어, 젊은 가족이 있는 고객은
주택 담보 대출이나 자동차 대출 또는 장기 투자에 더 관심이 있습니다. 곧 은퇴하는 고객은 은퇴 및 자산 관리 계획에 대한 도움이 필요할 수 있습니다. 위의 AI 모델을 사용하면 은행은 다음을 인식하여 웹사이트를 동적으로 맞춤화할 수 있습니다.
고객과 필요를 예상합니다.
3. 소셜 미디어 채널: 이러한 플랫폼은 은행이 고객의 요구 사항을 더 깊이 이해하는 데 사용할 수 있는 행동 데이터를 포함하여 풍부한 고객 관련 데이터를 생성합니다. 이러한 귀중한 통찰력은 사전 예방적인 개인화로 이어질 수 있습니다.
고객을 위한 제안. 연구원들은 다음을 개발했습니다.
통합 프레임워크 은행이 소셜 미디어 분석에서 가치를 창출할 수 있도록 지원합니다. 이는 고급 AI 기반 처방 및 예측 분석을 활용하여 초개인화 고객 경험에 대한 통찰력을 개발하는 데 도움이 될 것입니다. 다음의 예를 고려해보세요.
특정 관광지와 해당 장소 방문에 대한 관심에 대해 Facebook에 댓글을 게시하는 고객. 이는 은행이 게시물을 분석하고 개인 대출, 여행 보험 및 보험과 같은 맞춤형 서비스를 제안할 수 있는 좋은 기회입니다.
여행 티켓에 대한 제안.
이 세 가지 고객 채널에서 예측에 필요한 데이터는 채널마다 다릅니다. 그림 1은 각 채널의 고객 참여와 관련된 데이터를 요약한 것입니다. 컨택센터의 데이터 복잡성이 더 높다는 사실을 확인했습니다.
구조화되지 않은 데이터로 인해 소셜 미디어 채널이 발생합니다.
풍부한 고객 경험: 앞으로 나아가는 길
다양한 고객 채널에 권장되는 기계 학습 모델에 대해 논의했습니다. 각 채널의 데이터 세트, 데이터 유형 및 사용자 행동이 다르기 때문에 모든 고객 참여는 고유합니다. 이동함에 따라 AI 모델의 복잡성이 증가하는 것을 볼 수 있습니다.
웹 채널부터 컨택 센터 채널, 소셜 미디어 채널까지. 은행은 초개인화를 위해 기계 학습 모델의 우선 순위를 지정하고 배포하는 동안 이러한 사항을 고려할 수 있습니다.
실시간 데이터를 활용한 AI 기반 예측 모델은 매우 유망해 보입니다. 이는 은행이 모든 고객 접점을 맞춤화할 수 있는 기회를 제공합니다. 우리는 세 가지 채널에 걸친 초개인화와 이를 실현할 수 있는 엄청난 가치에 대해 고민했습니다.
이를 통해 은행은 고도로 개인화하고 고객 충성도를 향상시켜 상당한 성장을 이룰 수 있습니다.
