AI zorgt voor een proactieve, hypergepersonaliseerde ervaring voor retailbankingklanten (Senthil C)

Een recente
tevredenheidsonderzoek door J.D. Power voor Amerikaanse retailbanken ontdekte dat banken moeite hebben om aan de verwachtingen van klanten op het gebied van personalisatie te voldoen en dat bijna de helft van de klanten is overgestapt op digitaal gerichte bankrelaties. Vandaag de verwachtingen
van de bankklanten is veranderd en zoekt nu naar hypergepersonaliseerde aanbiedingen zoals die van Netflix, Amazon en Starbucks. Hyperpersonalisatie kan worden gerealiseerd door gebruik te maken van kunstmatige intelligentie (AI) en machine learning (ML).
realtime gegevens en het afstemmen van klantervaringen. Deze blog onderzoekt de mogelijkheden bij het inzetten van ML-modellen om de klantervaring hyperpersonaliseren via klantkanalen, namelijk contactcenter, internet en sociale media.

Verschuiving in benadering van klantervaring

Klanten verwachten een betekenisvolle en zeer gepersonaliseerde digitale ervaring voor hun individuele bankbehoeften. Banken kunnen deze behoeften voorspellen door hun klanten – hun doelen, voorkeuren en gedrag – in realtime beter te begrijpen en proactief te presteren
op maat gemaakte aanbiedingen. Overweeg een scenario waarin een klant meer geld uitgeeft dan normaal, wat ertoe zou kunnen leiden dat hij onvoldoende geld heeft voor zijn komende EMI. Wat als de bank de uitgaven kan voorspellen op basis van de uitgaventrend uit het verleden? De bank kan dat dan doen
proactief de klant waarschuwen en kortingen aanbieden op een persoonlijke lening. Een dergelijke proactieve, contextuele en gepersonaliseerde ervaring, geïnitieerd door de bank, kan de klantrelaties verdiepen.

Aangezien dit in het recente verleden een belangrijk onderwerp is geweest, laten we eens kijken hoe AI/ML-onderzoek onafhankelijk wordt toegepast op drie verschillende klantkanalen en vervolgens de drie benaderingen vergelijken.

Op AI gebaseerde hyperpersonalisatie- of aanbevelingsmodellen

1. Klantenservice callcenter: Het voorspellen van de reden voor een klantoproep en het uitvoeren van preventieve interventie zou klanten verleiden. Onderzoekers hebben een AI-based ontwikkeld
multi-task neuraal netwerk (ANN) om de intentie van een klant te voorspellen en de klant vervolgens naar digitale kanalen te migreren. Het machine learning-model werd getraind met behulp van het profiel van de klant,
transcriptiegegevens van gesprekken, logboek voor klantonderhoud en transactielogboek. Het doel is om te voorspellen of de klant het contactcenter in de nabije toekomst zal bellen, bijvoorbeeld binnen de komende tien dagen.

Wanneer de klant het IVR-systeem belt, zal een gepersonaliseerde stemprompt relevante digitale diensten aanbevelen op basis van de voorspelling van het model. Als de klant de aanbeveling accepteert, wordt hij of zij doorgestuurd om een ​​chatbot te starten via een sms met een URL.
Dit resulteert in een hyperpersoonlijke en efficiënte klantenservice-ervaring. Overweeg een scenario waarin een klant een cheque heeft gestort, maar het bedrag zelfs na een week nog niet op zijn bankrekening is bijgeschreven. De klant zou navraag doen door de contactpersoon te bellen
centrum. Het machine learning-model zou de intentie van het gesprek voor deze specifieke klant voorspellen en naar het digitale kanaal van hun voorkeur gaan voor een passende oplossing.

2. Webkanaal: Personalisatie op basis van gebruikersgedrag wordt over het algemeen gedaan met behulp van datamining-algoritmen, maar het voorspellen van gebruikersgedrag voor volledige personalisatie is erg moeilijk. Dit komt door vaak veranderende gebruiksgegevens met veranderende gebruikersinteresses.
Onderzoekers hebben een roman intelligent gevonden
webpersonalisatiemodel voor aanbeveling van gebruikersvoorkeuren. Het machine learning-model voorspelt de webcontent voor de gebruiker en leert continu het gebruikersgedrag. Banken kunnen het model gebruiken om producten aan te bevelen die zijn toegesneden op een specifieke gebruiker.

In plaats van persoonlijke leningen aan te bieden aan elke klant die hun website bezoekt, kunnen de banken de startpagina voor hun klanten personaliseren op basis van de browsegeschiedenis en hun huidige levensfase. Een klant met een jong gezin zou dat bijvoorbeeld zijn
meer geïnteresseerd in het afsluiten van een hypotheek of autolening of langetermijninvesteringen. Een klant die binnenkort met pensioen gaat, heeft mogelijk hulp nodig bij zijn pensioen- en vermogensbeheerplannen. Met behulp van het bovenstaande AI-model kunnen banken de website dynamisch aanpassen door de
klant en anticiperen op de behoefte.

3. Socialemediakanalen: Deze platforms genereren een schat aan klantgerelateerde gegevens, waaronder gedragsgegevens, die door banken kunnen worden gebruikt om een ​​beter inzicht te krijgen in de behoeften van klanten. Deze waardevolle inzichten kunnen leiden tot proactieve personalisatie
aanbod voor klanten. Onderzoekers hebben een
geïntegreerd kader om banken te helpen waarde te ontlenen aan analyses van sociale media. Dit zal helpen om gebruik te maken van geavanceerde, op AI gebaseerde prescriptieve en voorspellende analyses om inzichten te ontwikkelen voor het hyperpersonaliseren van de klantervaring. Beschouw een voorbeeld van
een klant die opmerkingen op Facebook plaatst over specifieke toeristische bestemmingen en hun interesse om deze plaatsen te bezoeken. Dit is een geweldige kans voor de bank om de berichten te analyseren en aanbiedingen op maat voor te stellen, zoals persoonlijke leningen, reisverzekeringen en dergelijke
aanbiedingen op reistickets.   

In deze drie klantkanalen variëren de gegevens die nodig zijn voor de voorspellingen van kanaal tot kanaal. Figuur 1 geeft een samenvatting van de gegevens die betrokken zijn bij klantbetrokkenheid op elk kanaal. We zien dat er sprake is van een hogere datacomplexiteit in het contactcenter
en sociale mediakanalen vanwege ongestructureerde data.

Verrijk klantervaringen: de weg vooruit

We bespraken de machine learning-modellen die worden aanbevolen voor verschillende klantkanalen. Omdat de datasets, datatypen en gebruikersgedrag in elk kanaal verschillend zijn, is elke klantbetrokkenheid uniek. We zien een toenemende complexiteit in AI-modellen terwijl we bewegen
van webkanalen tot contactcenterkanalen tot sociale mediakanalen. De banken kunnen hiermee rekening houden terwijl ze machine learning-modellen voor hyperpersonalisatie prioriteren en inzetten.

Op AI gebaseerde voorspellingsmodellen die gebruik maken van realtime gegevens zien er veelbelovend uit. Het biedt banken de mogelijkheid om elk klantcontactpunt op maat te maken. We hebben nagedacht over hyperpersonalisatie via de drie kanalen en de enorme waarde die kan worden ontsloten.
Hierdoor kunnen banken hyperpersonaliseren en de klantvastheid verbeteren, wat resulteert in aanzienlijke groei.