AI driver en proaktiv hyperpersonlig opplevelse for detaljbankkunder (Senthil C)

En fersk
tilfredshetsstudie av J.D. Power for amerikanske detaljbanker fant at bankene har slitt med å innfri kundenes forventninger til personalisering, og nesten halvparten av kundene har gått over til digital-sentriske bankforhold. I dag er forventningene
av bankkunder har endret seg, hvor de nå ser etter hyper-personlige tilbud som de som tilbys av Netflix, Amazon og Starbucks. Hyper-personalisering kan leveres ved å utnytte kunstig intelligens (AI) og maskinlæring (ML) med
sanntidsdata og skreddersy kundeopplevelser. Denne bloggen utforsker mulighetene ved å utnytte ML-modeller for å hyper-personliggjøre kundeopplevelsen på tvers av kundekanaler, nemlig kontaktsenter, web og sosiale medier.

Skift i tilnærming til kundeopplevelse

Kunder forventer en meningsfull og svært personlig digital opplevelse for deres individuelle bankbehov. Banker kan forutsi disse behovene ved å forstå kundene deres bedre - deres mål, preferanser og atferd i sanntid og proaktivt levere
skreddersydde tilbud. Tenk på et scenario der en kunde bruker mer penger enn vanlig, noe som kan føre til at de ikke har nok midler til sin kommende EMI. Hva om banken kan forutsi utgiftene basert på tidligere utgiftstrend. Banken kan da
proaktivt varsle kunden og tilby rabatter på et personlig lån. En slik proaktiv, kontekstuell og personlig opplevelse initiert av banken kan utdype kundeforhold.

Med tanke på at dette har vært et tema av interesse i den siste tiden, la oss utforske hvordan AI/ML-forskning brukes på tre forskjellige kundekanaler uavhengig og deretter sammenligne de tre tilnærmingene.

AI-baserte hyperpersonaliserings- eller anbefalingsmodeller

1. Kundeservices kundesenter: Å forutsi årsaken til et kundeanrop og utføre forebyggende intervensjon vil lokke kunder. Forskere har utviklet en AI-basert
nevrale nettverk med flere oppgaver (ANN) for å forutsi en kundes hensikt og deretter migrere kunden til digitale kanaler. Maskinlæringsmodellen ble trent ved å bruke kundens profil,
samtaleutskriftsdata, kundeservicelogg og transaksjonslogg. Målet er å forutsi om kunden vil ringe kontaktsenteret i umiddelbar fremtid, for eksempel innen de neste 10 dagene.

Når kunden ringer IVR-systemet, vil en personlig stemmemelding anbefale relevante digitale tjenester basert på modellens prediksjon. Hvis kunden godtar anbefalingen, blir de omdirigert til å starte en chatbot via en SMS med en URL.
Dette resulterer i hyperpersonlig og effektiv kundeserviceopplevelse. Tenk på et scenario når en kunde har satt inn en sjekk, men beløpet ikke er kreditert bankkontoen deres selv etter en uke. Kunden ville spørre ved å ringe kontakten
senter. Maskinlæringsmodellen vil forutsi samtalens hensikt for denne spesifikke kunden og flytte til deres foretrukne digitale kanal for en passende løsning.

2. Nettkanal: Personalisering basert på brukeratferd gjøres vanligvis ved hjelp av data mining-algoritmer, men brukeratferdsprediksjon for full personalisering er svært vanskelig. Dette skyldes hyppig endrede bruksdata med skiftende brukerinteresse.
Forskere har funnet en intelligent roman
netttilpasningsmodell for anbefaling av brukerpreferanser. Maskinlæringsmodellen forutsier nettinnholdet for brukeren og lærer brukeratferden kontinuerlig. Banker kan bruke modellen til å anbefale produkter skreddersydd for en spesifikk bruker.

I stedet for å tilby personlige lån til hver kunde som går inn på nettsiden deres, kan bankene tilpasse hjemmesiden for kundene sine basert på nettleserhistorikken og deres nåværende livsfase. For eksempel vil en kunde med en ung familie være det
mer interessert i å ta opp boliglån eller billån eller langsiktige investeringer. En kunde som snart går av med pensjon kan trenge hjelp med pensjons- og formuesforvaltningsplaner. Ved å bruke AI-modellen ovenfor kan banker skreddersy nettstedet dynamisk ved å gjenkjenne
kunde og forutse behovet.

3. Sosiale mediekanaler: Disse plattformene genererer et vell av kunderelaterte data, inkludert atferdsdata som kan brukes av banker for å få en dypere forståelse av kundenes behov. Denne verdifulle innsikten kan føre til proaktiv personalisering
tilbud til kunder. Forskere har utviklet en
integrert rammeverk for å hjelpe banker med å hente verdi fra analyse av sosiale medier. Dette vil bidra til å utnytte avansert AI-basert foreskrivende og prediktiv analyse for å utvikle innsikt for hyper-personliggjøring av kundeopplevelsen. Tenk på et eksempel på
en kunde som legger ut kommentarer på Facebook om spesifikke turistmål og deres interesse for å besøke disse stedene. Dette er en flott mulighet for banken til å analysere innleggene og foreslå skreddersydde tilbud som personlige lån, reiseforsikring og
tilbud på reisebilletter.   

I disse tre kundekanalene varierer dataene som kreves for spådommene fra en kanal til en annen. Figur 1 gir sammendraget av dataene involvert i kundeengasjement på hver kanal. Vi ser at det er høyere datakompleksitet i kontaktsenteret
og sosiale mediekanaler på grunn av ustrukturerte data.

Berik kundeopplevelser: Veien videre

Vi diskuterte maskinlæringsmodellene anbefalt for ulike kundekanaler. Siden datasettene, datatypene og brukeratferden i hver kanal er forskjellige, er hvert kundeengasjement unikt. Vi ser økende kompleksitet i AI-modeller etter hvert som vi beveger oss
fra nettkanaler til kontaktsenterkanaler til sosiale mediekanaler. Bankene kan vurdere disse mens de prioriterer og distribuerer maskinlæringsmodeller for hyperpersonalisering.

AI-baserte prediksjonsmodeller som bruker sanntidsdata, ser veldig lovende ut. Det gir en mulighet for bankene til å skreddersy hvert kundekontaktpunkt. Vi diskuterte hyper personalisering på tvers av de tre kanalene og den enorme verdien som kan låses opp.
Dette kan gjøre det mulig for banker å hyperpersonliggjøre, forbedre kundenes klebrighet, noe som resulterer i betydelig vekst.