AI napędza proaktywne, hiperspersonalizowane doświadczenie dla klientów bankowości detalicznej (Sentil C)

Ostatnia
badanie satysfakcji opracowane przez JD Power dla amerykańskich banków detalicznych wykazało, że banki miały trudności ze spełnieniem oczekiwań klientów w zakresie personalizacji, a prawie połowa klientów przeszła na relacje bankowe skoncentrowane na technologii cyfrowej. Dziś oczekiwania
klientów banków uległo zmianie i szuka teraz hiperspersonalizowanych ofert, takich jak te oferowane przez Netflix, Amazon i Starbucks. Hiperpersonalizację można osiągnąć poprzez wykorzystanie sztucznej inteligencji (AI) i uczenia maszynowego (ML).
dane w czasie rzeczywistym i dostosowywanie doświadczeń klientów. W tym blogu badamy możliwości wykorzystania modeli uczenia maszynowego do hiperpersonalizacji obsługi klienta w różnych kanałach obsługi klienta, a mianowicie w contact center, Internecie i mediach społecznościowych.

Zmiana podejścia do obsługi klienta

Klienci oczekują znaczących i wysoce spersonalizowanych doświadczeń cyfrowych dostosowanych do ich indywidualnych potrzeb bankowych. Banki mogą przewidywać te potrzeby, lepiej rozumiejąc swoich klientów – ich cele, preferencje i zachowania w czasie rzeczywistym i proaktywnie je realizując
oferty dostosowane do indywidualnych potrzeb. Rozważmy scenariusz, w którym klient wydaje więcej pieniędzy niż zwykle, co może spowodować, że nie będzie miał wystarczających środków na nadchodzące EMI. A co jeśli bank będzie w stanie przewidzieć wydatki na podstawie trendu wydatków z przeszłości? Wtedy bank może
proaktywnie ostrzegaj klienta i oferuj zniżki na pożyczkę osobistą. Takie proaktywne, kontekstowe i spersonalizowane doświadczenie zainicjowane przez bank może pogłębić relacje z klientami.

Biorąc pod uwagę, że był to temat interesujący w niedawnej przeszłości, zbadajmy, w jaki sposób badania AI/ML są stosowane niezależnie w trzech różnych kanałach klientów, a następnie porównajmy te trzy podejścia.

Modele hiperpersonalizacji lub rekomendacji oparte na sztucznej inteligencji

1. Centrum obsługi klienta: Przewidywanie przyczyny wezwania klienta i wykonanie interwencji zapobiegawczej zachęciłoby klientów. Naukowcy opracowali technologię opartą na sztucznej inteligencji
wielozadaniowa sieć neuronowa (ANN) w celu przewidzenia zamiaru połączenia klienta i późniejszej migracji klienta do kanałów cyfrowych. Model uczenia maszynowego został przeszkolony z wykorzystaniem profilu klienta,
dane transkrypcji rozmów, dziennik obsługi klienta i dziennik transakcji. Celem jest przewidzenie, czy klient zadzwoni do contact center w najbliższej przyszłości, powiedzmy w ciągu najbliższych 10 dni.

Gdy klient zadzwoni do systemu IVR, spersonalizowany komunikat głosowy zarekomenduje mu odpowiednie usługi cyfrowe na podstawie przewidywań modelki. Jeśli klient zaakceptuje rekomendację, zostaje przekierowany do uruchomienia chatbota poprzez SMS z adresem URL.
Efektem jest hiperspersonalizowana i wydajna obsługa klienta. Rozważmy scenariusz, w którym klient zdeponował czek, ale kwota nie została zaksięgowana na jego koncie bankowym nawet po tygodniu. Klient może zadać pytanie dzwoniąc do osoby kontaktowej
Centrum. Model uczenia maszynowego przewidywałby zamiar połączenia dla tego konkretnego klienta i przechodził do preferowanego przez niego kanału cyfrowego w celu znalezienia odpowiedniego rozwiązania.

2. Kanał internetowy: Personalizacja na podstawie zachowania użytkownika odbywa się zazwyczaj przy użyciu algorytmów eksploracji danych, ale przewidywanie zachowań użytkowników w celu pełnej personalizacji jest bardzo trudne. Dzieje się tak ze względu na często zmieniające się dane dotyczące użytkowania wraz ze zmieniającymi się zainteresowaniami użytkowników.
Naukowcy odkryli, że powieść jest inteligentna
model personalizacji stron internetowych do rekomendacji preferencji użytkownika. Model uczenia maszynowego przewiduje treść internetową dla użytkownika i stale uczy się jego zachowania. Banki mogą wykorzystać ten model do rekomendowania produktów dostosowanych do konkretnego użytkownika.

Zamiast oferować pożyczki osobiste każdemu klientowi, który wejdzie na ich stronę, banki mogą spersonalizować stronę główną dla swoich klientów w oparciu o historię przeglądania i ich obecny etap życia. Na przykład byłby to klient z młodą rodziną
bardziej zainteresowani zaciągnięciem kredytu hipotecznego, samochodowego lub inwestycjami długoterminowymi. Klient, który wkrótce odchodzi na emeryturę, może potrzebować pomocy w zakresie planów emerytalnych i zarządzania majątkiem. Korzystając z powyższego modelu AI, banki mogą dynamicznie dostosowywać stronę internetową, rozpoznając
klienta i przewidywanie potrzeby.

3. Kanały mediów społecznościowych: Platformy te generują bogactwo danych związanych z klientami, w tym dane behawioralne, które mogą być wykorzystywane przez banki do głębszego zrozumienia potrzeb klientów. Te cenne spostrzeżenia mogą prowadzić do proaktywnej personalizacji
oferty dla klientów. Naukowcy opracowali
zintegrowane ramy aby pomóc bankom w czerpaniu wartości z analityki mediów społecznościowych. Pomoże to wykorzystać zaawansowaną analizę nakazową i predykcyjną opartą na sztucznej inteligencji w celu opracowania spostrzeżeń umożliwiających hiperpersonalizację obsługi klienta. Rozważmy przykład
klient zamieszczający na Facebooku komentarze na temat konkretnych destynacji turystycznych i zainteresowania odwiedzeniem tych miejsc. Jest to dla banku świetna okazja do analizy postów i zaproponowania dostosowanych ofert, takich jak pożyczki osobiste, ubezpieczenia podróżne i
oferty na bilety podróżne.   

W przypadku tych trzech kanałów klienta dane wymagane do prognoz różnią się w zależności od kanału. Rysunek 1 przedstawia podsumowanie danych związanych z zaangażowaniem klienta w każdym kanale. Widzimy, że w contact center występuje większa złożoność danych
i kanały mediów społecznościowych ze względu na nieustrukturyzowane dane.

Wzbogacanie doświadczeń klientów: droga naprzód

Omówiliśmy modele uczenia maszynowego rekomendowane dla różnych kanałów klienta. Ponieważ zbiory danych, typy danych i zachowania użytkowników w każdym kanale są różne, każde zaangażowanie klienta jest wyjątkowe. W miarę postępów zauważamy rosnącą złożoność modeli sztucznej inteligencji
od kanałów internetowych, przez kanały contact center, po kanały mediów społecznościowych. Banki mogą to wziąć pod uwagę przy ustalaniu priorytetów i wdrażaniu modeli uczenia maszynowego w celu hiperpersonalizacji.

Modele predykcyjne oparte na sztucznej inteligencji wykorzystujące dane w czasie rzeczywistym wyglądają bardzo obiecująco. Daje bankom możliwość dostosowania każdego punktu kontaktu z klientem. Zastanawialiśmy się nad hiperpersonalizacją w trzech kanałach i ogromną wartością, jaką można odblokować.
Może to umożliwić bankom hiperpersonalizację i poprawę lojalności klientów, co skutkuje znacznym wzrostem.