A IA potencializa a experiência hiperpersonalizada proativa para clientes bancários de varejo (Senthil C)

Um recente
estudo de satisfação da JD Power para bancos de varejo dos EUA descobriu que os bancos têm lutado para atender às expectativas dos clientes em termos de personalização e quase metade dos clientes migraram para relacionamentos bancários centrados no digital. Hoje, as expectativas
dos clientes bancários mudaram, e agora procuram ofertas hiperpersonalizadas, como as fornecidas pela Netflix, Amazon e Starbucks. A hiperpersonalização pode ser alcançada aproveitando a inteligência artificial (IA) e o aprendizado de máquina (ML) com
dados em tempo real e personalização das experiências do cliente. Este blog explora as oportunidades de aproveitamento de modelos de ML para hiperpersonalizar a experiência do cliente em todos os canais do cliente, ou seja, contact center, web e mídia social.

Mudança na abordagem da experiência do cliente

Os clientes esperam uma experiência digital significativa e altamente personalizada para suas necessidades bancárias individuais. Os bancos podem prever essas necessidades compreendendo melhor seus clientes - seus objetivos, preferências e comportamentos em tempo real e entregando proativamente
ofertas personalizadas. Considere um cenário em que um cliente está gastando mais dinheiro do que o normal, o que pode fazer com que ele tenha fundos insuficientes para seu próximo EMI. E se o banco puder prever as despesas com base na tendência de gastos anteriores. O banco pode então
alertar proativamente o cliente e oferecer descontos em um empréstimo pessoal. Uma experiência proativa, contextual e personalizada iniciada pelo banco pode aprofundar o relacionamento com os clientes.

Considerando que esse tem sido um tópico de interesse no passado recente, vamos explorar como a pesquisa de IA/ML é aplicada a três canais de clientes diferentes de forma independente e depois comparar as três abordagens.

Modelos de hiperpersonalização ou recomendação baseados em IA

1. Central de atendimento ao cliente: prever o motivo de uma chamada do cliente e realizar uma intervenção preventiva atrairia os clientes. Pesquisadores desenvolveram um sistema baseado em IA
rede neural multitarefa (ANN) para prever a intenção da chamada de um cliente e posteriormente migrar o cliente para canais digitais. O modelo de aprendizado de máquina foi treinado utilizando o perfil do cliente,
dados de transcrição de chamadas, registro de atendimento ao cliente e registro de transações. O objetivo é prever se o cliente ligará para o contact center no futuro imediato, digamos, nos próximos 10 dias.

Quando o cliente liga para o sistema IVR, um prompt de voz personalizado recomendará serviços digitais relevantes com base na previsão do modelo. Caso o cliente aceite a recomendação, ele será redirecionado para lançar um chatbot por meio de um SMS com URL.
Isso resulta em uma experiência de atendimento ao cliente hiperpersonalizada e eficiente. Considere um cenário em que um cliente depositou um cheque, mas o valor não foi creditado em sua conta bancária, mesmo depois de uma semana. O cliente perguntaria ligando para o contato
Centro. O modelo de aprendizado de máquina preveria a intenção da chamada para esse cliente específico e passaria para o canal digital de sua preferência para uma resolução apropriada.

2. Canal da Web: A personalização baseada no comportamento do usuário geralmente é feita usando algoritmos de mineração de dados, mas a previsão do comportamento do usuário para personalização completa é muito difícil. Isso se deve à mudança frequente dos dados de uso com a mudança do interesse do usuário.
Pesquisadores descobriram um romance inteligente
modelo de personalização web para recomendação de preferência do usuário. O modelo de aprendizado de máquina prevê o conteúdo da Web para o usuário e aprende o comportamento do usuário continuamente. Os bancos podem usar o modelo para recomendar produtos sob medida para um usuário específico.

Em vez de oferecer empréstimos pessoais a cada cliente que entra no seu site, os bancos podem personalizar a página inicial dos seus clientes com base no histórico de navegação e na sua fase de vida atual. Por exemplo, um cliente com uma família jovem seria
mais interessados ​​em contrair uma hipoteca, um empréstimo para comprar um carro ou fazer investimentos de longo prazo. Um cliente que está se aposentando em breve pode precisar de ajuda com planos de aposentadoria e gestão de patrimônio. Usando o modelo de IA acima, os bancos podem personalizar o site de forma dinâmica, reconhecendo o
cliente e antecipando a necessidade.

3. Canais de mídia social: Estas plataformas geram uma riqueza de dados relacionados com os clientes, incluindo dados comportamentais que podem ser utilizados pelos bancos para obter uma compreensão mais profunda das necessidades dos clientes. Esses insights valiosos podem levar a resultados personalizados proativos
ofertas para os clientes. Os pesquisadores desenvolveram um
estrutura integrada para ajudar os bancos a obter valor da análise de mídia social. Isso ajudará a aproveitar análises prescritivas e preditivas avançadas baseadas em IA para desenvolver insights para hiperpersonalizar a experiência do cliente. Considere um exemplo de
um cliente postando comentários no Facebook sobre destinos turísticos específicos e seu interesse em visitar esses lugares. Esta é uma ótima oportunidade para o banco analisar as postagens e sugerir ofertas personalizadas, como empréstimos pessoais, seguros de viagem e
ofertas em passagens.   

Nestes três canais de clientes, os dados necessários para as previsões variam de um canal para outro. A Figura 1 apresenta o resumo dos dados envolvidos no envolvimento do cliente em cada canal. Vemos que há maior complexidade de dados no contact center
e canais de mídia social por causa de dados não estruturados.

Enriquecer as experiências do cliente: o caminho a seguir

Discutimos os modelos de aprendizado de máquina recomendados para diferentes canais de clientes. Como os conjuntos de dados, os tipos de dados e o comportamento do usuário em cada canal são diferentes, cada envolvimento do cliente é único. Vemos uma complexidade crescente nos modelos de IA à medida que avançamos
de canais da web a canais de contact center e canais de mídia social. Os bancos podem considerar isso ao mesmo tempo em que priorizam e implantam modelos de aprendizado de máquina para hiperpersonalização.

Os modelos de previsão baseados em IA que usam dados em tempo real parecem muito promissores. Ele oferece uma oportunidade para os bancos personalizarem cada ponto de contato com o cliente. Deliberámos sobre a hiperpersonalização nos três canais e o enorme valor que pode ser desbloqueado.
Isto pode permitir que os bancos personalizem de forma hiperpersonalizada e melhorem a fidelidade dos clientes, resultando num crescimento significativo.