Inteligența artificială oferă o experiență proactivă hiperpersonalizată pentru clienții de retail banking (Senthil C)

Un recent
studiu de satisfacție de JD Power pentru băncile de retail din SUA a constatat că băncile s-au străduit să răspundă așteptărilor clienților pentru personalizare și aproape jumătate dintre clienți au trecut la relații bancare centrate pe digital. Astăzi, așteptările
dintre clienții din domeniul bancar s-au schimbat, unde acum caută oferte hiperpersonalizate precum cele oferite de Netflix, Amazon și Starbucks. Hiperpersonalizarea poate fi oferită prin valorificarea inteligenței artificiale (AI) și a învățării automate (ML) cu
date în timp real și personalizarea experiențelor clienților. Acest blog explorează oportunitățile de valorificare a modelelor ML pentru a hiperpersonaliza experiența clienților pe canalele clienților, și anume, contact center, web și social media.

Schimbarea abordării experienței clienților

Clienții se așteaptă la o experiență digitală semnificativă și extrem de personalizată pentru nevoile lor bancare individuale. Băncile pot prezice aceste nevoi înțelegându-și mai bine clienții - obiectivele, preferințele și comportamentele lor în timp real și furnizând în mod proactiv
oferte personalizate. Luați în considerare un scenariu în care un client cheltuiește mai mulți bani decât de obicei, ceea ce l-ar putea determina să nu aibă fonduri suficiente pentru viitorul său EMI. Ce se întâmplă dacă banca poate prezice cheltuielile pe baza tendinței anterioare a cheltuielilor. Banca poate atunci
alertează proactiv clientul și oferă reduceri la un împrumut personal. O astfel de experiență proactivă, contextuală și personalizată inițiată de bancă poate aprofunda relațiile cu clienții.

Având în vedere că acesta a fost un subiect de interes în trecutul recent, haideți să explorăm modul în care cercetarea AI/ML este aplicată la trei canale diferite ale clienților în mod independent și apoi să comparăm cele trei abordări.

Modele de hiperpersonalizare sau de recomandare bazate pe inteligență artificială

1. Centru de apel pentru servicii clienți: Prevederea motivului unui apel de la un client și efectuarea unei intervenții preventive ar atrage clienții. Cercetătorii au dezvoltat un sistem bazat pe inteligență artificială
rețea neuronală multi-task (ANN) pentru a prezice intenția apelului unui client și, ulterior, pentru a migra clientul către canalele digitale. Modelul de învățare automată a fost antrenat folosind profilul clientului,
datele de transcriere a apelurilor, jurnalul de servicii pentru clienți și jurnalul de tranzacții. Obiectivul este de a prezice dacă clientul va suna centrul de contact în viitorul imediat, să zicem în următoarele 10 zile.

Când clientul apelează sistemul IVR, un mesaj vocal personalizat va recomanda servicii digitale relevante pe baza predicției modelului. Dacă clientul acceptă recomandarea, atunci este redirecționat să lanseze un chatbot printr-un SMS cu o adresă URL.
Acest lucru are ca rezultat o experiență de serviciu pentru clienți hiperpersonalizată și eficientă. Luați în considerare un scenariu în care un client a depus un cec, dar suma nu a fost creditată în contul său bancar nici după o săptămână. Clientul ar întreba apelând persoana de contact
centru. Modelul de învățare automată ar prezice intenția apelului pentru acest client specific și ar trece la canalul digital preferat pentru o rezoluție adecvată.

2. Canal web: Personalizarea bazată pe comportamentul utilizatorului se face în general folosind algoritmi de extragere a datelor, dar predicția comportamentului utilizatorului pentru personalizarea completă este foarte dificilă. Acest lucru se datorează modificării frecvente a datelor de utilizare cu schimbarea interesului utilizatorului.
Cercetătorii au descoperit un nou inteligent
model de personalizare web pentru recomandarea preferințelor utilizatorului. Modelul de învățare automată prezice conținutul web pentru utilizator și învață comportamentul utilizatorului în mod continuu. Băncile pot folosi modelul pentru a recomanda produse adaptate unui anumit utilizator.

În loc să ofere împrumuturi personale fiecărui client care intră pe site-ul lor, băncile pot personaliza pagina de pornire pentru clienții lor pe baza istoricului de navigare și a stadiului lor actual de viață. De exemplu, un client cu o familie tânără ar fi
mai interesat de a contracta un credit ipotecar sau auto sau investiții pe termen lung. Un client care se pensionează în curând poate avea nevoie de ajutor cu planurile de pensie și de gestionare a averii. Folosind modelul AI de mai sus, băncile pot personaliza site-ul web în mod dinamic, recunoscând
client și anticipând nevoia.

3. Canale de social media: Aceste platforme generează o mulțime de date legate de clienți, inclusiv date comportamentale, care pot fi utilizate de bănci pentru a obține o înțelegere mai profundă a nevoilor clienților. Aceste informații valoroase pot duce la personalizare proactivă
oferte pentru clienți. Cercetătorii au dezvoltat un
cadru integrat pentru a ajuta băncile să obțină valoare din analiza rețelelor sociale. Acest lucru vă va ajuta să folosiți analizele prescriptive și predictive avansate bazate pe inteligență artificială pentru a dezvolta informații pentru hiperpersonalizarea experienței clienților. Luați în considerare un exemplu de
un client care postează comentarii pe Facebook despre anumite destinații turistice și interesul lor de a vizita aceste locuri. Aceasta este o oportunitate excelentă pentru bancă de a analiza postările și de a sugera oferte personalizate, cum ar fi împrumuturi personale, asigurări de călătorie și
oferte la biletele de călătorie.   

În aceste trei canale de clienți, datele necesare pentru predicții variază de la un canal la altul. Figura 1 oferă rezumatul datelor implicate în implicarea clienților pe fiecare canal. Vedem că există o complexitate mai mare a datelor în contact center
și canalele de social media din cauza datelor nestructurate.

Îmbogățiți experiențele clienților: calea de urmat

Am discutat despre modelele de învățare automată recomandate pentru diferitele canale de clienți. Deoarece seturile de date, tipurile de date și comportamentul utilizatorilor din fiecare canal sunt diferite, fiecare implicare a clienților este unică. Vedem o complexitate tot mai mare în modelele AI pe măsură ce ne mișcăm
de la canale web la canale de contact center la canale de social media. Băncile le pot lua în considerare în timp ce prioritizează și implementează modele de învățare automată pentru hiperpersonalizare.

Modelele de predicție bazate pe inteligență artificială care utilizează date în timp real arată foarte promițătoare. Oferă băncilor o oportunitate de a personaliza fiecare punct de contact cu clientul. Am deliberat asupra hiperpersonalizării pe cele trei canale și asupra valorii enorme care poate fi deblocată.
Acest lucru poate permite băncilor să se hiperpersonalizeze, să îmbunătățească caracterul persistent al clienților, rezultând o creștere semnificativă.