ИИ обеспечивает упреждающий гиперперсонализированный опыт для клиентов розничных банковских услуг (Senthil C)

Недавнее
исследование удовлетворенности Компания JD Power для розничных банков США обнаружила, что банки изо всех сил пытаются оправдать ожидания клиентов в отношении персонализации, и почти половина клиентов перешли к банковским отношениям, ориентированным на цифровые технологии. Сегодня ожидания
клиентов банковского сектора изменились и теперь ищут гиперперсонализированные предложения, подобные тем, которые предоставляют Netflix, Amazon и Starbucks. Гиперперсонализацию можно обеспечить за счет использования искусственного интеллекта (ИИ) и машинного обучения (МО).
данные в режиме реального времени и адаптация клиентского опыта. В этом блоге рассматриваются возможности использования моделей машинного обучения для гиперперсонализации обслуживания клиентов по всем каналам, а именно через контакт-центр, Интернет и социальные сети.

Изменение подхода к клиентскому опыту

Клиенты ожидают значимого и высоко персонализированного цифрового опыта для своих индивидуальных банковских потребностей. Банки могут прогнозировать эти потребности, лучше понимая своих клиентов – их цели, предпочтения и поведение в режиме реального времени и активно предоставляя услуги.
индивидуальные предложения. Рассмотрим сценарий, в котором клиент тратит больше денег, чем обычно, что может привести к тому, что у него будет недостаточно средств для предстоящего EMI. Что, если банк сможет прогнозировать расходы на основе прошлой тенденции расходов? Тогда банк может
заранее предупреждать клиента и предлагать скидки по потребительскому кредиту. Такой активный, контекстуальный и персонализированный опыт, инициированный банком, может углубить отношения с клиентами.

Учитывая, что эта тема была интересна в недавнем прошлом, давайте рассмотрим, как исследования AI/ML применяются независимо к трем различным каналам клиентов, а затем сравним три подхода.

Модели гиперперсонализации или рекомендаций на основе ИИ

1. Центр обслуживания клиентов: предсказание причины звонка клиента и выполнение упреждающего вмешательства привлекут клиентов. Исследователи разработали систему на основе искусственного интеллекта.
многозадачная нейронная сеть (ANN), чтобы предсказать намерение звонка клиента и впоследствии перевести клиента на цифровые каналы. Модель машинного обучения была обучена с использованием профиля клиента,
данные расшифровки звонков, журнал обслуживания клиентов и журнал транзакций. Цель состоит в том, чтобы предсказать, позвонит ли клиент в контакт-центр в ближайшем будущем, скажем, в течение следующих 10 дней.

Когда клиент звонит в систему IVR, персонализированная голосовая подсказка порекомендует соответствующие цифровые услуги на основе прогноза модели. Если клиент принимает рекомендацию, он перенаправляется на запуск чат-бота посредством SMS с URL-адресом.
Это приводит к гиперперсонализированному и эффективному обслуживанию клиентов. Рассмотрим сценарий, когда клиент внес чек, но сумма не была зачислена на его банковский счет даже через неделю. Клиент задаст вопрос, позвонив контактному лицу
центр. Модель машинного обучения предскажет цель звонка для этого конкретного клиента и перейдет на предпочитаемый им цифровой канал для соответствующего решения.

2. Веб-канал: Персонализация на основе поведения пользователей обычно выполняется с использованием алгоритмов интеллектуального анализа данных, но прогнозирование поведения пользователей для полной персонализации очень сложно. Это связано с часто меняющимися данными об использовании и изменением интересов пользователей.
Исследователи нашли новый разумный
веб-модель персонализации для рекомендации предпочтений пользователя. Модель машинного обучения прогнозирует веб-контент для пользователя и постоянно изучает поведение пользователя. Банки могут использовать эту модель, чтобы рекомендовать продукты, адаптированные для конкретного пользователя.

Вместо того, чтобы предлагать потребительские кредиты каждому клиенту, который заходит на их веб-сайт, банки могут персонализировать домашнюю страницу для своих клиентов на основе истории посещений и текущего этапа их жизни. Например, клиент с молодой семьей будет
больше заинтересованы в получении ипотечного кредита или автокредита или долгосрочных инвестиций. Клиенту, который скоро выходит на пенсию, может потребоваться помощь с планами выхода на пенсию и управления активами. Используя вышеуказанную модель искусственного интеллекта, банки могут динамически адаптировать веб-сайт, распознавая
клиента и предвидеть потребность.

3. Каналы социальных сетей: Эти платформы генерируют огромное количество данных, связанных с клиентами, включая данные о поведении, которые могут использоваться банками для более глубокого понимания потребностей клиентов. Эта ценная информация может привести к активному персонализированному
предложения для клиентов. Исследователи разработали
интегрированная структура помочь банкам извлечь выгоду из аналитики социальных сетей. Это поможет использовать передовую предписывающую и прогнозирующую аналитику на основе искусственного интеллекта для разработки идей для гиперперсонализированного обслуживания клиентов. Рассмотрим пример
клиент публикует комментарии на Facebook о конкретных туристических направлениях и о своем интересе к посещению этих мест. Это прекрасная возможность для банка проанализировать сообщения и предложить индивидуальные предложения, такие как потребительские кредиты, страхование путешествий и т. д.
предложения по проездным билетам.   

В этих трех клиентских каналах данные, необходимые для прогнозов, варьируются от одного канала к другому. На рисунке 1 представлена ​​сводка данных, связанных с взаимодействием с клиентами по каждому каналу. Мы видим, что в контакт-центре более высокая сложность данных.
и каналы социальных сетей из-за неструктурированных данных.

Повышение качества обслуживания клиентов: путь вперед

Мы обсудили модели машинного обучения, рекомендуемые для разных каналов клиентов. Поскольку наборы данных, типы данных и поведение пользователей в каждом канале различны, каждое взаимодействие с клиентом уникально. Мы видим растущую сложность моделей ИИ по мере нашего продвижения
от веб-каналов до каналов контакт-центра и каналов социальных сетей. Банки могут учитывать это при определении приоритетов и внедрении моделей машинного обучения для гиперперсонализации.

Модели прогнозирования на основе искусственного интеллекта, использующие данные в реальном времени, выглядят очень многообещающе. Это дает банкам возможность адаптировать каждую точку взаимодействия с клиентом. Мы обсудили гиперперсонализацию по трем каналам и огромную ценность, которую можно получить.
Это может позволить банкам осуществлять гиперперсонализацию, повысить лояльность клиентов, что приведет к значительному росту.