AI omogoča proaktivno hiperpersonalizirano izkušnjo za bančne stranke na drobno (Senthil C)

Nedavna
študija zadovoljstva avtor JD Power za ameriške maloprodajne banke je ugotovil, da imajo banke težave pri izpolnjevanju pričakovanj strank glede personalizacije in da se je skoraj polovica strank preselila na digitalno osredotočene bančne odnose. Danes pa pričakovanja
bančnih strank se je spremenilo, kjer zdaj iščejo hiperpersonalizirane ponudbe, kot so tiste, ki jih ponujajo Netflix, Amazon in Starbucks. Hiperpersonalizacijo je mogoče zagotoviti z uporabo umetne inteligence (AI) in strojnega učenja (ML) z
podatki v realnem času in prilagajanje izkušenj strank. Ta spletni dnevnik raziskuje priložnosti pri uporabi modelov ML za hiperpersonalizacijo uporabniške izkušnje prek kanalov strank, in sicer kontaktnega centra, spleta in družbenih medijev.

Sprememba pristopa k uporabniški izkušnji

Stranke pričakujejo smiselno in visoko personalizirano digitalno izkušnjo za svoje individualne bančne potrebe. Banke lahko predvidijo te potrebe tako, da bolje razumejo svoje stranke – njihove cilje, želje in vedenje v realnem času ter proaktivno zagotavljajo
prilagojene ponudbe. Razmislite o scenariju, v katerem stranka porabi več denarja kot običajno, zaradi česar bi lahko imela premalo sredstev za svoj prihajajoči EMI. Kaj pa, če zna banka predvideti stroške na podlagi preteklega trenda porabe. Banka lahko potem
proaktivno opozoriti stranko in ponuditi popuste pri osebnem posojilu. Takšna proaktivna, kontekstualna in personalizirana izkušnja, ki jo sproži banka, lahko poglobi odnose s strankami.

Glede na to, da je bila to zanimiva tema v nedavni preteklosti, raziščimo, kako se raziskave AI/ML neodvisno uporabljajo za tri različne kanale strank in nato primerjamo te tri pristope.

Hiperpersonalizacija ali modeli priporočil, ki temeljijo na AI

1. Klicni center za storitve za stranke: Predvidevanje razloga za klic stranke in izvajanje preventivnega posega bi pritegnilo stranke. Raziskovalci so razvili na osnovi AI
večopravilna nevronska mreža (ANN) za napovedovanje namere strankinega klica in naknadno selitev stranke na digitalne kanale. Model strojnega učenja je bil usposobljen z uporabo profila stranke,
podatki o prepisu klica, dnevnik servisiranja strank in dnevnik transakcij. Cilj je napovedati, ali bo stranka poklicala kontaktni center v bližnji prihodnosti, recimo v naslednjih 10 dneh.

Ko stranka pokliče sistem IVR, bo osebni glasovni poziv priporočil ustrezne digitalne storitve na podlagi predvidevanja modela. Če stranka sprejme priporočilo, je prek SMS-a z URL-jem preusmerjena na zagon chatbota.
Posledica tega je hiperpersonalizirana in učinkovita izkušnja s storitvami za stranke. Razmislite o scenariju, ko je stranka položila ček, vendar znesek ni bil pripisan na njen bančni račun niti po enem tednu. Stranka bi se pozanimala s klicem na kontakt
center. Model strojnega učenja bi predvidel namen klica za to specifično stranko in se premaknil na njihov želeni digitalni kanal za ustrezno ločljivost.

2. Spletni kanal: Personalizacija, ki temelji na vedenju uporabnika, se na splošno izvaja z uporabo algoritmov za rudarjenje podatkov, vendar je napovedovanje vedenja uporabnika za popolno personalizacijo zelo težko. To je posledica pogosto spreminjajočih se podatkov o uporabi s spreminjajočim se zanimanjem uporabnikov.
Raziskovalci so ugotovili, da je roman inteligenten
model spletne personalizacije za priporočilo uporabnikov. Model strojnega učenja predvideva spletno vsebino za uporabnika in se nenehno uči vedenja uporabnika. Banke lahko s pomočjo modela priporočajo produkte, prilagojene določenemu uporabniku.

Namesto da bi banke ponudile osebna posojila vsaki stranki, ki obišče njihovo spletno stran, lahko banke prilagodijo domačo stran svojim strankam glede na zgodovino brskanja in njihovo trenutno življenjsko obdobje. Na primer, stranka z mlado družino bi bila
bolj zainteresirani za najem hipoteke ali posojila za avto ali dolgoročne naložbe. Stranka, ki se bo kmalu upokojila, bo morda potrebovala pomoč pri načrtih za upokojitev in upravljanje premoženja. Z uporabo zgornjega modela umetne inteligence lahko banke dinamično prilagodijo spletno stran s prepoznavanjem
stranko in predvidevanje potreb.

3. Kanali družbenih medijev: Te platforme ustvarjajo veliko podatkov o strankah, vključno s podatki o vedenju, ki jih lahko banke uporabijo za globlje razumevanje potreb strank. Ti dragoceni vpogledi lahko vodijo do proaktivnega prilagajanja
ponudbe za stranke. Raziskovalci so razvili
integriran okvir za pomoč bankam pri pridobivanju vrednosti iz analitike družbenih medijev. To bo pomagalo izkoristiti napredno predpisano in napovedno analitiko, ki temelji na umetni inteligenci, da bi razvili vpoglede za hiperpersonalizacijo uporabniške izkušnje. Razmislite o primeru
stranka, ki na Facebooku objavlja komentarje o določenih turističnih destinacijah in njihovem zanimanju za obisk teh krajev. To je odlična priložnost za banko, da analizira objave in predlaga prilagojene ponudbe, kot so osebna posojila, potovalno zavarovanje in
ponudbe za potovalne karte.   

V teh treh kanalih strank se podatki, potrebni za napovedi, razlikujejo od enega kanala do drugega. Slika 1 prikazuje povzetek podatkov, vključenih v sodelovanje strank na vsakem kanalu. Vidimo, da je v kontaktnem centru večja kompleksnost podatkov
in kanale družbenih medijev zaradi nestrukturiranih podatkov.

Obogatite izkušnje strank: pot naprej

Razpravljali smo o modelih strojnega učenja, priporočenih za različne kanale strank. Ker so nabori podatkov, tipi podatkov in vedenje uporabnikov v vsakem kanalu različni, je vsaka dejavnost stranke edinstvena. Med premikanjem opažamo vse večjo kompleksnost modelov AI
od spletnih kanalov do kanalov kontaktnih centrov do kanalov družbenih medijev. Banke lahko to upoštevajo, medtem ko dajejo prednost in uvajajo modele strojnega učenja za hiperpersonalizacijo.

Modeli napovedovanja, ki temeljijo na AI in uporabljajo podatke v realnem času, so zelo obetavni. Bankam omogoča, da prilagodijo vsako stično točko stranke. Razmišljali smo o hiperpersonalizaciji v treh kanalih in o ogromni vrednosti, ki jo je mogoče odkleniti.
To lahko bankam omogoči hiperpersonalizacijo, izboljša vztrajnost strank, kar povzroči znatno rast.