AI driver en proaktiv hyperpersonlig upplevelse för bankkunder inom detaljhandeln (Senthil C)

En nyligen
tillfredsställelsestudie av J.D. Power för amerikanska detaljhandelsbanker fann att banker har kämpat för att uppfylla kundernas förväntningar på personalisering och nästan hälften av kunderna har övergått till digitalt centrerade bankrelationer. Idag är förväntningarna
av bankkunder har förändrats, där de nu letar efter hyperanpassade erbjudanden som de som tillhandahålls av Netflix, Amazon och Starbucks. Hyperpersonalisering kan levereras genom att utnyttja artificiell intelligens (AI) och maskininlärning (ML) med
realtidsdata och skräddarsy kundupplevelser. Den här bloggen utforskar möjligheterna att utnyttja ML-modeller för att hyperpersonifiera kundupplevelsen över kundkanaler, nämligen kontaktcenter, webb och sociala medier.

Förändring i synsätt på kundupplevelse

Kunder förväntar sig en meningsfull och mycket personlig digital upplevelse för deras individuella bankbehov. Banker kan förutsäga dessa behov genom att bättre förstå sina kunder - deras mål, preferenser och beteenden i realtid och proaktivt leverera
skräddarsydda erbjudanden. Tänk på ett scenario där en kund spenderar mer pengar än vanligt vilket kan leda till att de inte har tillräckligt med pengar för sitt kommande EMI. Tänk om banken kan förutsäga kostnaderna baserat på den tidigare utgiftstrenden. Banken kan då
proaktivt varna kunden och erbjuda rabatter på ett privatlån. En sådan proaktiv, kontextuell och personlig upplevelse initierad av banken kan fördjupa kundrelationerna.

Med tanke på att detta har varit ett ämne av intresse på senare tid, låt oss utforska hur AI/ML-forskning tillämpas på tre olika kundkanaler oberoende och sedan jämföra de tre tillvägagångssätten.

AI-baserade hyperpersonaliserings- eller rekommendationsmodeller

1. Kundtjänst callcenter: Att förutsäga orsaken till ett kundsamtal och utföra förebyggande åtgärder skulle locka kunder. Forskare har utvecklat en AI-baserad
multi-task neurala nätverk (ANN) för att förutsäga en kunds samtals avsikt och därefter migrera kunden till digitala kanaler. Maskininlärningsmodellen tränades med hjälp av kundens profil,
samtalsutskriftsdata, kundtjänstlogg och transaktionslogg. Målet är att förutsäga om kunden kommer att ringa kontaktcentret inom den närmaste framtiden, till exempel inom de närmaste 10 dagarna.

När kunden ringer IVR-systemet kommer en personlig röstuppmaning att rekommendera relevanta digitala tjänster baserat på modellens förutsägelse. Om kunden accepterar rekommendationen omdirigeras de till att starta en chatbot via ett SMS med en URL.
Detta resulterar i en hyperpersonlig och effektiv kundtjänstupplevelse. Tänk på ett scenario när en kund har satt in en check men beloppet inte har krediterats på deras bankkonto ens efter en vecka. Kunden skulle fråga genom att ringa kontakten
Centrum. Maskininlärningsmodellen skulle förutsäga samtalets avsikt för denna specifika kund och flytta till deras föredragna digitala kanal för en lämplig lösning.

2. Webbkanal: Personalisering baserad på användarbeteende görs i allmänhet med hjälp av datautvinningsalgoritmer, men förutsägelse av användarbeteende för fullständig personalisering är mycket svårt. Detta beror på att användningsdata ofta ändras med ändrat användarintresse.
Forskare har hittat en intelligent roman
webbpersonaliseringsmodell för användarpreferenser. Maskininlärningsmodellen förutsäger webbinnehållet för användaren och lär sig användarens beteende kontinuerligt. Banker kan använda modellen för att rekommendera produkter som är skräddarsydda för en specifik användare.

Istället för att erbjuda personliga lån till varje kund som går in på deras hemsida, kan bankerna anpassa hemsidan för sina kunder utifrån webbhistoriken och deras nuvarande livsstadium. Till exempel skulle en kund med en ung familj vara det
mer intresserad av att ta ett bolån eller billån eller långsiktiga investeringar. En kund som snart går i pension kan behöva hjälp med pensions- och förmögenhetsplaner. Med hjälp av ovanstående AI-modell kan banker skräddarsy webbplatsen dynamiskt genom att känna igen
kund och förutse behovet.

3. Sociala mediekanaler: Dessa plattformar genererar en mängd kundrelaterad data inklusive beteendedata som kan användas av banker för att få en djupare förståelse för kundernas behov. Dessa värdefulla insikter kan leda till proaktiv personaliserad
erbjudanden till kunder. Forskare har utvecklat en
integrerat ramverk för att hjälpa banker att hämta värde från analyser av sociala medier. Detta kommer att hjälpa till att utnyttja avancerad AI-baserad föreskrivande och prediktiv analys för att utveckla insikter för att hyperpersonalisera kundupplevelsen. Ta ett exempel på
en kund som lägger upp kommentarer på Facebook om specifika turistmål och deras intresse för att besöka dessa platser. Detta är ett utmärkt tillfälle för banken att analysera inläggen och föreslå skräddarsydda erbjudanden som personliga lån, reseförsäkringar och
erbjudanden på resebiljetter.   

I dessa tre kundkanaler varierar den data som krävs för prognoserna från en kanal till en annan. Figur 1 ger en sammanfattning av de data som är involverade i kundengagemang på varje kanal. Vi ser att det finns högre datakomplexitet i kontaktcenter
och sociala mediekanaler på grund av ostrukturerad data.

Berika kundupplevelser: Vägen framåt

Vi diskuterade de maskininlärningsmodeller som rekommenderas för olika kundkanaler. Eftersom datamängder, datatyper och användarbeteende i varje kanal är olika, är varje kundengagemang unik. Vi ser en ökande komplexitet i AI-modeller när vi rör oss
från webbkanaler till kontaktcenterkanaler till sociala mediekanaler. Bankerna kan överväga dessa samtidigt som de prioriterar och distribuerar maskininlärningsmodeller för hyperpersonalisering.

AI-baserade förutsägelsemodeller som använder realtidsdata ser mycket lovande ut. Det ger en möjlighet för banker att skräddarsy varje kundkontaktpunkt. Vi diskuterade hyperpersonalisering över de tre kanalerna och det enorma värdet som kan låsas upp.
Detta kan göra det möjligt för banker att hyperpersonalisera, förbättra kundernas klibbighet vilket resulterar i betydande tillväxt.