เมื่อเร็ว ๆ นี้
การศึกษาความพึงพอใจ โดย JD Power สำหรับธนาคารเพื่อรายย่อยในสหรัฐฯ พบว่าธนาคารต่างๆ ประสบปัญหาในการส่งมอบความคาดหวังของลูกค้าในด้านการปรับเปลี่ยนเฉพาะบุคคล และลูกค้าเกือบครึ่งหนึ่งได้เปลี่ยนไปใช้ความสัมพันธ์ทางการเงินที่เน้นดิจิทัลเป็นหลัก วันนี้ความคาดหวัง
ของลูกค้าธนาคารได้เปลี่ยนไป โดยขณะนี้พวกเขากำลังมองหาข้อเสนอที่เจาะจงเฉพาะบุคคล เช่นข้อเสนอจาก Netflix, Amazon และ Starbucks Hyper-personalization สามารถส่งมอบได้โดยการควบคุมปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) ด้วย
ข้อมูลแบบเรียลไทม์และปรับแต่งประสบการณ์ของลูกค้า บล็อกนี้สำรวจโอกาสในการใช้ประโยชน์จากโมเดล ML เพื่อปรับเปลี่ยนประสบการณ์ของลูกค้าให้เป็นแบบเฉพาะบุคคลผ่านช่องทางต่างๆ ของลูกค้า ได้แก่ ศูนย์ติดต่อ เว็บ และโซเชียลมีเดีย
เปลี่ยนวิธีการสร้างประสบการณ์ของลูกค้า
ลูกค้าคาดหวังประสบการณ์ดิจิทัลที่มีความหมายและเป็นส่วนตัวสูงสำหรับความต้องการด้านการธนาคารของแต่ละบุคคล ธนาคารสามารถคาดการณ์ความต้องการเหล่านี้ได้ด้วยการทำความเข้าใจลูกค้าให้ดีขึ้น ทั้งเป้าหมาย ความชอบ และพฤติกรรมแบบเรียลไทม์ และส่งมอบในเชิงรุก
ข้อเสนอที่ปรับแต่ง พิจารณาสถานการณ์ที่ลูกค้าใช้จ่ายเงินมากกว่าปกติ ซึ่งอาจทำให้พวกเขามีเงินทุนไม่เพียงพอสำหรับ EMI ที่กำลังจะมาถึง จะเป็นอย่างไรหากธนาคารสามารถคาดการณ์ค่าใช้จ่ายตามแนวโน้มการใช้จ่ายในอดีตได้ ธนาคารได้แล้ว
แจ้งเตือนลูกค้าเชิงรุกและเสนอส่วนลดสินเชื่อส่วนบุคคล ประสบการณ์เชิงรุกตามบริบทและเป็นส่วนตัวที่ริเริ่มโดยธนาคารสามารถกระชับความสัมพันธ์กับลูกค้าให้แน่นแฟ้นยิ่งขึ้น
เมื่อพิจารณาว่านี่เป็นหัวข้อที่น่าสนใจในช่วงที่ผ่านมา ลองสำรวจว่าการวิจัย AI/ML นำไปใช้กับช่องทางลูกค้าที่แตกต่างกันสามช่องทางแยกกันอย่างไร แล้วเปรียบเทียบทั้งสามแนวทาง
การปรับให้เป็นส่วนตัวแบบไฮเปอร์อิงตาม AI หรือโมเดลคำแนะนำ
1.ศูนย์บริการลูกค้าสัมพันธ์: การคาดคะเนเหตุผลในการโทรหาลูกค้าและทำการแทรกแซงล่วงหน้าจะดึงดูดลูกค้า นักวิจัยได้พัฒนาระบบ AI
โครงข่ายประสาทเทียมแบบมัลติทาสก์ (ANN) เพื่อคาดการณ์ความตั้งใจในการโทรของลูกค้า แล้วจึงย้ายลูกค้าไปยังช่องทางดิจิทัล โมเดลการเรียนรู้ของเครื่องได้รับการฝึกอบรมโดยใช้โปรไฟล์ของลูกค้า
ข้อมูลบันทึกการโทร บันทึกการบริการลูกค้า และบันทึกธุรกรรม มีวัตถุประสงค์เพื่อคาดการณ์ว่าลูกค้าจะโทรติดต่อ Contact Center ในอนาคตอันใกล้นี้หรือไม่ กล่าวคือ ภายใน 10 วันข้างหน้า
เมื่อลูกค้าโทรหาระบบ IVR เสียงเตือนส่วนบุคคลจะแนะนำบริการดิจิทัลที่เกี่ยวข้องตามการคาดการณ์ของโมเดล หากลูกค้ายอมรับคำแนะนำ พวกเขาจะถูกเปลี่ยนเส้นทางเพื่อเปิดใช้แชทบอทผ่าน SMS พร้อม URL
ส่งผลให้เกิดประสบการณ์การบริการลูกค้าที่เป็นส่วนตัวและมีประสิทธิภาพ พิจารณาสถานการณ์เมื่อลูกค้าฝากเช็คแต่จำนวนเงินไม่ได้รับการโอนเข้าบัญชีธนาคารของพวกเขาแม้จะผ่านไปหนึ่งสัปดาห์แล้วก็ตาม ลูกค้าจะสอบถามโดยโทรติดต่อ
ศูนย์. โมเดลการเรียนรู้ของเครื่องจะคาดการณ์จุดประสงค์ของการโทรสำหรับลูกค้ารายนี้ และย้ายไปยังช่องทางดิจิทัลที่ต้องการเพื่อให้ได้วิธีแก้ปัญหาที่เหมาะสม
2. ช่องทางเว็บ: โดยทั่วไปแล้ว การปรับเปลี่ยนในแบบของคุณตามพฤติกรรมของผู้ใช้นั้นทำได้โดยใช้อัลกอริธึมการขุดข้อมูล แต่การคาดการณ์พฤติกรรมผู้ใช้สำหรับการปรับแต่งแบบเต็มรูปแบบนั้นทำได้ยากมาก เนื่องจากข้อมูลการใช้งานเปลี่ยนแปลงบ่อยครั้งพร้อมกับความสนใจของผู้ใช้ที่เปลี่ยนไป
นักวิจัยได้ค้นพบนวนิยายอัจฉริยะ
รูปแบบการปรับแต่งเว็บ สำหรับคำแนะนำการตั้งค่าของผู้ใช้ โมเดลแมชชีนเลิร์นนิงคาดการณ์เนื้อหาเว็บสำหรับผู้ใช้และเรียนรู้พฤติกรรมของผู้ใช้อย่างต่อเนื่อง ธนาคารสามารถใช้แบบจำลองเพื่อแนะนำผลิตภัณฑ์ที่เหมาะกับผู้ใช้เฉพาะราย
แทนที่จะเสนอสินเชื่อส่วนบุคคลให้กับลูกค้าทุกคนที่เข้ามายังเว็บไซต์ ธนาคารสามารถปรับแต่งหน้าแรกสำหรับลูกค้าตามประวัติการเข้าชมและช่วงชีวิตปัจจุบันของลูกค้าได้ เช่น ลูกค้าที่มีครอบครัวเล็กก็จะเป็น
สนใจสินเชื่อจำนอง สินเชื่อรถยนต์ หรือลงทุนระยะยาวมากกว่า ลูกค้าที่จะเกษียณเร็วๆ นี้อาจต้องการความช่วยเหลือเกี่ยวกับแผนการเกษียณอายุและการบริหารความมั่งคั่ง การใช้โมเดล AI ข้างต้นทำให้ธนาคารสามารถปรับแต่งเว็บไซต์แบบไดนามิกได้โดยการจดจำ
ลูกค้าและคาดการณ์ความต้องการ
3. ช่องทางโซเชียลมีเดีย: แพลตฟอร์มเหล่านี้สร้างข้อมูลที่เกี่ยวข้องกับลูกค้ามากมาย รวมถึงข้อมูลพฤติกรรมที่ธนาคารสามารถนำมาใช้เพื่อทำความเข้าใจความต้องการของลูกค้าได้อย่างลึกซึ้งยิ่งขึ้น ข้อมูลเชิงลึกที่มีคุณค่าเหล่านี้สามารถนำไปสู่การปรับเปลี่ยนเฉพาะบุคคลในเชิงรุกได้
ข้อเสนอสำหรับลูกค้า นักวิจัยได้พัฒนาก
กรอบบูรณาการ เพื่อช่วยให้ธนาคารได้รับคุณค่าจากการวิเคราะห์โซเชียลมีเดีย สิ่งนี้จะช่วยในการใช้ประโยชน์จากการวิเคราะห์เชิงกำหนดและเชิงคาดการณ์ขั้นสูงที่ใช้ AI เพื่อพัฒนาข้อมูลเชิงลึกสำหรับประสบการณ์ของลูกค้าที่มีความเป็นส่วนตัวสูง ลองพิจารณาตัวอย่าง
ลูกค้าโพสต์ความคิดเห็นบน Facebook เกี่ยวกับสถานที่ท่องเที่ยวเฉพาะและความสนใจในการเยี่ยมชมสถานที่เหล่านี้ นี่เป็นโอกาสที่ดีสำหรับธนาคารในการวิเคราะห์โพสต์และแนะนำข้อเสนอที่ปรับให้เหมาะสม เช่น สินเชื่อส่วนบุคคล ประกันการเดินทาง และ
ข้อเสนอเกี่ยวกับตั๋วเดินทาง
ในช่องทางลูกค้าทั้งสามนี้ ข้อมูลที่จำเป็นสำหรับการคาดการณ์จะแตกต่างกันไปในแต่ละช่องทาง รูปที่ 1 สรุปข้อมูลที่เกี่ยวข้องกับการมีส่วนร่วมของลูกค้าในแต่ละช่องทาง เราเห็นว่ามีความซับซ้อนของข้อมูลที่สูงขึ้นในศูนย์ติดต่อ
และช่องทางโซเชียลมีเดียเนื่องจากข้อมูลที่ไม่มีโครงสร้าง
เติมเต็มประสบการณ์ของลูกค้า: หนทางข้างหน้า
เราได้พูดคุยถึงโมเดลการเรียนรู้ของเครื่องที่แนะนำสำหรับช่องทางลูกค้าที่แตกต่างกัน เนื่องจากชุดข้อมูล ประเภทข้อมูล และพฤติกรรมผู้ใช้ในแต่ละช่องทางแตกต่างกัน การมีส่วนร่วมของลูกค้าทุกครั้งจึงไม่ซ้ำกัน เราเห็นความซับซ้อนที่เพิ่มขึ้นในโมเดล AI ขณะที่เราเคลื่อนไหว
จากช่องทางเว็บไปจนถึงช่องทางศูนย์ติดต่อไปจนถึงช่องทางโซเชียลมีเดีย ธนาคารสามารถพิจารณาสิ่งเหล่านี้ในขณะที่จัดลำดับความสำคัญและปรับใช้โมเดลการเรียนรู้ของเครื่องเพื่อการปรับเปลี่ยนเฉพาะบุคคลแบบไฮเปอร์ส่วนบุคคล
แบบจำลองการคาดการณ์ที่ใช้ AI ซึ่งใช้ข้อมูลแบบเรียลไทม์ดูมีความหวังมาก เป็นโอกาสสำหรับธนาคารในการปรับแต่งทุกจุดสัมผัสของลูกค้า เราได้พิจารณาถึงการปรับเปลี่ยนในแบบเฉพาะบุคคลขั้นสูงในทั้งสามช่องทางและมูลค่ามหาศาลที่สามารถปลดล็อคได้
สิ่งนี้สามารถช่วยให้ธนาคารต่างๆ สามารถปรับแต่งความเป็นส่วนตัวได้มากขึ้น ปรับปรุงความเหนียวแน่นของลูกค้า ส่งผลให้เกิดการเติบโตอย่างมีนัยสำคัญ
