AI, perakende bankacılık müşterileri için proaktif hiper kişiselleştirilmiş deneyimi destekliyor (Senthil C)

son zamanlarda
memnuniyet çalışması ABD perakende bankaları için JD Power tarafından hazırlanan araştırma, bankaların kişiselleştirme konusunda müşteri beklentilerini karşılamakta zorlandığını ve müşterilerin neredeyse yarısının dijital merkezli bankacılık ilişkilerine geçtiğini ortaya çıkardı. Bugün beklentiler
Bankacılık müşterilerinin oranı değişti ve artık Netflix, Amazon ve Starbucks tarafından sağlananlar gibi son derece kişiselleştirilmiş teklifler arıyorlar. Hiper kişiselleştirme, yapay zeka (AI) ve makine öğreniminden (ML) yararlanılarak sağlanabilir.
gerçek zamanlı veriler ve müşteri deneyimlerinin uyarlanması. Bu blog, iletişim merkezi, web ve sosyal medya gibi müşteri kanalları genelinde müşteri deneyimini son derece kişiselleştirmek için makine öğrenimi modellerinden yararlanma fırsatlarını araştırıyor.

Müşteri deneyimi yaklaşımında değişim

Müşteriler, bireysel bankacılık ihtiyaçları için anlamlı ve son derece kişiselleştirilmiş bir dijital deneyim bekliyor. Bankalar, müşterilerinin hedeflerini, tercihlerini ve davranışlarını daha iyi anlayarak ve gerçek zamanlı olarak bu ihtiyaçları proaktif bir şekilde karşılayarak bu ihtiyaçları tahmin edebilir.
özel teklifler. Bir müşterinin normalden daha fazla para harcadığı ve bu durumun yaklaşan EMI için yeterli fona sahip olmamasına yol açabileceği bir senaryoyu düşünün. Peki ya banka geçmiş harcama eğilimine dayanarak harcamaları tahmin edebiliyorsa? Banka daha sonra
müşteriyi proaktif olarak uyarır ve bireysel kredide indirimler sunar. Bankanın başlattığı bu tür proaktif, bağlamsal ve kişiselleştirilmiş bir deneyim, müşteri ilişkilerini derinleştirebilir.

Bunun yakın geçmişte bir ilgi konusu olduğunu düşünürsek, AI/ML araştırmasının üç farklı müşteri kanalına bağımsız olarak nasıl uygulandığını inceleyelim ve ardından üç yaklaşımı karşılaştıralım.

AI tabanlı hiper kişiselleştirme veya öneri modelleri

1. Müşteri hizmetleri çağrı merkezi: Bir müşteri aramasının sebebini tahmin etmek ve önleyici müdahale yapmak müşterileri cezbeder. Araştırmacılar yapay zeka tabanlı bir
çok görevli Sinir Ağı (ANN), bir müşterinin aramasının amacını tahmin etmek ve ardından müşteriyi dijital kanallara taşımak için kullanılır. Makine öğrenimi modeli müşterinin profili kullanılarak eğitildi,
çağrı transkripti verileri, müşteri hizmetleri günlüğü ve işlem günlüğü. Amaç, müşterinin yakın gelecekte, örneğin önümüzdeki 10 gün içinde iletişim merkezini arayıp aramayacağını tahmin etmektir.

Müşteri IVR sistemini aradığında kişiselleştirilmiş bir sesli uyarı, modelin tahminine dayalı olarak ilgili dijital hizmetleri önerecektir. Müşteri öneriyi kabul ederse, URL içeren bir SMS aracılığıyla bir sohbet robotu başlatmaya yönlendirilir.
Bu, son derece kişiselleştirilmiş ve verimli müşteri hizmetleri deneyimiyle sonuçlanır. Bir müşterinin çeki yatırdığı ancak tutarın bir hafta geçmesine rağmen banka hesabına aktarılmadığı bir senaryoyu düşünün. Müşteri, kişiyi arayarak bilgi alır
merkez. Makine öğrenimi modeli, bu belirli müşteriye yönelik çağrının amacını tahmin edecek ve uygun bir çözünürlük için tercih ettikleri dijital kanala geçecektir.

2. Web kanalı: Kullanıcı davranışına dayalı kişiselleştirme genellikle veri madenciliği algoritmaları kullanılarak yapılır ancak tam kişiselleştirme için kullanıcı davranışı tahmini çok zordur. Bunun nedeni, değişen kullanıcı ilgisiyle birlikte kullanım verilerinin sık sık değişmesidir.
Araştırmacılar yeni bir akıllı buldu
web kişiselleştirme modeli kullanıcı tercihi önerisi için. Makine öğrenimi modeli, kullanıcı için web içeriğini tahmin eder ve kullanıcı davranışını sürekli olarak öğrenir. Bankalar, modeli belirli bir kullanıcıya özel ürünler önermek için kullanabilir.

Bankalar, web sitelerine giren her müşteriye bireysel kredi vermek yerine, müşterilerinin ana sayfasını gezinme geçmişine ve mevcut yaşam evrelerine göre kişiselleştirebiliyor. Örneğin, genç bir ailesi olan bir müşteri
ipotek veya araba kredisi almak veya uzun vadeli yatırımlarla daha fazla ilgileniyorum. Yakında emekli olacak bir müşterinin emeklilik ve servet yönetimi planlarıyla ilgili yardıma ihtiyacı olabilir. Yukarıdaki yapay zeka modelini kullanarak bankalar, web sitesini dinamik olarak uyarlayabilir.
Müşteri ve ihtiyacı tahmin etmek.

3. Sosyal medya kanalları: Bu platformlar, müşterilerin ihtiyaçlarını daha derinlemesine anlamak için bankalar tarafından kullanılabilecek davranışsal veriler de dahil olmak üzere müşteriyle ilgili zengin miktarda veri üretir. Bu değerli bilgiler proaktif kişiselleştirilmiş çözümlere yol açabilir
müşterilere yönelik teklifler. Araştırmacılar bir geliştirdi
entegre çerçeve Bankaların sosyal medya analizlerinden değer elde etmelerine yardımcı olmak. Bu, müşteri deneyiminin son derece kişiselleştirilmesine yönelik içgörüler geliştirmek için gelişmiş yapay zeka tabanlı kuralcı ve tahmine dayalı analitiklerden yararlanmaya yardımcı olacaktır. Bir örnek düşünün
Belirli turistik yerler ve bu yerleri ziyaret etme konusundaki ilgileri hakkında Facebook'ta yorum yazan bir müşteri. Bu, bankanın gönderileri analiz etmesi ve kişisel krediler, seyahat sigortası ve benzeri özel teklifler önermesi için harika bir fırsattır.
seyahat biletleri teklifleri.   

Bu üç müşteri kanalında tahminler için gereken veriler kanaldan kanala değişiklik göstermektedir. Şekil 1'de her kanaldaki müşteri etkileşimine ilişkin verilerin özeti verilmektedir. İletişim merkezinde veri karmaşıklığının daha yüksek olduğunu görüyoruz
ve yapılandırılmamış veriler nedeniyle sosyal medya kanalları.

Müşteri deneyimlerini zenginleştirin: İleriye giden yol

Farklı müşteri kanalları için önerilen makine öğrenimi modellerini ele aldık. Her kanaldaki veri kümeleri, veri türleri ve kullanıcı davranışları farklı olduğundan her müşteri etkileşimi benzersizdir. Hareket ettikçe yapay zeka modellerinde artan karmaşıklığı görüyoruz
web kanallarından iletişim merkezi kanallarına ve sosyal medya kanallarına. Bankalar, hiper kişiselleştirme için makine öğrenimi modellerini önceliklendirirken ve dağıtırken bunları dikkate alabilir.

Gerçek zamanlı verileri kullanan yapay zeka tabanlı tahmin modelleri oldukça umut verici görünüyor. Bankalara her müşteri temas noktasını uyarlama fırsatı sağlar. Üç kanaldaki hiper kişiselleştirme ve açılabilecek muazzam değer üzerinde tartıştık.
Bu, bankaların aşırı kişiselleştirme yapmasına, müşteri bağlılığını artırmasına ve bunun sonucunda önemli bir büyüme sağlamasına olanak sağlayabilir.