AI забезпечує проактивний гіперперсоналізований досвід для роздрібних банківських клієнтів (Senthil C)

Недавній
дослідження задоволеності JD Power для роздрібних банків США виявив, що банкам важко виправдати очікування клієнтів щодо персоналізації, і майже половина клієнтів перейшли до цифрових банківських відносин. Сьогодні очікування
банківських клієнтів змінилися, і тепер вони шукають гіперперсоналізовані пропозиції, такі як Netflix, Amazon і Starbucks. Гіперперсоналізація може бути досягнута шляхом використання штучного інтелекту (AI) і машинного навчання (ML) з
дані в реальному часі та адаптація клієнтського досвіду. У цьому блозі досліджуються можливості використання моделей машинного навчання для гіперперсоналізації взаємодії з клієнтами через канали обслуговування, а саме контакт-центр, Інтернет і соціальні мережі.

Зміна підходу до досвіду клієнтів

Клієнти очікують значущого та високоперсоналізованого цифрового досвіду для своїх індивідуальних банківських потреб. Банки можуть передбачити ці потреби, краще розуміючи своїх клієнтів – їхні цілі, уподобання та поведінку в режимі реального часу та завчасно надаючи
індивідуальні пропозиції. Розглянемо сценарій, коли клієнт витрачає більше грошей, ніж зазвичай, що може призвести до того, що він матиме недостатньо коштів для майбутнього EMI. Що робити, якщо банк може передбачити витрати на основі минулої тенденції витрат. Тоді банк може
завчасно повідомляти клієнта та пропонувати знижки на особистий кредит. Такий проактивний, контекстний і персоналізований досвід, ініційований банком, може поглибити відносини з клієнтами.

Враховуючи, що ця тема була цікавою в нещодавньому минулому, давайте дослідимо, як дослідження AI/ML застосовуються до трьох різних каналів клієнтів незалежно, а потім порівняємо три підходи.

Гіперперсоналізація або рекомендаційні моделі на основі ШІ

1. Колл-центр обслуговування клієнтів: Передбачити причину дзвінка клієнта та запобіжне втручання зацікавить клієнтів. Дослідники розробили на основі ШІ
багатозадачна нейронна мережа (ANN), щоб передбачити намір виклику клієнта та згодом перевести клієнта на цифрові канали. Модель машинного навчання було навчено з використанням профілю клієнта,
дані розшифровки розмов, журнал обслуговування клієнтів і журнал транзакцій. Мета полягає в тому, щоб передбачити, чи зателефонує клієнт до контакт-центру в найближчому майбутньому, скажімо, протягом наступних 10 днів.

Коли клієнт телефонує в систему IVR, персоналізована голосова підказка рекомендує відповідні цифрові послуги на основі прогнозу моделі. Якщо клієнт приймає рекомендацію, він перенаправляється для запуску чат-бота через SMS із URL-адресою.
Це призводить до гіперперсоналізованого та ефективного обслуговування клієнтів. Розглянемо сценарій, коли клієнт вніс чек, але сума не була зарахована на його банківський рахунок навіть через тиждень. Клієнт буде запитувати, зателефонувавши контакту
центр. Модель машинного навчання передбачала б мету дзвінка для цього конкретного клієнта та переходила до бажаного цифрового каналу для відповідного вирішення.

2. Веб-канал: Персоналізація на основі поведінки користувача зазвичай виконується за допомогою алгоритмів інтелектуального аналізу даних, але передбачити поведінку користувача для повної персоналізації дуже важко. Це пов’язано з частою зміною даних про використання та зміною інтересів користувачів.
Дослідники знайшли роман розумним
модель веб-персоналізації для рекомендації щодо переваг користувача. Модель машинного навчання передбачає веб-вміст для користувача та постійно вивчає поведінку користувача. Банки можуть використовувати модель, щоб рекомендувати продукти, адаптовані до конкретного користувача.

Замість того, щоб пропонувати особисті позики кожному клієнту, який заходить на їхній веб-сайт, банки можуть персоналізувати домашню сторінку для своїх клієнтів на основі історії веб-перегляду та їх поточного етапу життя. Наприклад, клієнт із молодою сім’єю буде
більше зацікавлені в іпотечному кредиті чи кредиті на автомобіль чи довгострокових інвестиціях. Клієнту, який незабаром виходить на пенсію, може знадобитися допомога з планами виходу на пенсію та управління капіталом. Використовуючи наведену вище модель ШІ, банки можуть динамічно адаптувати веб-сайт, розпізнаючи
клієнта та передбачення потреби.

3. Канали соціальних мереж: Ці платформи генерують велику кількість даних, пов’язаних із клієнтами, включаючи дані про поведінку, які можуть використовуватися банками для глибшого розуміння потреб клієнтів. Ці цінні відомості можуть привести до проактивної персоналізації
пропозиції для клієнтів. Дослідники розробили
інтегрована основа щоб допомогти банкам отримати користь від аналітики соціальних мереж. Це допоможе підключитися до розширеної наказової та прогнозної аналітики на основі штучного інтелекту, щоб розробити розуміння для гіперперсоналізації клієнтського досвіду. Розглянемо приклад
клієнт, який публікує коментарі на Facebook про конкретні туристичні напрямки та їх інтерес до відвідування цих місць. Це чудова можливість для банку проаналізувати публікації та запропонувати індивідуальні пропозиції, такі як особисті кредити, страхування подорожей і
пропозиції на проїзні квитки.   

У цих трьох каналах клієнтів дані, необхідні для прогнозів, відрізняються від одного каналу до іншого. На малюнку 1 подано зведення даних, які беруть участь у залученні клієнтів на кожному каналі. Ми бачимо, що в контакт-центрі є більша складність даних
і канали соціальних мереж через неструктуровані дані.

Збагачення досвіду клієнтів: шлях вперед

Ми обговорили моделі машинного навчання, рекомендовані для різних каналів клієнтів. Оскільки набори даних, типи даних і поведінка користувачів у кожному каналі різні, кожне залучення клієнта унікальне. Ми бачимо зростаючу складність моделей штучного інтелекту, коли ми рухаємося
від веб-каналів до каналів контакт-центру та каналів соціальних мереж. Банки можуть враховувати їх, визначаючи пріоритети та розгортаючи моделі машинного навчання для гіперперсоналізації.

Моделі прогнозування на основі штучного інтелекту з використанням даних у реальному часі виглядають дуже багатообіцяючими. Це дає можливість банкам адаптувати кожну точку взаємодії з клієнтом. Ми обговорювали гіперперсоналізацію в трьох каналах і величезну цінність, яку можна розблокувати.
Це може дозволити банкам гіперперсоналізувати, покращити постійність клієнтів, що призведе до значного зростання.