AI hỗ trợ trải nghiệm siêu cá nhân hóa chủ động cho khách hàng ngân hàng bán lẻ (Senthil C)

Mới đây
nghiên cứu sự hài lòng của JD Power dành cho các ngân hàng bán lẻ Hoa Kỳ nhận thấy rằng các ngân hàng đã gặp khó khăn trong việc đáp ứng kỳ vọng của khách hàng về việc cá nhân hóa và gần một nửa số khách hàng đã chuyển sang các mối quan hệ ngân hàng tập trung vào kỹ thuật số. Ngày nay, những kỳ vọng
của khách hàng ngân hàng đã thay đổi, nơi họ hiện đang tìm kiếm các ưu đãi siêu cá nhân hóa như các ưu đãi do Netflix, Amazon và Starbucks cung cấp. Siêu cá nhân hóa có thể được thực hiện bằng cách khai thác trí tuệ nhân tạo (AI) và học máy (ML) với
dữ liệu thời gian thực và điều chỉnh trải nghiệm của khách hàng. Blog này khám phá các cơ hội trong việc tận dụng các mô hình ML để cá nhân hóa trải nghiệm khách hàng trên các kênh khách hàng, cụ thể là trung tâm liên hệ, web và mạng xã hội.

Thay đổi trong cách tiếp cận trải nghiệm khách hàng

Khách hàng mong đợi trải nghiệm kỹ thuật số có ý nghĩa và được cá nhân hóa cao cho nhu cầu ngân hàng cá nhân của họ. Các ngân hàng có thể dự đoán những nhu cầu này bằng cách hiểu rõ hơn về khách hàng của mình - mục tiêu, sở thích và hành vi của họ trong thời gian thực và chủ động cung cấp
dịch vụ phù hợp. Hãy xem xét tình huống trong đó khách hàng chi nhiều tiền hơn bình thường, điều này có thể dẫn đến việc họ không đủ tiền cho EMI sắp tới. Điều gì sẽ xảy ra nếu ngân hàng có thể dự đoán chi phí dựa trên xu hướng chi tiêu trong quá khứ? Khi đó ngân hàng có thể
chủ động cảnh báo khách hàng và đưa ra chiết khấu cho khoản vay cá nhân. Trải nghiệm chủ động, theo ngữ cảnh và cá nhân hóa như vậy do ngân hàng khởi xướng có thể làm sâu sắc thêm mối quan hệ với khách hàng.

Vì đây là một chủ đề được quan tâm trong thời gian gần đây, chúng ta hãy khám phá cách nghiên cứu AI/ML được áp dụng độc lập cho ba kênh khách hàng khác nhau và sau đó so sánh ba phương pháp.

Các mô hình đề xuất hoặc siêu cá nhân hóa dựa trên AI

1. Tổng đài chăm sóc khách hàng: Dự đoán lý do cuộc gọi của khách hàng và thực hiện can thiệp phủ đầu sẽ thu hút khách hàng. Các nhà nghiên cứu đã phát triển một ứng dụng dựa trên AI
Mạng nơ-ron đa tác vụ (ANN) để dự đoán ý định cuộc gọi của khách hàng và sau đó chuyển khách hàng sang các kênh kỹ thuật số. Mô hình học máy được đào tạo bằng cách sử dụng hồ sơ của khách hàng,
dữ liệu bảng điểm cuộc gọi, nhật ký dịch vụ khách hàng và nhật ký giao dịch. Mục tiêu là dự đoán liệu khách hàng có gọi cho trung tâm liên lạc trước mắt hay không, chẳng hạn như trong vòng 10 ngày tới.

Khi khách hàng gọi đến hệ thống IVR, lời nhắc bằng giọng nói được cá nhân hóa sẽ đề xuất các dịch vụ kỹ thuật số có liên quan dựa trên dự đoán của mô hình. Nếu khách hàng chấp nhận đề xuất, họ sẽ được chuyển hướng để khởi chạy chatbot thông qua SMS có URL.
Điều này dẫn đến trải nghiệm dịch vụ khách hàng siêu cá nhân hóa và hiệu quả. Hãy xem xét tình huống khi một khách hàng đã gửi séc nhưng số tiền này vẫn chưa được ghi có vào tài khoản ngân hàng của họ thậm chí sau một tuần. Khách hàng sẽ hỏi bằng cách gọi đến số liên lạc
trung tâm. Mô hình học máy sẽ dự đoán ý định cuộc gọi đối với khách hàng cụ thể này và chuyển sang kênh kỹ thuật số ưa thích của họ để có giải pháp phù hợp.

2. Kênh web: Việc cá nhân hóa dựa trên hành vi của người dùng thường được thực hiện bằng thuật toán khai thác dữ liệu, nhưng việc dự đoán hành vi của người dùng để cá nhân hóa hoàn toàn là rất khó. Điều này là do dữ liệu sử dụng thường xuyên thay đổi cùng với sự thay đổi sở thích của người dùng.
Các nhà nghiên cứu đã tìm thấy một cuốn tiểu thuyết thông minh
mô hình cá nhân hóa web cho khuyến nghị tùy chọn người dùng. Mô hình học máy dự đoán nội dung trang web cho người dùng và liên tục tìm hiểu hành vi của người dùng. Các ngân hàng có thể sử dụng mô hình này để giới thiệu các sản phẩm phù hợp với một người dùng cụ thể.

Thay vì cung cấp các khoản vay cá nhân cho mọi khách hàng truy cập trang web của họ, các ngân hàng có thể cá nhân hóa trang chủ cho khách hàng dựa trên lịch sử duyệt web và giai đoạn cuộc sống hiện tại của họ. Ví dụ: một khách hàng có gia đình trẻ sẽ
quan tâm nhiều hơn đến việc thế chấp, vay mua ô tô hoặc đầu tư dài hạn. Một khách hàng sắp nghỉ hưu có thể cần trợ giúp về kế hoạch nghỉ hưu và quản lý tài sản. Sử dụng mô hình AI ở trên, các ngân hàng có thể điều chỉnh trang web một cách linh hoạt bằng cách nhận dạng
khách hàng và dự đoán nhu cầu.

3. Các kênh mạng xã hội: Các nền tảng này tạo ra vô số dữ liệu liên quan đến khách hàng, bao gồm cả dữ liệu hành vi mà ngân hàng có thể sử dụng để hiểu sâu hơn về nhu cầu của khách hàng. Những hiểu biết có giá trị này có thể dẫn đến việc cá nhân hóa chủ động
chào hàng dành cho khách hàng. Các nhà nghiên cứu đã phát triển một
khuôn khổ tích hợp để giúp các ngân hàng thu được giá trị từ phân tích truyền thông xã hội. Điều này sẽ giúp khai thác các phân tích dự đoán và quy định dựa trên AI tiên tiến để phát triển những hiểu biết sâu sắc về trải nghiệm khách hàng siêu cá nhân hóa. Hãy xem xét một ví dụ về
một khách hàng đăng bình luận trên Facebook về các địa điểm du lịch cụ thể và sở thích của họ khi đến thăm những địa điểm này. Đây là cơ hội tuyệt vời để ngân hàng phân tích các bài đăng và đề xuất các dịch vụ phù hợp như cho vay cá nhân, bảo hiểm du lịch và
ưu đãi về vé du lịch.   

Trong ba kênh khách hàng này, dữ liệu cần thiết để dự đoán sẽ khác nhau tùy theo từng kênh. Hình 1 đưa ra bản tóm tắt dữ liệu liên quan đến sự tương tác của khách hàng trên mỗi kênh. Chúng tôi thấy rằng dữ liệu trong trung tâm liên lạc có độ phức tạp cao hơn
và các kênh truyền thông xã hội vì dữ liệu phi cấu trúc.

Gia tăng trải nghiệm khách hàng: Con đường phía trước

Chúng tôi đã thảo luận về các mô hình máy học được đề xuất cho các kênh khách hàng khác nhau. Vì các tập dữ liệu, loại dữ liệu và hành vi người dùng ở mỗi kênh là khác nhau nên mỗi lượt tương tác của khách hàng là duy nhất. Chúng tôi nhận thấy độ phức tạp ngày càng tăng trong các mô hình AI khi chúng tôi di chuyển
từ các kênh web đến các kênh trung tâm liên lạc đến các kênh truyền thông xã hội. Các ngân hàng có thể xem xét những điều này trong khi ưu tiên và triển khai các mô hình máy học để siêu cá nhân hóa.

Các mô hình dự đoán dựa trên AI sử dụng dữ liệu thời gian thực trông rất hứa hẹn. Nó tạo cơ hội cho các ngân hàng điều chỉnh mọi điểm tiếp xúc với khách hàng. Chúng tôi đã cân nhắc về việc siêu cá nhân hóa trên ba kênh và giá trị to lớn có thể được mở khóa.
Điều này có thể cho phép các ngân hàng siêu cá nhân hóa, cải thiện mức độ gắn bó của khách hàng, từ đó mang lại sự tăng trưởng đáng kể.