В моем предыдущем блоге мы обсуждали, как интеллектуальное управление клиентами применимо к управлению активами и частному банковскому обслуживанию. Этот блог будет делать то же самое, но для коммерческих и корпоративных банковских услуг. Если вы читали мой предыдущий блог, вы найдете описание механики знакомым, хотя примеры адаптированы для Business Banking. Вы можете пропустить этот блог и дождаться моего следующего блога: Интеллектуальное управление клиентами: экономия времени и повышение лояльности.
Еще раз, чтобы внедрить Интеллектуальное управление клиентами, нам нужно начать с бизнес-целей. Для коммерческих и корпоративных банковских услуг бизнес-цели часто заключаются в увеличении доли кошелька и повышении лояльности клиентов. Как приложение может помочь банкирам достичь этих целей?
Ключевым процессом для достижения этих целей является планирование аккаунта. Сегодня клиентская команда регулярно собирается вместе, чтобы решить, какие продукты лучше всего подойдут клиенту в следующем году. Решения основываются на том, насколько хорошо команда понимает клиента, различные географические регионы и торговые коридоры, а также то, что работало в прошлом. Хорошо продуманный, созданный вручную план учетной записи может принести отличные результаты для банка, но он ограничен предположениями и прошлым опытом конкретных вовлеченных людей. Однако, если фактические данные говорят сами за себя, мы можем получить гораздо лучшие результаты с помощью управляемого планирования счетов и управления сделками.
Управляемое планирование счетов и управление сделками происходит в два этапа. На этапе планирования нам необходимо понять клиента и порекомендовать продукты. На этапе исполнения нам нужно вести сделки по продаже продукции.
На этапе планирования мы начинаем с лучшего понимания клиентов и того, как они относятся к другим клиентам в заданных регионах и торговых коридорах. Мы используем форму машинного обучения, называемую неконтролируемым обучением, чтобы прочесывать данные и находить кластеры. В этом случае группировка клиентов в когорты похожих компаний на основе того, кто они, где они находятся и с кем они ведут бизнес.
Теперь, когда у нас есть когорта, нам нужно определить правильные модели продуктов, которые обычно покупают эти похожие клиенты. Это похоже на процесс, который Amazon использует для рекомендации продуктов на основе предыдущих покупок. Другой метод машинного обучения, обучение с учителем, используется для обучения модели принятия решений делать прогнозы или выставлять оценки. Модель принятия решений обучается с использованием исторических данных для поиска закономерностей. Данные должны включать как входы, так и результаты. В этом случае входными данными являются все профили клиентов, а результатом является набор продуктов, которые они приобрели. Результатом является модель принятия решений, которая предсказывает наилучший набор шаблонов для данного клиента.
На этапе выполнения мы также используем контролируемое обучение для создания модели принятия решений, которая предсказывает, как лучше всего продавать данный продукт. Входные данные — это все взаимодействия, имевшие место в исторических сделках, а результаты — последующие решения о покупке продукта. Результатом является модель принятия решений, которая предсказывает наилучший набор взаимодействий для данной сделки.
Прогноз можно дополнительно настроить, если входные данные включают информацию, заблокированную в неструктурированных заметках о встречах и электронных письмах. Обработка естественного языка используется для извлечения имен, отношений, намерений и тона из неструктурированного текста. Все эти атрибуты добавляются к входным данным для создания лучших моделей принятия решений.
Преимущество управляемого планирования счетов и управления сделками заключается в рекомендациях как по продуктам для продажи, так и по действиям для закрытия сделок.
Ваша фирма рассматривает возможность использования Искусственного интеллекта (ИИ) для влияния на поведение банкиров? Я хотел бы услышать ваш опыт.
Настройтесь на мой следующий блог, где я расскажу, как можно использовать машинный интеллект для экономии времени и повышения лояльности клиентов.
Первоначально опубликовано на nexj.com 8 января 2018 г.
Свяжитесь с нами в социальных сетях! Linkedin, Twitter или Facebook
