تجربه بانکداری اروپایی بیش از حد شخصی با هوش مصنوعی

مصرف کنندگان اروپایی به بانکداری با موسسات سنتی ادامه می دهند، اما بسیاری از آنها به وضوح از این تجربه کمتر راضی هستند. در اوایل سال جاری، یک ارائه دهنده پیشرو پلتفرم بانکداری دیجیتال، نتایج یک نظرسنجی از 6300 کاربر بانکداری آنلاین در سراسر اروپا را منتشر کرد.

اگرچه 82 درصد از پاسخ‌دهندگان از یک بانک سنتی به عنوان ارائه‌دهنده اصلی خود استفاده می‌کردند، 26 درصد در گذشته به دلیل خدمات دیجیتال ضعیف، بانک خود را تغییر داده بودند و در انجام مجدد آن تردیدی نداشتند. همچنین، 47 درصد گفتند که اگر بانکشان کیفیت خدمات دیجیتال را بهبود بخشد، احساس رضایت بیشتری خواهند کرد. مشتریان به طور خاص توصیه های شخصی را در این زمینه درخواست کردند.

مشتریان چه می خواهند؟

با دیجیتالی شدن بانکداری، تجارب تراکنش یکپارچه به یک هنجار تبدیل شده است که در بین بانک ها استاندارد شده است و تفاوت چندانی بین آنها وجود ندارد. کانال های دیجیتال کارآمد، اما غیرشخصی هستند. برای اکثر مشتریان، آنها راهی برای انجام کارهای سریع و کاربردی مانند بررسی موجودی حساب هستند. این امر به تدریج مصرف کنندگان را از بانک هایشان دور کرده است.

و این معضل در اینجا نهفته است: همان مشتریانی که از بانکداری دیجیتال استقبال می کنند، خواستار تعاملات شخصی بیشتری با بانک خود هستند. به عنوان مثال، 59 درصد از مصرف کنندگان اروپایی خواهان توصیه های مالی هستند که متناسب با نیازهای فردی آنها باشد. بانک‌هایی که در ارائه آن کوتاهی می‌کنند، مشتریان را ترک خواهند کرد.

خبر خوب این است که فناوری‌های هوش مصنوعی اکنون موسسات بانکی را قادر می‌سازد تا این انتظارات به ظاهر آشتی ناپذیر را برآورده کنند. در جایی که فناوری‌های دیجیتال قبلی اجازه شخصی‌سازی – عمدتا در سطح بخش – را می‌داد، هوش مصنوعی باعث می‌شود تا تجربیات بانکداری دیجیتال به‌صورت بلادرنگ و در مقیاس بسیار شخصی‌سازی شوند.

همه چیز را شخصی سازی کنید، از توصیه محصول گرفته تا ارتباطات بازاریابی

مدل‌های تحلیلی پیشرفته داده‌های مشتری و تراکنش را برای شناسایی بینش‌ها در مورد نیازها، ترجیحات و رفتارهای فردی تجزیه و تحلیل می‌کنند که بر اساس آن‌ها موتورهای توصیه هوشمند مناسب‌ترین محصولات و خدمات را پیشنهاد می‌کنند. علاوه بر تطبیق محصولات با استفاده از معیارهای مالی سنتی - به وام ها و برنامه های سرمایه گذاری که مطابق با مشخصات ریسک و اهداف مالی سفارشی شده اند فکر کنید - هوش مصنوعی می تواند بانکداری را بر اساس داده ها و فعالیت های افراد در خارج از بانک شخصی سازی کند.

یک مثال عالی، مدل بسیار محبوب Buy Now Pay Later است که در آن کسب‌وکارهای تجارت الکترونیک به مشتریان این امکان را می‌دهند که بر اساس اعتبار خود، با استفاده از تاریخچه تراکنش‌های قبلی و سایر متغیرها، هزینه‌های خرید را به صورت اقساطی پرداخت کنند.

ابزارهای مبتنی بر هوش مصنوعی همچنین می‌توانند الگوهای جریان نقدی یا ناهنجاری‌های مخارج را شناسایی کنند تا راهنمایی‌های پیشگیرانه برای کمک به هر مشتری برای مدیریت بهتر امور مالی خود ارائه دهند. چت ربات ها و گوینده های مجازی مجهز به هوش مصنوعی ژنرال می توانند در هر زمانی از شبانه روز از مشتریان پشتیبانی کنند و مانند یک مدیر روابط انسانی به زبان طبیعی صحبت کنند تا به سوالات پاسخ دهند و حتی مسائل پیچیده را حل کنند.

مشتریان می توانند سؤالات خاصی در مورد سبدها یا اهداف مالی خود بپرسند و هوش مصنوعی مولد به طور مستقل یا همراه با یک مشاور انسانی با توصیه ها و راهنمایی های هدفمند پاسخ می دهد.

توانایی هوش مصنوعی مولد برای مکالمه به شیوه ای بسیار شخصی و شبیه انسان، جمع آوری بدهی ها را متحول می کند. با بهره‌برداری از پردازش زبان طبیعی و یادگیری ماشینی، سیستم‌های هوش مصنوعی ژنتیکی ترجیحات و رفتارهای وام گیرنده را تجزیه و تحلیل می‌کنند و سپس پیام‌های شخصی ایجاد می‌کنند که هم تعامل و هم بازپرداخت را بهبود می‌بخشد. آنها همچنین با نشان دادن همدلی، و پیشنهاد راه حل هایی که برای مشتریان قابل قبول تر است، رویارویی را به حداقل می رسانند.

انقلابی در ارتباطات

با رسیدن به ارتباطات، بمباران مردم با پیام‌های عمومی ناکارآمد، ناکارآمد است و عدم درک عمیق مشتریان بانک را آشکار می‌کند. همچنین مصرف کنندگانی را که قبلا مملو از هرزنامه ها و تماس های ناخواسته از مشاغل مختلف هستند، آزار می دهد. هوش مصنوعی ارتباطات را متحول می‌کند و بانک‌ها را قادر می‌سازد تا پیام‌های بسیار مرتبطی را ایجاد کنند که با مشتریان طنین‌انداز می‌شود.

اول، ابزارهای پیش بینی شناسایی می کنند که مشتریان احتمالا به انواع مختلف پیام ها پاسخ مثبت می دهند. سپس هوش مصنوعی مولد وارد عمل می شود و محتوا و کمپین های بسیار شخصی سازی شده را به زبان(های) انتخابی مشتریان ایجاد می کند. راه‌حل‌های هوش مصنوعی دیگر کانال، قالب و زمان مناسب برای ارسال ارتباط را شناسایی می‌کنند و باعث می‌شوند مشتریان احساس ارزشمندی کنند و بانکشان واقعا آن را درک کنند.

صنعت بازی همچنین مرز قانع‌کننده‌ای را برای بانک‌ها به وجود می‌آورد تا با هوش مصنوعی نسل جوان، مخاطبان بومی دیجیتالی را درگیر کنند. با وجود گیمرهای زیادی که در محیط‌های مجازی فراگیر تعامل دارند، بانک‌ها می‌توانند از هوش مصنوعی برای ایجاد تجربیات مالی بسیار شخصی که با سبک زندگی و شخصیت‌های بازی همخوانی دارد، استفاده کنند.

برای مثال، بینش‌های مبتنی بر هوش مصنوعی می‌توانند بانک‌ها را قادر به ارائه محصولات سرمایه‌گذاری خرد بر اساس رفتار مخارج درون بازی، ارائه گزینه‌های اعتباری پویا برای خریدهای دیجیتالی و طراحی طرح‌های پس‌اندازی کنند که به نظم مالی با مشوق‌های مجازی پاداش می‌دهد.

بانک‌ها با ادغام با پلت‌فرم‌های بازی و تجزیه و تحلیل داده‌های رفتاری در زمان واقعی، می‌توانند انگیزه‌های مالی متناوب را ارائه دهند - مانند پیشنهاد یک ابزار بودجه‌بندی یا ارائه پاداش‌های مرتبط با رمزارز برای دستاوردهای درون بازی. ادغام بازی و امور مالی، که توسط هوش مصنوعی تولید می‌شود، نه تنها تعامل مشتری را افزایش می‌دهد، بلکه بانک‌ها را به عنوان شرکای سبک زندگی در اقتصاد دیجیتال قرار می‌دهد.

علاوه بر این، مدل‌های هوش مصنوعی از موفقیت و شکست تعاملات گذشته یاد می‌گیرند تا اقدامات خود را اصلاح کنند، استراتژی‌ها و توصیه‌هایی را تقویت کنند که باعث علاقه‌مندی می‌شوند، در حالی که آن‌هایی را که با عدم مشارکت مواجه شده‌اند کنار می‌گذارند. با یادگیری و سازگاری مداوم، هوش مصنوعی در شخصی سازی بیش از حد تجربیات مشتری در مقیاس بهتر و بهتر می شود.

حرکت رو به جلو در اروپا

در اروپا، ارائه دهندگان نسل بعدی رهبران آشکار در پذیرش هوش مصنوعی هستند: نئوبانک هلندی، Bunq، اولین بانک اروپایی با هوش مصنوعی است. فین، دستیار مالی شخصی آن، پشتیبانی شخصی‌شده و آگاه از زمینه را از طریق مکالمه ساده ارائه می‌کند و تا ۴۰ درصد از درخواست‌های مشتری را به‌طور مستقل مدیریت می‌کند.

هوش مصنوعی داده‌های تراکنش را تجزیه و تحلیل می‌کند تا توصیه‌های شخصی‌سازی شده را در اپلیکیشن موبایل Starling Bank ارائه دهد و مشارکت اپلیکیشن‌ها را تا ۲۵ درصد افزایش دهد. بانک دیجیتال آلمان، N26، تجربه مشتری را از طریق پشتیبانی چندزبانه مبتنی بر هوش مصنوعی، هوش مصنوعی مکالمه و بهترین توصیه‌های اقدام بعدی ایجاد شده توسط هوش مصنوعی شخصی‌سازی می‌کند.

اما به طور کلی، شرکت های خدمات مالی اروپایی هنوز راه درازی در پیش دارند. در یک نظرسنجی در سال 2024، اگرچه 90 درصد از پاسخ دهندگان گفتند که برخی از ابزارهای هوش مصنوعی را ادغام کرده اند، فقط 9 درصد معتقد بودند که از منحنی پذیرش جلوتر هستند. سرمایه‌گذاری‌ها بر روی بهبود دفتر کار متمرکز است، در حالی که پذیرش هوش مصنوعی در برنامه‌های کاربردی با مشتری به وضوح عقب مانده است.

پاسخ دهندگان (فقدان) درک، تجربه و وضوح نظارتی را بزرگترین مشکل خود در هنگام ادغام هوش مصنوعی مولد نامیدند. شرکت‌ها می‌توانند این نگرانی‌ها را برطرف کنند و از طریق آموزش و توسعه، با گسترش موارد استفاده از هوش مصنوعی، و با راه‌اندازی مکانیسم‌های حاکمیتی و انطباق قوی، اجرای آن را تسریع بخشند.

ما بهترین سازنده وب سایت هوش مصنوعی را معرفی کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit