داده ها ، هسته اصلی موفقیت در صنعت سرویس های مالی را شکل می دهند . از نمو اطلاعات در اطراف روند و گرایش های بازار تا سرمایه گزاری مشتری و تاریخچه های خدمات مشتری ، داده ها استراتژی های بانکی را بهتر هدایت می کند . همانطور که همانطور که در یک نظرسنجی اخیر Accenture اشاره شد ، در حالی که 78 درصد شرکت های مالی اکنون از داده ها برای اطلاع رسانی عملیات سازمانی استفاده می کنند ، فقط 7 درصد راه حل های تحلیلی را متناسب با تقاضای روزافزون افزایش داده اند .

برای کمک به رفع این شکاف دانش ، بسیاری از بانک ها به تجزیه و تحلیل های پیش بینی کننده ای که توسط اتوماسیون پشتیبانی می شود ، روی آورده اند ، اما همیشه با موفقیت همراه نیست . در اینجا نگاهی می اندازیم به دو مورد استفاده اتوماسیون در حال ظهور و زیرساخت های فناوری اطلاعات لازم برای پشتیبانی گسترده از آنها .

چگونه بانک ها می توانند بهترین ابزارهای پیشنهادی بعدی را گسترش دهند ؟ 

یکی از زمینه های گسترش تأثیر در اتوماسیون تجزیه و تحلیل پیش بینی ، چارچوب " بهترین پیشنهاد بعدی " (NBO) است . ابزار NBO که قبلاً در سیستم عامل های تجارت الکترونیکی مانند آمازون رایج بوده است ، از اطلاعات موجود استفاده می کند . در این مورد ، کالاهایی که مصرف کنندگان به دنبال آن هستند یا در سبد خرید خود دارند . برای پیشنهاد موارد دیگری که مکمل هستند یا توسط مشتریان دیگر تحت شرایط مشابه خریداری شده اند ، در این مورد وجود دارد . اگر مصرف کننده یک قایق بادی را خریداری می کند ، یک ابزار NBO ممکن است جلیقه نجات ، پدل یا پمپ هوا را پیشنهاد کند .

همانطور که توسط " راه اندازی " ذکر شده است ، NBO ها معمولاً به مدلهایی که تحت عنوان " فیلتر کردن مشارکتی " شناخته می شوند ، اعتماد می کنند که مجموعه داده های گسترده ای را در مورد محصولات و مصرف کنندگان به کار می گیرند . با این حال ، شرکت های مالی غالباً دارای داده های غنی و محصول ناب هستند . در حالی که بانک ها مقادیر گسترده ای از اطلاعات مشتری را برای ارائه خدمات بهتر و ارائه توصیه های هدفمند جمع آوری می کنند ، مجموعه محصولات آنها نسبتاً کمتر از سایر تجارت الکترونیک است .

در اینجا ، ابزارهای هوش مصنوعی راهی برای برطرف کردن این شکاف با استفاده از رویکرد " کارخانه مدل پیش بینی " ارائه می دهند : با استفاده از داده های گسترده مشتری و روابط تاریخی آنها با کارشناسان بانکی ، می توان پیشنهادات محدوده محصول ؛ مانند کارت اعتباری یا سرمایه گذاری را ایجاد کرد . گزینه هایی که احتمال تبدیل بیشتری دارند .

بانک ها می توانند از چت بات ها برای جمع آوری و تحویل داده های مشتری استفاده کنند

همچنین یک مورد کاربرد رو به رشد برای گپ های ربات AI در بانکداری وجود دارد . گرچه این رویکرد جدیدی نیست ، رباتهای تشخیص صدا که می توانند به سوالات ساده پاسخ دهند چندین سال است وجود دارد ، راه حلهای قوی ربات های چت یک مزیت جدید را ارائه می دهند : جمع آوری دقیق اطلاعات .

همانطور که توسط فوربس اشاره شد ، اگرچه بانک ها مقدار قابل توجهی از داده های مشتری دارند ، بسیاری از آنها داده های "مناسب" ندارند - اطلاعات خاص و متمرکز مورد نیاز آنها برای ارائه توصیه های مربوط و به موقع. این مزیت ربات های نسل بعدی است: توانایی جمع آوری داده ها در مورد تجربه مشتری از پایان به پایان ، و سپس ارائه این داده ها به نمایندگان خدمات مشتری در صورت تقاضا .

در عمل ، این موقعیت چت بات ها را در طول طیف مالی عملکردی تغییر می دهد. با انتقال این ربات ها به پایین جریان داده ها ، آنها نمی توانند عملکردی فراتر از ارتباطات مشتری جلویی را داشته باشند. آنها می توانند با ارائه بینش های خودکار و مبتنی بر داده ، به گفتگوی مجدد مصرف کنندگان با عوامل انسانی زنده کمک کنند .