Big Data, experience ed engagement nel settore bancario

Questi elementi possono essere leve differenzianti a supporto del cstomer journey. I vantaggi sono: efficienza di contatto, saving e ottimizzazione dei costi relativi alle campagne commerciali [...]
settore bancario
  1. Home
  2. Big Data
  3. Big Data, experience ed engagement nel settore bancario

Le sfide che il mercato bancario deve affrontare sono sempre maggiori e in continua evoluzione. Un esempio è l’avvento di tecnologie innovative che abilitano nuovi player a emergere nel contesto finanziario (es. Satispay nei sistemi di pagamento); allo stesso tempo nuovi modelli di business si sono negli anni creati a partire da normative come la PSD2, la quale con gli obiettivi di maggior tutela del cliente finale e di una democratizzazione del dato, ha rivoluzionato la gestione del patrimonio informativo a disposizione delle banche e fatto emergere la possibilità di avere una visione sistemica dei comportamenti di spesa dei clienti.

Oltre alle principali sfide di mercato, una banca si trova oggi ad affrontare una sempre più complessa relazione con il cliente all’interno del suo customer journey. Il cliente pretende che i suoi bisogni, espressi e non, vengano soddisfatti, attraverso la necessità di vivere un’esperienza unica omnicanale, di avere una relazione con la banca come partner di vita o consulente personalizzato, di fruire di un’esperienza in filiale totalmente rivoluzionata anche dagli effetti del coronavirus, oppure di un supporto h24 e sempre più digitale.

In questo contesto diventa sempre più importante una conoscenza approfondita e personalizzata del cliente, attivando una relazione basata su experience ed engagement (una ricerca Forrester cross-settore prevede un incremento del ruolo organizzativo di CXO, Chief Experence Officer, del 25%).

La trasformazione digitale e l’apertura a nuove tecnologie come il cloud ha messo nelle mani degli istituti finanziari nuovi strumenti che giocano un ruolo di fondamentale importanza per intercettare esigenze e bisogni del cliente: un esempio ne è la combinazione di sistemi big data e algoritmi predittivi di machine learning, opportunamente tarati, calibrati e governati abilitando sistemi di intelligenza artificiale.

L’esperienza del cliente: un percorso interconnesso

L’obiettivo di indirizzare tempestivamente i bisogni dei clienti attivando prodotti e servizi personalizzati guida le strutture di CRM nella predisposizione di pianificazioni commerciali efficaci ed efficienti. In questo contesto è nato il concetto di customer journey come percorso di accompagnamento che la banca propone al cliente nell’avvicinarlo ai suoi obiettivi di vita.

La macchina operativa di marketing automation deve essere in grado di abilitare un’esperienza unica omnicanale per il cliente e anticipare momenti critici prevedendo i bisogni nel tempo del singolo individuo. Attivazione e orchestrazione di eventi, trigger, modelli predittivi, mix di canali e stati del ciclo di vita del cliente sono elementi necessari per la costruzione di journey ad hoc che stimolino il cliente e lo accompagnino attraverso i diversi touchpoint della banca in una relazione a valore.

La costruzione di un customer journey prevede che sia il bisogno del cliente ad abilitare l’iniziativa commerciale ottimizzando la macchina operativa che indirizza il piano di marketing. Questo aspetto, infatti, permette una tempestività di intervento e una modalità di interazione “always on”, accompagnando il cliente nel tempo secondo le sue esigenze e armonizzando le comunicazioni attraverso prioritizzazioni e contact policy.

WHITEPAPER
DevOps: come implementare una strategia efficace. Scopri i vantaggi
Software
DevOps

La mappatura delle diverse tipologie di journey seguono le fasi della relazione del cliente:

  • Reach = raggiungere il cliente attraverso una comunicazione del brand sempre più efficacie, valorizzando il beneficio di prodotti e servizi attraverso una comunicazione continuativa e sempre più digitale;
  • Act = è la fase di interazione, necessaria per mantenere caldo il contatto e stimolarlo rispetto ai bisogni che il cliente esprime;
  • Convert = convertire il potenziale cliente in un cliente effettivo attraverso la sottoscrizione di un prodotto o un servizio a valore;
  • Engage = gestire la relazione, ingaggiare e stimolare rispetto ad attività di cross-selling ed up-selling.

Comprendere la tipologia del customer journey è importante per identificare le modalità di stimolo ed engagement del cliente o del prospect. In questo gioca un ruolo di fondamentale importanza anche la disponibilità di un patrimonio informativo in costante crescita, aggiornamento ed arricchimento.

Disporre di sistemi big data diventa un fattore critico di successo, in quanto gli insight che si possono estrarre da sistemi transazionali, comportamento sui canali, dichiarazioni del cliente e navigazione sui siti interni (web analytics) ed esterni (DMP), sono l’effettivo valore aggiunto per la comprensione dei bisogni dei clienti e del relativo ciclo di vita.

Attraverso tecniche di data enrichment è possibile abilitare una conoscenza approfondita del singolo cliente arrivando all’approccio “segment of one”. La costruzione di indicatori e stati del ciclo di vita porta ad avere informazioni su hobby e passioni (es. cliente che pratica sport, che compra dispositivi Apple o Android), su famiglia (es. possesso di auto, spese per animali domestici) oppure su lavoro (es. tipologia di lavoro, aumento/decremento dello stipendio). Tutti questi momenti possono quindi abilitare iniziative commerciali personalizzate all’interno di customer journey dedicati.

Big data e machine learning: prevedere i bisogni e anticipare azioni a valore

Un approccio data-driven basato sull’utilizzo strutturato di big data abilita un event driven targeting incentrato sui bisogni della clientela. Inoltre, l’arricchimento continuo del patrimonio informativo è un fattore propedeutico alla costruzione di modelli di machine learning.

In questo contesto il machine learning ha diverse applicazioni rispetto ai benefici di efficacia ed efficienza di cui una struttura di CRM può beneficiare.

Di seguito uno schema con i principali obiettivi delle tecniche algoritmiche che hanno ormai rivoluzionato il modo di pensare a un data-driven marketing:

  • machine learning supervisionato: algoritmi volti alla costruzione di modelli predittivi. Si applicano quando il fenomeno da voler prevedere è noto a priori e lo si può monitorare nel passato. L’obiettivo del modello è quello di studiare i comportamenti passati, generalizzare quali sono i driver decisionali della clientela che portano all’accadimento del fenomeno target e applicare le logiche previsionali sull’attuale popolazione di riferimento. Queste tecniche permettono di anticipare comportamenti a uno, tre, sei mesi in relazione al piano commerciale di interesse;
  • machine learning non supervisionato: algoritmi volti alla costruzione di modelli per l’individuazione di gruppi di persone con caratteristiche simili al loro interno ma diverse tra gruppi. Sono i classici algoritmi che stanno alla base di segmentazioni di spesa comportamentale, di relazione con i canali, di definizione delle personas. La potenza di questi algoritmi è quella di poter comprendere quanto la clientela è simile (o dissimile) e disegnare prodotti/servizi tailor made sulle base delle caratteristiche di dettaglio;
  • text analytics: sono modelli di riconoscimento automatico del testo. Rendono possibile una rapida comprensione dell’informazione presente nei documenti testuali senza doverli leggere massivamente. Attraverso tecniche di Natural Language Processing e sentiment analysis è possibile generare tassonomie linguistiche di business ottimizzate per la gestione della relazione con il cliente. Alcuni esempi di applicazioni di tali algoritmi sono: riconoscimento automatico della causale testuale dei bonifici, analisi del sentiment delle note del call center, analisi automatica di questionari.

In aggiunta a queste tecniche ci possono essere modelli di serie storiche per l’analisi dei volumi di vendita e della clientela rispetto all’utilizzo di determinati servizi, oppure l’applicazione di tecniche di Deep Learning per applicazioni evolute quali chatbot.

Un corretto mix di queste tecnologie all’interno di una pianificazione strategica può fare la differenza nell’impatto delle redemption commerciali. Un approccio model factory industrializzato nella costruzione e nella governance di modelli statistici avanzati porta notevoli impatti di efficienza ed efficacia all’interno delle strutture di CRM e marketing. È ormai noto come l’utilizzo corretto di tali strumenti possa portare anche a triplicare il contributo delle iniziative commerciali alle vendite complessive.

Una nota di rilievo è quella della gestione del dato in termini di contact policy e privacy, volta a tutelare il cliente rispetto agli algoritmi di iper-targetizzazione. Normative di riferimento come il GDPR hanno permesso una tutela sempre maggiore dei diritti di privacy e della gestione consapevole del cliente delle informazioni condivise e non.

Ciò che quindi può fare una differenza sostanziale tra un algoritmo di machine learning di successo o meno è quello di comprendere quale sia l’evento da modellizzare e come declinare la tecnologia del machine learning all’interno dei processi di relazione con il cliente. Il machine learning è una tecnologia e come tale, se non adattata in un contesto ed ecosistema di riferimento, rischia di essere un fallimento. Tuttavia le competenze e le esperienze di successo sono ormai numerose. Un esempio concreto ne è l’evoluzione dell’approccio a prodotti come il mutuo. Negli anni si è superato l’approccio del modello predittivo per l’acquisto del prodotto, passando a modelli che segnalassero anticipatamente l’intenzione di voler stipulare un preventivo. Tale cambio di paradigma può risultare di notevole importanza: prevedere l’evento target di richiesta di preventivo vuol dire anticipare il momento di contatto con la clientela. Iniziata una relazione con il cliente, sarà il disegno di un customer journey ottimale che dovrà prevedere un “riscaldamento” di tale relazione con comunicazioni che efficientano tutto il ciclo di vendita.

Conclusioni

In conclusione, il modello di machine learning, se disegnato sulle esigenze del cliente e sulle possibilità di experience che la banca mette a disposizione, porta a numerosi vantaggi di efficienza di contatto, saving e ottimizzazione dei costi relativi alle campagne commerciali, oltre a una sensibilizzazione del cliente in un’ottica di supporto al raggiungimento degli obiettivi personali.

WHITEPAPER
CX: perchè l'intelligenza emotiva è importante per fidelizzare i clienti?
Marketing
Inbound

 

FacebookTwitterLinkedInWhatsApp

Commenta per primo

Lascia un commento

L'indirizzo email non sarà pubblicato.


*