English
日本語
한국어
简体中文
Các ngân hàng truyền thống và hợp tác xã tín dụng đang chịu áp lực ngày càng lớn từ các công ty fintech và ngân hàng số thế hệ mới, vốn sử dụng dữ liệu để mang đến trải nghiệm khách hàng phù hợp và đúng thời điểm. Mặc dù nhiều tổ chức tài chính lâu đời đã đầu tư mạnh vào tự động hóa, việc chuyển hiệu quả vận hành thành các đề nghị được cá nhân hóa và hướng đến tăng trưởng vẫn là một thách thức lớn.
Nghiên cứu mới của Zafin cho thấy các tổ chức tài chính truyền thống vẫn chậm hơn các đối thủ fintech về mức độ tinh vi của đề nghị. Chỉ 48% đề nghị từ các tổ chức truyền thống sử dụng những cơ chế nâng cao như gói sản phẩm kết hợp với đối tác, ưu đãi dựa trên hành vi hoặc phần thưởng được điều chỉnh linh hoạt. Trong khi đó, 65% đề nghị của các công ty fintech sử dụng những kỹ thuật này.
Khoảng cách còn lớn hơn ở các tổ chức tài chính hoạt động dựa trên cộng đồng. Chỉ 27% đề nghị của họ dựa trên các chiến lược tương tác tinh vi. Ngoài ra, khoảng hai phần ba số đề nghị từ các tổ chức truyền thống không được nhắm mục tiêu cụ thể và chỉ yêu cầu khách hàng mở tài khoản cơ bản hoặc thỉnh thoảng phát sinh hoạt động.
Công nghệ kế thừa tiếp tục cản trở cá nhân hóa
Khoảng cách về khả năng cá nhân hóa không đơn thuần bắt nguồn từ việc thiếu tham vọng. Các ngân hàng và hợp tác xã tín dụng thường phải đối mặt với những hạn chế đáng kể về công nghệ và tuân thủ. Tại nhiều tổ chức, việc cập nhật một sản phẩm, lãi suất hoặc chương trình ưu đãi vẫn đòi hỏi phải thay đổi trên nền tảng ngân hàng lõi đã lỗi thời.
Carson Kotnyek, Giám đốc tư vấn ngành tại Zafin, cho biết việc phát triển một chiến dịch có thể mất từ ba đến chín tháng. Khoảng thời gian kéo dài này khiến các tổ chức tài chính khó phản ứng nhanh trước nhu cầu thay đổi của khách hàng, điều kiện thị trường và hoạt động của đối thủ.
Trí tuệ nhân tạo tác vụ có thể giúp các tổ chức giải quyết những hạn chế này. Khi được triển khai đúng cách, các tác tử AI có thể xác định cơ hội, điều phối quy trình và giảm chi phí thực thi mà không buộc ngân hàng hoặc hợp tác xã tín dụng phải thay thế toàn bộ hạ tầng ngân hàng lõi.
Điểm mấu chốt: AI có thể giúp các tổ chức tài chính chuyển hóa hiểu biết sâu hơn về khách hàng thành những sản phẩm, mức lãi suất và đề nghị hiệu quả hơn. Tuy nhiên, các ngân hàng phải xem xét lại cách định nghĩa cá nhân hóa và xác định quy trình nên bắt đầu từ đâu.
1. Bắt đầu từ nhu cầu khách hàng, không phải từ đề nghị
Nhiều tổ chức tài chính tiếp cận hoạt động cá nhân hóa bằng cách lựa chọn sản phẩm hoặc chương trình khuyến mại trước, sau đó tìm kiếm những khách hàng có thể quan tâm. AI tác vụ cho phép đảo ngược quy trình này.
Thay vì bắt đầu bằng một đề nghị, ngân hàng có thể phân tích hành vi khách hàng để tìm kiếm dấu hiệu về nhu cầu chưa được đáp ứng hoặc cơ hội củng cố mối quan hệ. Chẳng hạn, AI có thể xác định những khách hàng thường xuyên chuyển tiền đến các nền tảng đầu tư như Robinhood hoặc Vanguard. AI có thể phân tích số tiền, tần suất và điểm đến của các giao dịch chuyển tiền này để phát hiện những cơ hội tiềm năng trong lĩnh vực quản lý tài sản.
Phân tích tương tự cũng có thể cho thấy những khách hàng thường xuyên thanh toán khoản vay mua nhà hoặc thẻ tín dụng tại các tổ chức cạnh tranh. Mặc dù thông tin này thường đã tồn tại trong dữ liệu giao dịch ngân hàng, việc xác định và hành động dựa trên các mô hình này theo cách thủ công vẫn rất khó khăn.
AI có thể quét khối lượng lớn hoạt động mà không yêu cầu chuyên viên phân tích phải xác định trước mọi câu hỏi. Công nghệ này có thể phát hiện những mô hình cho thấy cơ hội bán chéo, giữ chân khách hàng, thu hút khách hàng mới hoặc tăng cường mức độ tương tác.
Điểm mấu chốt: Cá nhân hóa hiệu quả nhất bắt đầu bằng việc tìm hiểu khách hàng đang làm gì và những hành động đó có thể cho thấy điều gì, thay vì chỉ quảng bá một sản phẩm đã được định sẵn.
2. Cá nhân hóa không có nghĩa là tạo một đề nghị riêng cho từng khách hàng
Một số tổ chức tài chính hạn chế triển khai cá nhân hóa vì cho rằng mỗi khách hàng phải nhận được một đề nghị hoàn toàn độc nhất. Cách tiếp cận này có thể tốn kém, phức tạp và không cần thiết.
Chiến lược thực tế hơn là sử dụng AI để phân nhóm hành vi khách hàng thành các nhóm cơ hội. Sau đó, các đề nghị riêng lẻ có thể được tái sử dụng cho những phân khúc khách hàng rộng hơn, trong khi tổng thể kết hợp và trình tự các đề nghị được điều chỉnh theo từng mối quan hệ.
Ví dụ, một ngân hàng có thể xác định 20.000 khách hàng thường xuyên chuyển tiền đến một nền tảng đầu tư. Việc phát triển 20.000 đề nghị quản lý tài sản riêng biệt sẽ tạo ra rất ít giá trị bổ sung. Thay vào đó, ngân hàng có thể giới thiệu một đề nghị đầu tư chung cho nhóm này, đồng thời xem xét các hành vi liên quan khác.
Một số khách hàng có thể đang tiết kiệm để mua nhà. Những người khác có thể đang thực hiện các khoản thanh toán thẻ tín dụng ngày càng lớn hoặc duy trì số dư tại một tổ chức tài chính khác. Mỗi khách hàng có thể nhận cùng một đề nghị cốt lõi về quản lý tài sản, nhưng đi kèm với các khuyến nghị khác phản ánh hoạt động tài chính riêng của họ.
Cách tiếp cận này tạo ra điều mà Kotnyek gọi là ma trận cơ hội. Mỗi thành phần của đề nghị có thể phục vụ một nhóm khách hàng rộng, trong khi sự kết hợp giữa sản phẩm, ưu đãi và thông điệp trở nên cụ thể hơn đối với từng cá nhân.
Điểm mấu chốt: Cá nhân hóa hiệu quả không phải là xây dựng một sản phẩm hoàn toàn khác cho mỗi người. Đó là việc tập hợp những cơ hội phù hợp dựa trên nhu cầu và hành vi của từng khách hàng.
3. Cá nhân hóa phải hỗ trợ chiến lược kinh doanh
AI có thể xác định nhiều cơ hội khách hàng hơn và nhanh hơn so với các chuyên viên phân tích. Tuy nhiên, việc tạo ra số lượng lớn hành động tiềm năng cũng dẫn đến một thách thức khác: xác định cơ hội nào hỗ trợ chiến lược tổng thể của tổ chức.
Một ngân hàng có thể muốn tăng tiền gửi, thu hút khách hàng mới, phát hành thêm thẻ tín dụng, cải thiện khả năng giữ chân khách hàng hoặc củng cố mối quan hệ với những người đang sở hữu tài khoản. Các tín hiệu từ khách hàng cần được đánh giá dựa trên những ưu tiên đó.
Các tác tử AI có thể so sánh những cơ hội tiềm năng với nhiều mục tiêu kinh doanh và giúp xác định hành động nào có khả năng tạo ra kết quả mong muốn cao nhất. Định hướng chiến lược cần dẫn dắt cả việc lựa chọn khách hàng lẫn thiết kế đề nghị cuối cùng.
Nghiên cứu của Zafin đã xem xét năm mục tiêu đề nghị chính:
- Tăng số dư
- Thu hút khách hàng
- Giữ chân khách hàng
- Thúc đẩy hành vi
- Làm sâu sắc mối quan hệ
Báo cáo xác định một số xu hướng đáng chú ý:
- 53% đề nghị nhằm làm sâu sắc mối quan hệ sử dụng phương thức nhắm mục tiêu nâng cao, bao gồm các bậc phần thưởng theo phân khúc, kích hoạt theo sự kiện trong đời hoặc cá nhân hóa dựa trên hành vi giao dịch theo thời gian thực.
- 54% đề nghị thu hút khách hàng yêu cầu một hành động đủ điều kiện, chẳng hạn như thiết lập nhận lương qua tài khoản hoặc chuyển tiền lương.
- 78% đề nghị thúc đẩy hành vi sử dụng các phương thức tương tác mới hoặc nâng cao, bao gồm tính tương tác và trò chơi hóa.
Điểm mấu chốt: Không phải mọi tín hiệu từ khách hàng đều nên kích hoạt một đề nghị. Chiến lược kinh doanh phải xác định cơ hội nào đáng được chú ý và loại tác động nào nên được thực hiện tiếp theo.
AI tác vụ có thể tạo ra mô hình vận hành ngân hàng tinh gọn hơn
Các tác tử AI có thể đảm nhiệm nhiều công việc trước đây yêu cầu nhân viên phải chuyển đổi qua lại giữa nhiều hệ thống. Những công việc này có thể bao gồm soạn thảo đề nghị, chuẩn bị tài liệu phê duyệt, điều phối quy trình rà soát tuân thủ, triển khai chiến dịch và theo dõi kết quả.
Một chuyên viên tiếp thị ngân hàng có thể sử dụng ngôn ngữ tự nhiên để yêu cầu một tác tử AI thu hút nhóm khách hàng đại chúng có tài sản cao, đồng thời cung cấp ngân sách cụ thể và các yêu cầu khác của chiến dịch. Sau đó, tác tử có thể phân tích dữ liệu hiện có, xác định những cơ hội khách hàng tiềm năng nhất và đề xuất cấu trúc đề nghị phù hợp.
Mô hình này có thể rút ngắn khoảng cách giữa việc ra quyết định chiến lược và thực thi chiến dịch. Một lớp tích hợp và điều phối có thể chuyển đổi thông tin từ hệ thống ngân hàng lõi sang các định dạng mà tác tử AI có thể sử dụng, sau đó chuyển đầu ra của tác tử thành những hành động mà các hệ thống hiện có có thể thực thi.
Lớp này cũng có thể hỗ trợ các hoạt động sau khi ra mắt. Lớp này có thể theo dõi các đề nghị đang hoạt động, xác minh những hành động đủ điều kiện, giám sát số lượt đăng ký và kích hoạt thông tin liên lạc tiếp theo dựa trên phản hồi của khách hàng.
Tương lai: Nhà máy AI dành cho các tổ chức tài chính
Khi các ngân hàng chuyển từ những ứng dụng mô hình ngôn ngữ lớn cơ bản sang các tác tử AI tự chủ, các tổ chức tài chính có thể áp dụng mô hình mà Kotnyek gọi là nhà máy AI.
Thay vì mua một ứng dụng AI riêng cho từng chức năng kinh doanh, một tổ chức có thể tạo ra một môi trường được kiểm soát để phát triển, triển khai và quản lý các tác tử của riêng mình. Môi trường này sẽ cung cấp quyền truy cập vào nhiều mô hình AI, cho phép ngân hàng lựa chọn mô hình phù hợp với mức độ phức tạp và rủi ro của từng nhiệm vụ.
Các mô hình có chi phí thấp hơn có thể xử lý những hoạt động thường nhật, trong khi các mô hình tiên tiến hơn được dành cho những phân tích phức tạp và quyết định có mức độ rủi ro cao hơn. Môi trường này cũng sẽ bao gồm cơ chế quản trị, giám sát, quy trình phê duyệt và các biện pháp bảo vệ khác nhằm bảo đảm các tác tử hoạt động trong những giới hạn được xác định rõ ràng.
Các ứng dụng tiềm năng còn vượt xa những đề nghị được cá nhân hóa. Các tác tử AI có thể giúp ngân hàng đơn giản hóa danh mục sản phẩm lớn, tạo sản phẩm mới sau khi được phê duyệt, quản lý cơ cấu định giá và điều chỉnh lãi suất khi điều kiện thị trường thay đổi.
Ngân hàng nên làm gì tiếp theo
Cơ hội cốt lõi đối với các tổ chức tài chính là kết nối thông tin chuyên sâu về khách hàng với khả năng thực thi nhanh hơn. Những ngân hàng và hợp tác xã tín dụng có thể sớm xác định nhu cầu khách hàng và phản hồi bằng các sản phẩm phù hợp sẽ có vị thế tốt hơn để cạnh tranh với các công ty fintech và ngân hàng số thế hệ mới.
Thành công sẽ đòi hỏi nhiều hơn việc bổ sung một công cụ AI vào quy trình hiện tại. Các tổ chức phải xác lập mục tiêu kinh doanh rõ ràng, cải thiện khả năng tiếp cận dữ liệu có thể sử dụng, xây dựng tiêu chuẩn quản trị và tạo ra các hệ thống cho phép tác tử AI hoạt động cùng với những nền tảng kế thừa.
Nguyên tắc định hướng rất đơn giản: cung cấp cho AI một mục tiêu kinh doanh có thể đo lường, áp dụng các biện pháp kiểm soát chặt chẽ và cho phép các tác tử đảm nhiệm nhiều hơn hành trình từ phân tích chuyên sâu đến thực thi. Bằng cách bắt đầu hoạt động cá nhân hóa từ hành vi khách hàng thay vì từ chính đề nghị, ngân hàng có thể tạo ra những trải nghiệm phù hợp hơn, đồng thời cải thiện tốc độ, hiệu quả và tiềm năng tăng trưởng.
Nguồn: TheFinancialBrand.com