如何利用人工智能提升银行业客户体验？

撰稿人：Peter Ku u

Informatica金融服务行业

副总裁兼首席战略官

充分挖掘人工智能与机器学习所带来的优势，能够为金融企业打造独特的且更具吸引力的客户互动体验。但银行机构必须建立可靠的数据基础设施，在确保数据关联性的同时保证数据干净、准确且完整性到位。

在零售银行业的人工智能与机器学习的主要目标中始终包含客户体验转型这一重要议题。若项目缺乏可靠的基础支撑则难以实现这些先进的理念最终的实际效果而项目的可靠基础则源于干净的数据准确的信息以及全面的需求分析构建而成

人工智能和机器学习有助于促进零售银行的营销人员分析客户需求趋势，并增强客户关系。

当下银行机构对客户体验的关注并不令人意外。随着金融服务逐渐趋向于商品化,这些机构不得不把大部分资源投入到与新兴市场参与者以及传统竞争对手的竞争当中,以主要关注客户注意力的同时,努力争取资产占有额。金融机构亟需找到几种能够实现自身差异化的发展途径,这种需求相比以往更为迫切。

在客户体验方面上，在零售银行业中运用人工智能及机器学习技术能够让营销人员有效分析客户需求趋势并强化与客户的互动深度。为此他们可采用多种策略来实现这一目标例如优化客户互动的方式以适应个体差异通过优化营销策略来提升活动效果聚焦于那些最可能成为顾客的目标市场群体评估潜在的收入损失以及影响这些因素的关键变量

“构建在已经完成整合的人工智能基础上”

调查显示，在部署机器学习技术的积极性方面，零售业机构表现最佳。其中包含了来自金融服务业的150多家企业。这项调查活动由《麻省理工科技评论》（MIT Technology Review Insights）和谷歌公司联合开展。

调查显示，在部署机器学习技术的积极性方面**（原有描述：零售银行排在所有机构的前列）**

本研究显示：约41%的企业已开始采用人工智能技术；其余30%的企业计划在年内引入这一技术。有三分之二的研究对象表示，在战略营销方面机器学习发挥着重要作用；这项技术能够帮助他们筛选数据以确定某一特定地理区域和人口结构中最为适合的战略选择，并且还能对未来行业趋势及客户行为做出预测分析。

虽然这些新技术能够呈现有价值的见解，但金融机构必须首先建立扎实的基础体系。这要求对现有数据实施系统化的分类处理，并且识别并整合来自新来源的数据资源。例如地理空间信息与社会经济统计数据相结合。

众所周知,人工智能与机器学习都需要大量数据作为支撑基础.尽管它们的算法设计有多么巧妙,其返回的答案的质量始终受限于输入数据的质量.这也意味着,为了提升用户体验,对数据进行有效的管理和优化,在提升用户体验方面扮演着至关重要的角色.

鉴于此

▼

1. 确定业务目标和衡量方式，

并在各方之间达成一致

所有人工智能项目都应以明确的目标作为起点。零售金融机构可能设定的目标包括：通过提升数字化市场活动的响应率达到X%、增加抵押贷款金额至X%以及扩大客户资金包占比。仅当企业代表和技术负责人就可能实现的整体目标达成共识时，才有可能全面评估预期收益并探讨实施任何必要投资的问题。

2. 建立业务场景并规划数据要素

所有的人工智能项目都应当以清晰明确的目标作为起点。仅当目标确定之后才有可能进行投入。零售金融机构设定的目标可能包括：提升数字化市场活动响应率至X%、增加抵押贷款金额至X%以及扩大客户群占比。仅当业务部门与科技部门就可实现的整体目标达成共识时才有可能全面评估预期收益，并在此框架内探讨任何必要的投资问题。

3. 定义机器学习应用程序的数据需求

整合整个银行机构跨部门的所有相关方，在共同探讨中明确取得成功所需的关键数据是什么。举例而言，在日常市场活动组织策划中负责新客户培训的员工，在梳理自身所需用于有效完成工作相关信息时会发现一些共性需求；考虑到技术团队对于必要数据分析工具有着较为专业的掌握程度，则这些团队成员可能无需自行预测数据内容。

4. 组织一次针对“当前状况”的数据评估

该任务旨在识别金融机构目前在哪些方面的数据掌握情况，并对其来源渠道、质量状况、适用范围以及管理规范程度进行评估的同时发现存在的漏洞及不足之处

这将是一次正式训练,旨在对员工的数据进行等级评估,评分标准分为1至5级,其中1级代表'差',5级代表'优秀'。一种更为明智的做法是引入外部机构参与此次评估,因为外部专家能够提供客观的视角,并在分析过程中超越内部可能产生的主观判断。

**5.**制定一项解决数据鸿沟问题的计划

基于数据评估结果为解决数据鸿沟问题进行全面分析：在哪些领域进行投资？采取什么措施才能使员工能够访问到准确、一致且完整的客户视图并实现信息共享？此外，在实现这一目标的过程中又该如何发挥数据管理技术的作用？

此时，在零售银行的领导者中应当超越这一即将实施项目的局限性，并思考在机构内部其他地方或项目是否能够利用这些工具。越来越多的零售金融机构倾向于建立数据共享服务系统，并希望这些系统能够不断扩展以适应多样化的业务需求。如果采用这种方法，则他们无需为未来可能出现的各种单项需求各自构建新的数据管理环境。

6. 执行、监测、改进和报告

为了实现人工智能与机器学习技术的有效部署，在此过程中需要一种敏捷的方法。这种方案通过持续关注业务成果及定期调整情况的监控分析，在此过程中确保能够达成预期的商业价值。在人工智能的整体部署中建议采取渐进式的策略，在充分挖掘现有运行系统的潜力的同时做好问题修复工作，并根据实际情况进行方向性调整，在追求整体目标的过程中不断前进。

与其说是新兴技术带来的问题...

对信息持信任态度的朋友，请您欢迎关注Informatica数据管理官方公众平台（微信：InformaticaChina）。