Študija primera

Agent UI v procesu marketinga bančnih posojil

POVZETEK

Za pretvorbo bančnih strank v uporabnike kreditnih produktov morajo marketinške ekipe porabiti tedne za segmentacijo, BI ekipe za pripravo seznamov, prodajne ekipe pa za kontaktiranje tisočih potencialnih strank.
Ta študija primera prikazuje, kako kombinirana arhitektura ML/LLM avtomatizira ciljanje potencialnih strank in ustvarjanje vsebin, pri čemer skrajša čas kampanje s 4 tednov na 14 dni ob ohranitvi človeškega nadzora.

1 Zaznavanje nagnjenosti k nakupu

Uporaba napredne analitike podatkov o uporabnikih za identifikacijo strank, ki bi jih najverjetneje zanimali novi kreditni produkti.

2 Ciljana segmentacija

Izbor podskupine uporabnikov z visoko nagnjenostjo k nakupu za oblikovanje osredotočene skupine prodajnih ciljev in optimizacijo razporeditve virov.

3 Personalizirano nagovarjanje

Prilagajanje komunikacije in ponudb glede na pretekle nakupne aktivnosti in preference strank za večjo relevantnost in privlačnost.

4 Opolnomočenje prodajnih ekip

Zagotavljanje dodatnih, uporabnih informacij prodajnim predstavnikom za izboljšanje kakovosti in učinkovitosti interakcij s strankami.

POVZETEK
Izzivi
  • Neučinkovite konverzije
  • Visoki operativni stroški
  • Počasen čas do trga
  • Neoptimalno ciljanje
Izzivi
  • 56 % hitreje
  • 69 % učinkoviteje
  • 10x pametnejši marketing

Proces, ki temelji na agentni UI, je pomembno izboljšal marketinško učinkovitost in prodajno uspešnost banke, kar je privedlo do višjih stopenj konverzije in znižanih operativnih stroškov.

Komercialni direktor

KLJUČNI KAZALNIKI USPEŠNOSTI (KPI):

Zmanjšanje časa za izvedbo: 56 %

Znižanje s 4 tednov na 14 dni

Izboljšanje učinkovitosti virov: 68 %

Zmanjšanje potrebnih človek/dni s 16 MD na 5 MD

Učinkovitost marketinškega ciljanja: Kontaktiranih 10x manj ljudi z enakimi rezultati

Prodajni agenti so kontaktirali 5.000 strank namesto 50.000, z enakimi rezultati.

RAZČLENITEV PROBLEMA

Tradicionalni pristop banke k trženju in prodaji kreditnih produktov je bil časovno potraten, zahteven glede virov in je prinašal suboptimalne rezultate. Proces je običajno vključeval:

  • Komercialne ekipe (Marketing in Prodaja) prejmejo nalogo povečati prodajo kreditov
  • Marketinška ekipa porabi čas za opredelitev prave persone in izdelavo segmentov (2 MD)
  • Interna ekipa za podatkovno analitiko (Business Intelligence) gradi segmente (2 MD)
  • Marketing ocenjuje in usklajuje rezultate (1 MD)
  • Pisanje personaliziranih e-poštnih sporočil in prodajnih skriptov (3 MD)
  • Pošiljanje e-pošte, informiranje prodajne ekipe in izvajanje klicev (10 MD)
Ta proces je trajal 3-4 tedne in 16 človek/dni za izvedbo, kar je rezultiralo v:
  • Visokih operativnih stroških
  • Počasna izvedba kampanj
  • Suboptimalnem ciljanju in personalizaciji
  • Neučinkoviti uporabi virov prodajne ekipe
  • Visokem odstotku lažno pozitivnih rezultatov

Agent UI v procesu marketinga bančnih posojil

Ta primer prikazuje poenostavljeno arhitekturo AI agentov, kjer strojno učenje (ML) razvršča potencialne stranke glede na nagnjenost k nakupu, jezikovni modeli (LLM) ustvarjajo personalizirano komunikacijo, ljudje pa pregledujejo kakovost vsebine - ob ohranitvi človeškega nadzora.

Agent UI v procesu marketinga bančnih posojil

Implementirali smo AI agente za racionalizacijo in optimizacijo dela podporne pisarne. Sistem sestavljata dve glavni komponenti: strojno učenje in veliki jezikovni model (LLM).

1. Umetna inteligenca za strojno učenje

Ta komponenta analizira zgodovinske podatke za pripravo modela nagnjenosti k nakupu in gradnjo ciljnih seznamov. Model izračuna verjetnost nakupa posojila za vse stranke, ki ustrezajo poslovnim pravilom.
Izboljšanje učinkovitosti:

  • Odpravljen proces viharjenja možganov marketinške ekipe za segmente
  • Odstranjena odvisnost od interne BI ekipe za segmentacijo
  • Čas izdelave seznamov skrajšan s 5 človek/dni (2 MD za opredelitev persone + 2 MD za BI ekipo + 1 MD za evalvacijo) na skoraj takojšnjo obdelavo
  • Višja stopnja uspešnosti, ker se kampanja osredotoča le na stranke z visoko verjetnostjo za nakup
Kako: Postavitev in delovanje ML modela

Obdelava podatkov:

  • Mesečno izvažanje podatkov iz baze strank v Azure ML Studio
  • Izračun značilk z uporabo podatkov zadnjih 12 mesecev

Napovedovanje in razvrščanje:

  • XGBoost algoritem napoveduje verjetnosti konverzij za vse produkte
  • Kandidati razvrščeni za vsak produkt na podlagi teh verjetnosti

Optimizacija seznamov za kampanje:

  • Ujemanje seznamov napovedi s kandidati za kampanje
  • Izračun kumulativnih atributov za ciljno trženje

Nenehno izboljševanje:

  • Občasno ponovno usposabljanje modela za zajemanje novih dinamik trga
  • Zanesljiv postopek ocenjevanja za izboljšanje natančnosti modela

Avtomatizacija:

  • Pripravljene skripte za avtomatizacijo procesov
  • Načrti za avtomatizirano razložljivost in evalvacijo napovedi

Ta pristop, ki temelji na strojnem učenju, omogoča banki sprejemanje odločitev na podlagi podatkov, kar vodi v višje stopnje konverzije in izboljšano učinkovitost trženja.

2. Veliki jezikovni model (LLM) AI

Ko je seznam zgrajen, ta komponenta uporablja napredne jezikovne modele za pripravo personaliziranih e-poštnih sporočil in skriptov za prodajno ekipo.
Izboljšanje učinkovitosti:

  • Marketinška ekipa zdaj le pregleduje in po potrebi ureja skripte
  • Rezultat je hitrejše oblikovanje in uvajanje kampanj
  • Skrajšan čas ustvarjanja vsebin s 3 človek/dni na delček tega časa (točno zmanjšanje ni navedeno v izvirnih podatkih)
Rezultati in učinek

Vpeljava AI agentov je pomembno izboljšala splošno uspešnost marketinških kampanj:

  1. Optimizacija procesov:
    1. Odpravljeni nepotrebni koraki v procesih
    2. Avtomatizirana izdelava seznamov in osnutkov e-pošte
    3. Skrajšan čas izvedbe kampanje s 16 MD na 5 MD (68 % izboljšanje)
    4. Skrajšan skupni časovni okvir kampanje s 4 tednov na 14 dni (56 % zmanjšanje)
  2. Izboljšano ciljanje in personalizacija:
    1. Povečana natančnost modeliranja nagnjenosti (točen odstotek ni naveden v izvirnih podatkih)
    2. Izboljšana personalizacija na podlagi preteklih nakupnih aktivnosti
  3. Opolnomočenje prodajne ekipe:
    1. Prodajnim predstavnikom zagotovljeni vpogledi in dodatne informacije, generirane z AI
  4. Finančni učinek:
    1. Zmanjšani stroški marketinških kampanj (točen odstotek ni naveden v izvirnih podatkih)
    2. Povečane stopnje konverzije (točen odstotek ni naveden v izvirnih podatkih)
  5. Splošna učinkovitost:
    1. Personalizirane kampanje se zdaj izvedejo v 5 dneh namesto 16 dni
    2. Skupni čas procesa zmanjšan s 3-4 tednov na 14 dni
Zaključek

Z uvedbo integrirane AI rešitve, ki združuje strojno učenje in velike jezikovne modele, je banka pomembno preoblikovala svoje marketinške in prodajne procese. Ta implementacija je privedla do hitrejše izvedbe kampanj, zmanjšanja števila človek/dni in potenciala za višje stopnje konverzije, vse ob izboljšanju personalizacije nagovarjanja strank.

Ta študija primera prikazuje transformativno moč AI v tradicionalnih bančnih operacijah, ki ponuja konkurenčno prednost v vse bolj digitalnem finančnem okolju. Ko se sektor razvija, bodo institucije, ki učinkovito izkoristijo AI, dobro pozicionirane za vodstvo v zadovoljstvu strank, operativni učinkovitosti in odzivnosti na trgu.

Related Projects