획득 및 유지: 은행에서 개인화를 고정하고 고객 충성도를 구축하는 방법

통계는 은행 업무의 개인화가 전략적 가치를 획득했음을 증명합니다. 70% 이상의 고객이 맞춤형 제안을 은행 및 기타 금융 회사에 매우 중요하다고 평가합니다. 아이러니하게도 은행 기관은 상황에 맞는 경험을 제공하는 은행이 14%에 불과하여 개인화의 마지막 요새로 남아 있습니다.

금융기관의 개인화 부재는 혼란스러워 보인다. 매일 은행은 엄청난 양의 고객 데이터를 생성합니다. 그러나 고객에게 고유한 제안을 제공하는 데 사용되지 않는 경우가 많습니다.

고객과의 대화에서 우리는 은행 경영진이 개인화된 고객 경험을 통해 고객 만족도를 개선하기 위해 열심인 것을 알 수 있습니다. 마케팅, 고객 서비스 및 고객 경험 팀은 개인화된 뱅킹이 간접 수익을 창출하는 데 중요하다는 것을 알고 있습니다.

고객과 개인화된 관계를 구축함으로써 은행은 상향 판매 및 교차 판매, 추천을 통한 신규 고객, 은행 간 이체 등과 같은 추가적인 재정적 가치를 얻습니다. 이 모든 것이 직접적인 수익원을 보완하며 브랜드 선호도의 결과입니다.

그래서 문제가 무엇입니까? 은행이 고객 데이터 자산을 최대한 활용하지 않는 이유는 무엇입니까?

금융 서비스의 개인화를 향한 도전

고객 페르소나와 선호도에 대한 깊은 이해는 맞춤형 금융 서비스 경험으로 이어집니다. 그러나 세분화된 오퍼링은 은행에 존재하는 일반적인 제한 사항으로 인해 종종 방해를 받습니다.

레거시 소프트웨어

Deloitte에 따르면 오래된 기술은 더 깊은 개인화로 가는 길에 주요 병목 현상으로 간주됩니다. 기술 부채, 실시간 데이터 분석의 부재, 융통성 없는 고객 데이터베이스는 금융 기관에 대한 고객의 행동을 의욕적으로 만듭니다. 결과적으로 기업은 강력한 교차 채널 제공, 매출 성장, 그리고 가장 중요한 것은 고객에 대한 전체론적 비전이 부족합니다.

더욱이 일관된 데이터 분석의 부재는 은행이 이미 사용 가능한 데이터를 활용하지 못하게 합니다. 이는 은행 기관이 기본적으로 기술에 정통한 은행과 경쟁할 수 없어 이익과 잠재적인 단골을 잃는다는 것을 의미합니다.

조직 사일로

고립된 데이터와 고립된 부서도 고객 우선 사고방식의 성공적인 채택을 방해합니다. 사일로 사고방식은 데이터 흐름을 특정 지점이나 직원으로 제한하기 때문에 내부 및 외부 정책 모두에 해롭습니다. 결과적으로 일관된 데이터 거버넌스 접근 방식이 불가능하여 모든 단계에서 개인화를 실행할 수 없습니다.

일반적으로 조직의 사일로는 프로그래밍 방식으로 서로 상호 작용할 수 없는 호환되지 않는 기술 시스템을 나타냅니다. 결과적으로 데이터는 한 부서에 고정되고 시스템 아키텍처의 다른 부분과 분리됩니다. 따라서 기업은 새로운 설정을 구현하기 전에 전체 인프라를 업데이트하거나 레거시 시스템을 새 인프라 구성 요소에 연결할 수 있습니다.

무시된 고객의 요구

너무 자주 은행 산업은 고객의 요구보다 제품과 서비스에 초점을 맞춥니다. 그러나 심도 있는 고객 요구 조사는 최고 판매 이니셔티브에 내재되어 있습니다. 좋은 고객 경험 없이는 효과적으로 판매하고 수익성을 높일 수 없습니다.

잘 형성된 고객 비전은 다음을 위한 토대를 마련합니다.

• 경쟁력 있는 고객 서비스;
• 은행 계좌 관련 수수료
• 편리한 지점 위치;
• 주문형 서비스 유형
• 긍정적인 브랜드 이미지;
• 잘 정의된 이자율.

다행히 앞서 언급한 문제를 해결할 수 있습니다. 기술 회사는 은행이 모든 고객 데이터를 제자리에 배치하고 이를 분석하고 적시에 맞춤형 제안을 생성하도록 지원하여 이러한 문제를 해결합니다.

개인화를 통해 은행 고객을 확보하고 유지하는 5가지 비밀

좋은 소식은 은행에서 개인화를 달성할 수 있다는 것입니다. 고급 기술 도구와 디지털에 정통한 접근 방식을 구현함으로써 은행 비즈니스는 고객의 마음과 생각을 활용하고 세련된 이니셔티브를 완성할 수 있습니다. 다음은 고객을 유치하고 더 많은 가치를 창출하는 데 도움이 되는 비밀 소스입니다.

진실의 단일 소스 구축

일부 금융 조직은 부서 간에 고객 데이터를 격리하여 조직의 나머지 부분과 격리합니다. 결과적으로 고객 여정과 페르소나는 만들어지면 불완전합니다.

깨끗하고 관련성이 있으며 접근 가능한 데이터는 고객의 자극, 선호도 및 재정적 행동을 식별하는 데 중요합니다. 고객에 대한 단일 보기를 생성하기 위해 금융 서비스 회사는 기타 운영 데이터를 통합하고 활성화해야 합니다.

그러나 데이터 통합 ​​및 활성화를 위해서는 조직의 사일로를 제거하고 시스템을 현대화해야 합니다. 데이터 레이크 및 웨어하우스는 360° 고객 뷰를 제공하고 데이터의 상호 운용성과 불변성을 촉진하는 데 기여합니다. 그 안에서 데이터는 부서 전체의 여러 위치에서 가져오고 모든 입력은 특정 기준에 따라 분석됩니다.

분석 결과를 사용할 준비가 되면 맞춤형 또는 플랫폼 기반 비즈니스 인텔리전스 도구가 통찰력을 시각화하고 보고할 데이터를 준비하므로 기업은 중요한 메트릭과 KPI를 모니터링하고 비교할 수 있습니다. 예를 들어, 대출 부서는 방대한 데이터 저장소에서 특정 거래 데이터를 소싱하여 언제든지 대출 의사 결정을 확대할 수 있습니다.

또한 포괄적인 데이터 거버넌스 정책은 데이터 사용을 극대화하고 조직 경계를 넘어 데이터 수집 및 분류를 조정합니다. 또한 데이터 거버넌스는 데이터 포인트를 응집력 있는 전체로 연결하고 웨어하우스, 호수, 클라우드 스토리지 및 데이터베이스 전반에 걸쳐 표준화합니다.

은행 리더는 고객을 더 잘 이해하기 위해 외부 API를 통해 데이터 수집을 강화합니다. 이를 통해 기업 및 회계 시스템은 물론 파트너 및 PSD2 계정 정보와 같은 공개 데이터 세트에 전제된 추가 고객 통찰력에 대한 액세스가 증가합니다.

인공 지능, 기계 학습 및 딥 러닝 활용

귀하의 데이터는 귀하가 요청하지 않는 한 말하지 않습니다. 인공 지능(AI), 머신 러닝(ML) 및 딥 러닝(DL)은 데이터 값 간의 숨겨진 관계를 찾아내고 고유한 고객 인식을 제공할 수 있습니다. 세 가지 모두 데이터 패턴을 발견하는 데 똑같이 도움이 되지만 딥 러닝은 은행 개인화의 대부분의 예에서 인용됩니다.

AI 및 ML의 한 분야인 Deep Learning은 고객 데이터의 패치워크를 집계하고 맞춤형 제품에 대한 실행 가능한 통찰력을 생성하는 데 탁월합니다. 또한 DL 모델은 정형 및 비정형 데이터를 모두 분석하는 데 특화되어 있습니다. 후자는 은행 데이터의 약 80%를 차지하며 특별한 알고리즘 없이는 분석이 불가능합니다.

딥 러닝 알고리즘은 데이터에서 설명할 수 없는 패턴을 식별하고 방대한 정보를 기반으로 미래 결과를 예측할 수 있습니다. 기존 데이터 분석은 문제나 상관 관계에 대한 깊은 통찰력 없이 시각적 요약 및 Excel 표를 통해서만 높은 수준의 결론을 도출할 수 있기 때문에 수동 분석은 지능형 시스템과 결코 동등할 수 없습니다.

딥 러닝 모델은 구매 패턴, 인구 통계, 거래량 및 오디오 파일을 단독으로 분석하여 은행에는 위험이 낮지만 고객에게는 높은 가치를 제공하는 대상 신용 또는 저축 제안을 생성할 수 있습니다. 이러한 모든 실행 가능한 출력은 사용 가능한 데이터 세트를 기반으로 합니다. 딥 러닝이 없다면 금융 회사는 고객 발자국 간의 링크를 수동으로 구축하는 데 몇 년을 낭비하게 될 것입니다.

머신 러닝은 전반적으로 높은 롤러든 낮은 가치의 고객이든 모든 클라이언트를 위한 개인화를 추진할 수 있습니다. 이러한 방식으로 지능형 알고리즘은 숨겨진 미묘한 지출 경향을 식별하고 모든 고객을 위한 맞춤형 솔루션 또는 상황에 맞는 고객 경험을 제안할 수 있습니다.

또한 ML과 AI는 모두 데이터 분석 모델을 증폭하고 은행과 신용 조합에 경쟁력 있는 차별화를 제공할 수 있습니다. 예를 들어, 연간 수입이 X인 기존 고객의 일부 비율이 예금보다 여행에 돈을 쓰는 경향이 있는 경우 ML 모델은 이 링크를 발견합니다. 이는 은행이 이 고객 그룹에 호텔 등에 대한 맞춤형 캐쉬백 제안을 제공할 수 있음을 의미합니다.

ML로 유사 잠재고객 구축

각 고객에게 맞춤형 경험을 제공하는 것은 불가능하기 때문에 금융 기관은 종종 유사 모델을 구현합니다. 이 분류 기법은 지출 습관이나 연령대와 같이 유사한 세그먼트별 데이터를 공유하는 고객 그룹을 식별하는 데 도움이 됩니다.

ML 기반 유사 모델은 다양한 메트릭을 분석하여 진화하는 고객 프로필을 생성합니다. 정확한 세분화를 통해 은행은 특정 금융 서비스에 응답할 가능성이 가장 높은 고객을 예측할 수 있습니다. 간단히 말해서, 금융 회사는 고객에게 진정한 가치를 제공하는 매우 표적화된 경험을 구축할 수 있는 스마트 기회 지수를 얻습니다.

생활사건 데이터 통합

고객 프로파일링은 너무 깊을 수 없습니다. 따라서 가치 있는 정보는 고객의 행동에 대한 인식을 높이는 데 기여합니다. 이 라인에서 클라이언트가 수행한 작업을 설명하는 이벤트 데이터는 측정 가능하거나 분석 가능한 통찰력을 얻을 수 있습니다. 결과적으로 금융 회사는 새로운 상호 작용에 즉시 대응하고 개인화를 제공할 수 있습니다.

은행 회사는 타사 이벤트 데이터 통합을 활용하여 신규 고객을 찾을 수 있습니다. 여기에는 커뮤니케이션 도구, 소셜 미디어 데이터, 기타 타사 데이터베이스 및 응용 프로그램이 포함될 수 있습니다. 자동화된 프로세스와 실시간 데이터 추적을 가능하게 하려면 금융 기관은 이 데이터를 사내 도구와 통합해야 합니다.

그러나 제3자 데이터 공유 관행이 강화됨에 따라 통합 접근 방식은 GDPR, Dodd-Frank, MiFID II 등을 포함하는 광범위한 규제 행위의 대상이 됩니다.

또는 은행에서 내부 이벤트 데이터를 수집 및 통합하여 충성도를 유지할 수 있습니다. 이벤트 기반 아키텍처 및 이벤트 스트리밍을 갖춘 현장 금융 인프라는 이미 기업 소스에서 오는 데이터로 가득 차 있습니다. 따라서 재무 비즈니스는 회사 전체에서 이벤트를 공유하여 분석할 수 있는 이벤트 데이터 세트를 갖게 됩니다. 과거 데이터를 실시간 통찰력과 결합하면 이벤트 스트림에 예측 기능이 추가됩니다.

또한 이벤트 데이터 자체는 상황에 맞는 고객 참여 기회를 실시간으로 생성할 수 있습니다. 예를 들어, 고객이 온라인으로 잔액을 확인할 때 새 계정 제안을 선택하기로 결정하고 신청서를 작성하지 않은 상태로 두면 시스템이 은행에 잃어버린 기회를 알립니다. 이를 통해 은행은 즉시 고객을 다시 참여시킬 수 있습니다.

잘 수행된 이벤트 데이터 관리의 또 다른 예는 지출의 실시간 분류를 포함합니다. 고객이 식료품점에서 물건을 구매하거나 주유를 받으면 은행의 자금 모니터링 도구가 고객에게 지출 유형과 예산 포트폴리오를 알리고 고객이 지출 패턴을 알 수 있도록 합니다. 이 좋은 터치는 클라이언트와 실제 상호 작용이 없어도 브랜드 연결을 육성합니다.

고객이 있는 곳에 있어야 합니다.

90%의 고객은 모든 채널에서 일관된 상호 작용을 기대합니다. 따라서 옴니채널의 우수성은 선택이 아니라 필수입니다. 디지털 우선 금융 회사는 여러 채널에서 동시에 고객에게 균일한 경험과 서비스를 제공해야 합니다. 이는 차례로 모든 클라이언트 접점을 얽히게 하고 조직이 회사 플랫폼과의 이전 상호 작용을 기반으로 하는 맞춤형 제품으로 고객을 타겟팅할 수 있도록 합니다.

예를 들어 고객은 특정 은행 신용 카드 또는 대출 제안에 대한 정보를 검색한 후 소셜 미디어나 광고 친화적인 웹사이트에서 세분화된 광고를 제공받을 수 있습니다. 또한 고객이 스마트폰에 뱅킹 앱이 있는 경우 중단된 신청 프로세스를 개인화된 모바일 알림으로 해결할 수 있습니다.

마케팅 부서의 부담을 덜어주기 위해 은행은 마케팅 자동화에 의존할 수 있습니다. 후자는 다기능 마케팅 활동을 인수하고 모기지 대출이든 퇴직 계획이든 상관없이 채널을 통해 개인화된 제안을 쉽게 보낼 수 있습니다. 마케팅 자동화를 활용하는 비즈니스는 적격 리드의 +451%를 확보하는 경향이 있습니다.

기술적인 관점에서 마케팅 자동화 도구는 이메일, 웹사이트, 앱 및 기타 상호 작용을 기반으로 하는 교차 채널 데이터에 의존합니다. 그런 다음 소프트웨어는 세분화 및 타겟팅 프로세스를 스트리밍하여 적절한 청중을 그룹화하고 프로필을 기반으로 각 고객에 대한 메시지를 자동으로 보정합니다. 경쟁 자산인 마케팅 자동화는 청중 규모에 상관없이 개인화된 수준으로 고객에게 다가갑니다.

고객의 은행 업무 경험을 재해석하십시오.

비활동 고객을 은행 전도사로 바꾸는 것은 힘든 일입니다. 그러나 개인적인 경험은 매출을 늘리고 고객에게 더 가까이 다가갈 수 있습니다. 의미 있고 시기적절한 맞춤형 메시지는 금융 기관이 추가적인 위험이나 지루한 노력 없이 고객과 더 깊은 관계를 구축하는 데 도움이 됩니다.

개인화 이니셔티브를 활성화하기 위해 금융 기관은 실시간 분석, 철저한 데이터 수집 및 지능형 기능을 허용하는 업데이트된 데이터 인프라를 구축해야 합니다. 간결한 데이터 거버넌스 전략은 설정의 모든 구성 요소를 결합하고 데이터 플라이휠을 시작하여 지속적인 고객 통찰력을 얻습니다.

당사의 컨설팅 주도 접근 방식을 통해 조직은 강력한 데이터 전략을 설계하고 데이터-의사결정 가치 사슬을 관리하기 위한 일련의 새로운 기능을 구축할 수 있습니다. 전문가에게 문의하시면 데이터 복잡성을 해결해 드리겠습니다.

이 기사는 원래 여기에 게시되었습니다.