Cliente 360 para servicios financieros

Comprende a tus clientes, conoce sus comportamientos y predice sus necesidades

Las organizaciones de servicios financieros, especialmente las del ámbito del consumo, como los bancos minoristas, los emisores de tarjetas de crédito, las empresas privadas de gestión patrimonial y las compañías de seguros, necesitan información sobre sus clientes, mercados, productos y mucho otros elementos para llevar a cabo con éxito campañas de marketing , ventas cruzadas y complementarias, y respaldar eficazmente a los clientes durante toda la relación. Algunos casos de uso, por ejemplo, presentar recomendaciones de productos y predecir y responder a las necesidades de los clientes a la hora de resolver un problema de satisfacción, requieren inteligencia en tiempo real. Otros necesitan recopilar los datos adecuados para el aprendizaje de modelos para generar insights que se puedan utilizar para mejorar el marketing, las ventas, las operaciones y, por encima de todo, la experiencia del cliente.

En todos estos casos de uso, el conocimiento del cliente resulta vital. Se ha desarrollado significativamente el concepto de una visión de 360 grados del cliente, pasando de una comprensión básica de las múltiples interacciones que mantiene un cliente con una organización a una comprensión profunda y detallada de cada cliente como un individuo con comportamientos, deseos y necesidades únicos que van más allá de sus operaciones con servicios financieros. Los clientes de la actualidad esperan que cada interacción resulte sencilla, cómoda e intuitiva, tanto si están contratando un seguro, presentando una reclamación o abriendo una cuenta corriente, y buscan una experiencia consistente, cohesiva y fluida, tanto si interactúan en línea, mediante una aplicación o en persona.

Los clientes altamente satisfechos tienen dos veces y media más probabilidades de abrir nuevas cuentas o adoptar nuevos productos con su banco actual que aquellos que simplemente están satisfechos. Si bien los bancos siguen invirtiendo para satisfacer las crecientes expectativas de sus clientes, han luchado por seguir el ritmo de otros sectores retail, frenados por infraestructuras de TI antiguas y silos de datos: así como los desafíos que causan en materia de calidad y linaje de datos. Incluso para las instituciones que presumen de tener una experiencia de cliente por encima de la media, normalmente solo la mitad o dos terceras partes de los clientes califican su experiencia como excelente.

Para satisfacer las expectativas de sus clientes, las organizaciones de servicios financieros deben seguir haciendo frente a los desafíos causados por los silos de datos en la infraestructura antigua, al tiempo que emplean machine learning, inteligencia artificial y datos de clientes de 360 grados para que su interacción pase de ser reactiva a predictiva. Las organizaciones que lo logran pueden obtener ventajas significativas. De hecho, según un análisis de McKinsey, los bancos minoristas estadounidenses que se situaron en el cuartil superior en experiencia de cliente han visto cómo sus depósitos crecían significativamente más en los últimos tres años que los de sus pares, gracias a su capacidad de atraer nuevos clientes y fortalecer las relaciones con los existentes.

Haz que el conocimiento de tus clientes resulte útil con machine learning

La siguiente arquitectura demuestra que Oracle Data Platform ha sido diseñado para ayudar a las organizaciones de servicios financieros a aplicar análisis avanzados, machine learning e inteligencia artificial a todos los datos disponibles a fin de proporcionar la información necesaria para crear experiencias de cliente personalizadas, muy relevantes e inmediatas. Esto les permite centrarse en una interacción proactiva, lo que les ayuda a ejecutar sin problemas todos los puntos de contacto durante todo el ciclo de vida del cliente, desde compras y apertura de cuentas hasta la vinculación, la expansión de relaciones y la prestación de servicios o la tramitación de reclamaciones de seguros.

En esta imagen se muestra cómo se puede utilizar Oracle Data Platform for Financial Services para respaldar las actividades de prevención de fraudes y lucha contra el blanqueo de capitales. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2. Conectar, ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir. Actuar

El pilar "Orígenes de datos, detección" incluye dos categorías de información.

1. 1. Los registros de negocio (datos propios) incluyen transacciones de tarjetas de crédito, depósitos, retiradas de efectivo, información de cuenta, datos de CRM, datos de gestión de casos, flujos de eventos de cajeros automáticos y datos de localización.
2. 2. Los datos de terceros incluyen fuentes de redes sociales.

El pilar Conectar, ingerir, transformar consta de cuatro capacidades.

1. 1. La transferencia masiva utiliza OCI FastConnect, OCI Data Transfer, MFT y OCI CLI.
2. 2. La ingesta por lotes utiliza OCI Data Integration, Oracle Data Integrator y herramientas de bases de datos.
3. 3 La captura de datos modificados utiliza OCI GoldenGate y Oracle Data Integrator.
4. 4. La ingesta de streaming utiliza OCI Streaming y Kafka Connect.

Las cuatro capacidades se conectan de forma unidireccional a la capacidad de almacenamiento en la nube/lago de datos dentro del pilar Persistir, curar, crear.

Además, la ingesta de streaming está conectada al procesamiento de streaming dentro del pilar "Analizar, aprender, predecir".

El pilar Persistir, curar, crear incluye cuatro capacidades.

1. 1. El almacén de datos de servicio de cliente 360 utiliza Autonomous Data Warehouse y Exadata Cloud Service.
2. 2. El almacenamiento en la nube/lago de datos utiliza OCI Object Storage.
3. 3. El procesamiento por lotes utiliza OCI Data Flow.
4. 4. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube/lago de datos está conectado unidireccionalmente al almacén de datos en servicio; también está conectado bidireccionalmente al procesamiento por lotes.

Una capacidad se conecta al pilar Analizar, aprender, predecir: el almacén de datos de servicio se conecta de forma unidireccional a las capacidades de análisis y visualización, servicios de IA y machine learning, y de forma bidireccional a la capacidad de análisis de streaming.

El pilar Analizar, aprender, predecir incluye cuatro capacidades.

1. 1. La analítica y la visualización utilizan Oracle Analytics Cloud, GraphStudio e ISV.
2. 2. Los servicios de IA utilizan Oracle Digital Assistant, OCI Language, OCI Speech y OCI Vision.
3. 3. El machine learning utiliza CI Data Science, Auto ML y Oracle Machine Learning Notebooks
4. 4. Los análisis de streaming utilizan OCI GoldenGate Stream Analytics.

El pilar Medir, actuar consta de tres componentes: paneles de control e informes, aplicaciones y modelos de machine learning.

El panel de control y los informes incluyen la Segmentación de clientes y el Valor de tiempo de vida del cliente (CLV)

Las aplicaciones incluyen Recomendaciones personalizadas y Análisis de abandono

Los modelos de machine learning incluyen Análisis de sentimiento y Análisis de ventas cruzadas y complementarias (upsell).

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Existen tres formas principales de inyectar datos en una arquitectura para permitir que las organizaciones de servicios financieros creen una visión de 360 grados de sus clientes.

• Para iniciar nuestro proceso, necesitamos ingerir las transacciones de nuestros clientes. Los datos transaccionales incluyen depósitos y retiradas de efectivo. Estos datos están muy estructurados y controlados en aplicaciones y sistemas básicos de banca u operativos. Estos conjuntos de datos suelen incluir grandes volúmenes de datos locales y, en la mayoría de los casos, la ingesta por lotes seguida del procesamiento de fuentes suele resulta más eficaz. Por lo general, estos datos se ingieren en un plazo específico, como por horas cada 30 minutos después de cada hora o una vez al día a las 2 de la tarde (en ocasiones, en procesos más complejos los periodos serán más largos).
• Los datos de clientes de los sistemas de experiencia y relación con el cliente suelen requerir poca transformación o agregación durante la ingesta, y se pueden manejar exclusivamente mediante un proceso de captura de datos modificados para identificar variaciones en los conjuntos de datos cargados inicialmente de forma masiva. Se pueden obtener más datos de sistemas operativos, clics en páginas web, fuentes de redes sociales y fuentes externas de datos de clientes.
• La ingesta de streaming se utilizará para incorporar datos leídos de balizas de sucursales por medio del IdC, comunicaciones de máquina a máquina y otros medios. Las imágenes de vídeo también se pueden consumir de esta manera. Además, en este ejemplo, pretendemos analizar y responder rápidamente al sentimiento de los consumidores mediante el análisis de mensajes de redes sociales, respuestas a publicaciones propias y mensajes de tendencias. Los mensajes/eventos de las redes sociales (aplicación) se ingerirán con la opción de realizar determinadas transformaciones/agregaciones básicas antes de alojar los datos en el almacenamiento en la nube o un data lake. Se pueden utilizar análisis de streaming adicionales para identificar eventos y comportamientos correlativos de los consumidores, y los patrones identificados se pueden retroalimentar (manualmente) para que OCI Data Science examine los datos en bruto.

La persistencia y el procesamiento de datos se basan en tres (opcionalmente cuatro) componentes.

• Los datos en bruto ingeridos se alojan en el almacenamiento en la nube. Utilizaremos OCI Data Flow para el procesamiento por lotes de estos datos de flujo persistentes, como tuits (JSON), información de localización, datos de sensores de balizas y aplicaciones, información de distribución geográfica y referencias de productos. Estos conjuntos de datos procesados se devuelven al almacenamiento en la nube para una persistencia, curación y análisis continuos y, en última instancia, para cargarlos en formato optimizado en el almacén de datos de servicio. De forma alternativa, en función de la arquitectura preferida, esto puede llevarse a cabo con OCI Big Data Service como un clúster de Hadoop gestionado.
• Ahora hemos creado conjuntos de datos procesados que están listos para conservarse en un formato relacional optimizado para garantizar el adecuado rendimiento de la curación de contenidos y de las consultas en el almacén de datos de servicio. Esto nos permitirá identificar y abordar las principales tendencias de hashtags de productos y consumidores que puedan completarse con datos de la localización, el inventario y el producto de los sistemas empresariales.

La capacidad de analizar, aprender y predecir se basa en dos tecnologías.

• Los servicios de analítica y visualización proporcionan análisis descriptivos (describe las tendencias actuales con histogramas y gráficos), análisis predictivos (predice eventos futuros, identifica tendencias y determina la probabilidad de resultados inciertos) y análisis prescriptivos (propone acciones adecuadas, lo cual redunda en una toma de decisiones óptima), para que las instituciones de servicios financieros den respuesta a preguntas como:
  • ¿Está nuestra actividad de ventas complementarias, o upsell, en línea con las predicciones de campañas y ha modificado ello la interacción del cliente?
  • ¿Qué productos están generando más compromiso por parte del cliente? ¿Cómo son en comparación con los productos y servicios más vendidos de una división o departamento?
  • ¿Estamos percibiendo "fatiga de canal" y, si es así, está causando que los clientes se alejen del canal?
• Además del uso de análisis avanzados, se desarrollan, entrenan y despliegan modelos de machine learning. Se puede acceder a estos modelos a través de API, desplegadas en el almacén de datos de servicio o integradas como parte del pipeline de análisis de streaming de OCI GoldenGate.
• Nuestros datos y modelos seleccionados, probados y de alta calidad pueden estar sujetos a reglas y políticas de gobernanza y exponerse como un producto de datos (API) dentro de una arquitectura de malla de datos para su distribución en todas las esferas de organización de servicios financieros.

Cumple las expectativas de tus clientes con inteligencia automatizada

Al aprovechar todos los datos disponibles durante todo el ciclo de vida de cada cliente (incluidos los datos estructurados, semiestructurados y no estructurados) y aplicar análisis avanzados de big data, machine learning e IA a un registro completo de las interacciones anteriores de los clientes, las organizaciones de servicios financieros pueden:

• Diseñar y proporcionar experiencias de cliente altamente personalizadas, relevantes e inmediatas.
• Incorporar datos de segunda y tercera fuente para mejorar la experiencia del cliente y utilizar análisis para predecir el comportamiento del cliente (e influir en él).
• Utilizar la IA para recomendar las acciones óptimas, para ofrecer interacciones más uniformes con los clientes y mejorar sus resultados.
• Promover la evolución de las actividades de asesoramiento y ventas para que pasen de ser reactivas a proactivas mediante la utilización de bots de asesoramiento para proporcionar herramientas de autoservicio y ayudar a los empleados a prestar un servicio mejorado a los clientes.
• Comprender el historial de cada cliente, anticipar sus necesidades y garantizar que su experiencia, en cada etapa de su ciclo de vida, supere las expectativas.