금융 서비스 산업은 다른 산업에 비해 경직되고 유연성이 없는 것으로 간주되는 경우가 많으며, 그들이 사용하는 레거시 장비와 시스템은 특정 금융 프로세스에 여전히 중요합니다. 그러나 디지털화와 관련하여 금융 서비스 산업은 실제로 디지털 혁신 이니셔티브 구현을 선도하고 있습니다. 연구에 따르면 금융 서비스 산업은 가장 디지털적으로 성숙한 산업 중 하나이며, 다른 산업에 비해 디지털 혁신 이니셔티브에서 28%의 성공률을 보입니다.
새로운 경쟁과 변화하는 작업 모델로 인해 금융 서비스 산업 생태계에서 현대 기술의 채택이 촉진되었습니다. 그러나 채택과 성공적인 구현은 서로 다른 것이며, 금융 서비스 기업이 신기술로부터 얻을 수 있는 이점을 제한하는 몇 가지 실수가 발생하고 있습니다. 고객 경험에서의 대화형 AI는 많은 대형 은행이 채택했지만 아직 잠재력을 최대한 발휘하지 못한 기술입니다.
많은 은행이 간단한 고객 문의를 처리하기 위해 전용 챗봇을 만들거나 공급업체와 제휴하여 웹사이트에 챗봇을 설치했습니다. 이는 고객에게 더 나은 서비스를 제공할 수 있지만 모든 챗봇이 동일하지는 않기 때문에 제한 사항도 있습니다. 챗봇은 대화를 나누고 정보를 처리하며 궁극적으로 고객에게 적절한 솔루션을 제공하는 능력이 매우 다양합니다.
챗봇을 사용한 고객 경험에 대한 연구에 따르면 항상 고객의 불만이 있는 것으로 나타났습니다. 응답자의 37%는 챗봇과의 의사소통이 종종 의욕을 떨어뜨리고 사전 프로그래밍된 답변이 제한되어 고객을 찾을 수 없다고 느꼈습니다. 문제. 실제로 대부분의 최신 시스템은 인지 지능이 거의 제공되지 않고, 자동화도 거의 불가능하며, 고객 문제를 처리하는 능력이 제한되어 있어 자주 묻는 질문에 대해 기성 답변만 제공하는 경우가 많습니다.
그렇다면 금융 서비스 기업은 어떻게 대화형 AI를 올바르게 구현할 수 있을까요? 먼저, 은행이 이러한 시스템을 배포할 때 피해야 할 가장 일반적인 세 가지 실수는 다음과 같습니다.
모든 은행은 고객-직원 상호 작용의 기본 프로세스를 자동화하여 비용을 절감하고 싶어하지만 대화형 AI 구현을 고려할 때 최종 목표가 고객의 목표 달성을 돕지 못함 기존 고객 지원 방식보다 빠른지 여부를 프로젝트 시작 전에 재검토해야 합니다.
고객들은 은행이 채택한 챗봇의 한계를 모르거나 관심을 두지 않습니다. 초기 질문에 답변되면 더 복잡한 후속 질문을 하거나 거래가 가능한지 물어볼 수 있습니다. 기본 챗봇은 이러한 후속 질문을 은행 직원에게 제출하여 답변을 받는 유일한 방법으로 답변합니다. 최종 결과는 여전히 사람의 개입이 필요한 열악한 사용자 경험이며(사람의 개입을 피하는 것이 봇 사용의 주요 목표입니다), 고객은 향후 비효율적인 봇에 의존하는 대신 시간이 많이 걸리는 수동 방법으로 전환할 수 있습니다. 기본적으로 기업이 프로그램에 투자한 경우 해당 프로그램은 고객이 원하지 않거나 필요하지 않은 경험을 제공할 수 있습니다.
은행이 디지털 혁신을 수행하기로 결정한 경우, 배포하는 대신 더 높은 수준의 투자 보호와 효율성을 제공하기 위해 보다 발전된 대화형 AI 솔루션을 찾아야 합니다. 단순한 기능을 갖춘 챗봇은 빠르게 구식이 될 것입니다. 은행의 투자는 전문가 및 데이터 기반 결정을 기반으로 작업을 수행할 수 있을 만큼 숙련된 대화형 AI 에이전트를 통해 가능한 한 미래 지향적이어야 하며, 시간이 지남에 따라 이러한 상호 작용을 통해 새로운 시나리오를 학습하고 예측하여 항상 고객 요구 사항을 충족해야 합니다. . 첫째, 은행은 여러 프로세스를 식별하고 이를 일반적인 비즈니스 문제에 적용해야 합니다. 즉, 고객이 일반적이거나 반복적으로 묻는 질문에 응답해야 하며, 고급 AI 솔루션은 사람의 상호 작용 없이 결과를 제공할 수 있습니다. 대화형 AI 시스템은 특히 단기적으로 고객 쿼리 응답률을 향상하고, 처리 시간 및 첫 번째 접촉 해결을 지원하고, 자동화할 수 없는 프로세스를 완료하는 데 적합한 작업자를 찾는 데 도움이 될 때 가장 가치가 있습니다.
예를 들어 고객이 “소상공인 대출을 신청해야 하나요?”와 같은 질문을 하면 챗봇은 보편적인 답변을 제공할 수 없습니다. 코그너티브 시스템을 통해 은행은 머신 러닝, 대화 차별화 및 과거 기억을 활용하여 고객의 질문과 우려 사항에 대해 정보에 입각한 의견을 제공할 수 있습니다. 인지 시스템은 소비자의 은행 기록을 연구하고, 시장 데이터에 액세스하고, 계산을 수행하고, 가장 중요하게는 의미 있는 추천을 제공하기 위해 재무 목표를 쿼리할 수 있습니다.
연습은 디지털 작업자에게도 많은 것을 완벽하게 만들어줍니다. 기업은 기존 IT 생태계에 통합되어 몇 시간 내에 고객을 맞이할 수 있는 AI 시스템을 개발한다는 일부 공급업체의 약속에 주의해야 합니다. 대화형 AI 뱅킹 솔루션을 설치하고 최종 목표를 달성하기 위해 교육하는 것은 관련이 있지만 별개의 시나리오입니다.
대화형 AI 솔루션이 계속 발전함에 따라 은행은 엄격한 프로세스를 따르고, 은행 용어에 대한 전문적인 이해를 갖추고, 다른 시스템과 완벽하게 통합되는 API를 제공하는 솔루션을 찾을 수 있습니다. 그러나 이러한 프로세스와 조치는 실패를 방지하고 모든 관련 법률 및 규정을 준수하기 위해 여전히 여러 번 테스트되어야 합니다. 다른 은행 전문가와 마찬가지로 AI 시스템에도 가치를 창출하려면 브랜드별 포지셔닝, 교육 및 숙달 수준이 필요합니다.
금융 서비스 산업이 계속해서 디지털 혁신을 주도하도록 보장하는 것은 글로벌 금융 리더로서의 입지를 유지하는 데 핵심입니다. 그러나 새로운 기술을 모든 비즈니스 모델에 통합하는 것은 까다로울 수 있습니다. 특히 기술이 고객을 대상으로 하고 미래 성장이 고객 서비스에 달려 있는 경우에는 더욱 그렇습니다. 금융 서비스 회사는 위의 실수를 피하고 AI 투자의 장기적인 성공을 보장하며 의존하는 고객의 만족도를 향상시키기 위한 조치를 취해야 합니다.
위 내용은 은행 업무의 대화형 AI – 기업이 저지르는 세 가지 일반적인 실수의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!