Share on facebook
Share on linkedin
Share on twitter
Share on facebook
Share on linkedin
Share on twitter
[consultant3]

一窺亞太金融服務業如何踏上人工智慧企業轉型的旅程

長久以來,企業始終宣稱「我們所做的一切都是為了客戶」;如今,多虧了人工智慧革命性的發展,許多產業終於得以進一步落實這個理想。而在掌握機器學習(machine learning)和資料分析等工具的路途上,金融服務業可能是投資最多心力的產業之一。

「個人化」是關鍵所在

金融服務業在數位趨勢的衝擊下面臨許多挑戰,例如實際到銀行辦理事務的人數逐漸減少,因為大多數的客戶已移轉至手機上的應用程式,或連結到有安全認證網站來處理個人的金融需求。正因如此,現在開始實施數位轉型的金融機構,才能擁有更多機會與已經轉型的機構齊步共享數位化市場的成果。

這樣的轉變突顯出使用人工智慧等科技的重要性,因其有助於金融機構將顧客擺置在業務的核心。

「企業真的可以善用科技來提升客戶體驗,」新加坡保誠人壽行銷主任Harish Agarwal說道。「過去這一年我們致力於實施這樣的變革,並且親眼見證機器學習等人工智慧技術的應用,是如何幫助我們改善一對一的客戶體驗。」

從數據分析到個人化作業、客戶服務和即時產出洞察(real-time insights),保險業者普遍認為採行人工智慧解決方案可使業務效率「大幅」提升。舉例來說,已有保險公司採用類似財務顧問的認知型聊天機器人(chatbot),以及由人工智慧驅動、專司住院項目的電子理賠系統(e-claims system)。

askPRU認知型聊天機器人可在手機系統上,快速且輕鬆地檢索客戶資訊,協助財務顧問增進客戶體驗。此方式有助於減少財務顧問與客服中心聯繫的次數,使其有更多時間處理客戶的需求。

使用人工智慧強化資安銅牆鐵壁

新加坡的華僑銀行(OCBC Bank)早已採用人工智慧來協助其打擊金融犯罪,該銀行表示人工智慧科技有能力「學習」或適應交易模式隨時間產生的變化,因而能夠更精確地從中識別出可疑的交易行為。

對保險業者而言,人工智慧還可藉由增進評估專員審查索賠申請的能力,來降低詐欺性索賠的案件比例,繼而為公司省下數百萬美元的理賠支出。

新加坡普通保險協會(General Insurance Association of Singapore)估計保險業所受理的理賠案件中,約有五分之一是來自造假的或誇大不實的案由,每年對該產業造成的損失約為14000萬新加坡元(1100萬美元)

重新定義與客戶之間的互動

除了提升客戶服務和金融安全之外,在行銷業務上採用人工智慧的金融服務公司也可獲得極大的回饋。

舉例而言,將客戶個人資料和過往交易數據與社群媒體監測(social media monitoring)相互整合,可產生出個人化的商品推薦清單。如AIQUA這類以人工智慧驅動的行銷自動化工具,可讓行銷人員根據目標受眾的興趣和線上行為,發展出具有精準區隔性的互動模式,並藉此量身打造跨多平台的高度個人化(hyper-personalized)內容及訊息。

使用人工智慧的好處,是可以從尋找相似受眾延伸至向潛在客戶實施再行銷活動,從而發展個別客戶的全觀輪廓洞察,以及降低顧客流失(customer churn)情形。

某個流失貸款客戶給競爭對手的銀行決定轉向人工智慧尋求解決之道,透過比較忠實客戶和已流失客戶兩者間的屬性,該銀行將收集到的資料輸入預測模擬工具,以事先得知可能的顧客流失率。結果上述流失率的因素從原先的100多項大幅縮減至僅剩10種;該人工智慧模型適用於所有的貸款客戶類型,並依據其流失的可能性來進行排序。

該銀行以人工智慧提供的洞察為基礎來策劃精準行銷(targeted marketing)活動,這樣的做法不但使顧客流失率削減近一半之多,還為銀行保留住可能白白喪失的巨額營收及利潤。

挑戰依舊存在

然而就亞太地區而言,人工智慧解決方案之實踐仍面臨諸多障礙,更遑論憑藉其應用來讓金融產業受惠。

一項由Appier委託市調機構Forrester所進行的調查發現,有51%受訪的金融服務機構已開始使用人工智慧工具,另有27%的受訪對象表示未來一年內有類似的規劃;不過,受訪者也指出金融產業對於內部控管和客戶資料管理的要求,無形中限制了人工智慧的應用。

其他一些主要的挑戰還包括:建構合適的資料管理平台(52%)、蒐集與整合資料(52%),以及發展具有預測性的客戶洞察(49%)。

儘管挑戰並未消失,仍有半數以上的金融服務機構希望借助人工智慧,最大化客戶價值和忠誠度、優化行銷組合與增加投資報酬率,並深度理解客戶洞察,以採用更聰明方式與客戶互動。

在運作模式方面,人工智慧能為金融產業帶來許多改變;它不僅具有翻轉整個產業的革命性潛力, 還可能有助於改善現今消費大眾的財務狀況。

欲深入了解不同產業運用人工智慧的現況,請閱讀我們的產業訊息圖表和完整的Forrester調查報告

WE CAN HELP

Letus know how we can help improve your marketing strategy

YOU MIGHT ALSO LIKE

乘勢而上,把握第三波人工智慧浪潮

人工智慧目前已來到蓬勃發展的重要關頭,人們已經可以看到實際運用第三波技術的場景,意味著機器在各種應用領域中的表現已大幅超越人類力所能及的界限,並開始為企業創造各式各樣的發展機會。在此趨勢下,企業應重新評估其內部運作方式,並將人工智慧融入到日常業務中,以藉此充分發揮人工智慧的潛能。 浪潮進行式:人工智慧正在重塑商業模式 以統計為導向的系統開啟了第一波人工智慧浪潮,其中最著名的例子當屬人工智慧發展初期,Google這類大型網路公司所使用的資訊檢索演算法(如PageRank搜尋引擎的運作原理)。 第二波人工智慧浪潮則涉及更多機器學習相關技術,例如羅吉斯回歸、支援向量機等等。這類技術用途廣泛,可協助處理銀行業務或數位行銷工作。 而第三波浪潮以深度學習為發展核心,且大多應用在所謂的感知人工智慧領域(與人類的視覺、聽覺、觸覺等感知系統有關)。其中語音辨識和影像辨識技術便是以深度學習為基礎,可用於智慧音箱以辨識使用者的指令,或讓電子郵件程式能夠預判使用者後續欲輸入的內容。此外,也可用於手機系統,以方便使用者透過人臉辨識功能解鎖裝置;還可用於強化數位行銷和廣告工具,以協助企業精準預測消費者行為等等。 過去五年間興起的第三波人工智慧浪潮,在上述領域中的表現已大大超越人力所及。 不過,當論及這類技術在現實產品中的應用時,不難發現其精確程度仍會依應用情境的不同而呈現階段性差異。舉例來說,在使用者對準麥克風大聲唸出指令的理想條件下,智慧音箱可輕鬆且準確地辨識該指令的內容。然而當應用於現實生活情境時(例如當房內有其他人同時在說話),卻未必能達到相同水準。人臉辨識技術也面臨著同樣的問題,當使用者正面看向手機時,該技術的辨識效果較佳。相比之下,公共場所的監視攝影機在面對大量人潮,且人臉可能部分被遮蔽的情況下,其辨識精確度便會有所降低。 物體辨識技術也不例外。儘管汽車內建的進階駕駛輔助系統目前已能確實識別周遭的其他車輛和行人,但其辨識能力的效能高低仍需視天氣情況而定:下雨、光線不足或過強的情況都會影響其精確性。 日常生活用品(杯子、電視遙控器、椅子等等)的辨識難度甚至更高,這也說明了為何市面上還未出現家用機器人。至少目前為止還未推出! 高品質資料的重要性 資料是改善深度學習系統的關鍵。規則十分簡單:輸入的資料品質越高,系統的效能就越好。資料越多、效能就越高,但前提是要盡可能使用高品質的資料。 提高資料品質的秘訣,在於讓機器學習的訓練資料盡可能貼近真實應用情境。獲取這類資料的最佳方法便是直接將產品交給顧客,並在取得其同意的前提下,從對方的日常使用經驗中蒐集資料。透過此方式獲得的訓練資料,才能忠實反映出人們使用該產品的真實情況。 Tesla就是一個很好的案例。由於該公司擁有廣大、忠實的電動車客群,所以能藉此優勢蒐集大量資料,並應用深度學習再次訓練其人工智慧模型。其後則將獲取的資訊用於更新,以無線更新軟體技術(OTA)持續傳送到車輛內建的軟體中。換言之,Tesla為其產品建立了一個正向迴路:其蒐集的資料越多,模型的精確度就越高,服務品質也會隨之提升。因此,透過深度學習技術的應用,Tesla不僅能持續改善駕駛安全性並提升產品品質,更可在此過程中不斷向外拓展客群。 當然,與上述案例相反的情況也可能發生:當售出的產品數量越少,可蒐集到的資料便越少,模型準確性的提升速度也會趨緩。因此,該產品在顧客眼中的吸引力便會隨之降低。簡單來說,這是一個「雞生蛋或蛋生雞」的問題。由於人們購買的機器人數量不足,因此消費型機器人的發展速度便比不上電動汽車。這樣的情況會導致企業所蒐集到的資料多來自虛構用例,而非實際的使用情形。換言之,如果不具備基礎客群,那麼可用於分析的真實資料數量便會大打折扣,從而使深度學習失去改善產品或服務的效力。 過去五年間,許多應用領域都曾嘗試使用深度學習這項技術,但始終無法解決「雞生蛋或蛋生雞」這個問題,因此成功的例子寥寥可數。光靠人工智慧並不足夠,企業需結合人工智慧和其他機制,才能有效吸引顧客上門。但話說回來,人工智慧才是真正能為企業創造長期優勢的關鍵。一旦掌握了其運作原理,便有望大幅提升產品品質,繼而進一步對外擴張客群。而這正是讓品牌獨霸一方的最佳方程式。 透過深度學習技術解決部署障礙 第三波人工智慧浪潮也面臨著一些阻礙。 其中之一是因資料蒐集作業而衍生的成本。傳統而言,資料必須受到「監督」,也就是由操作人員確保資料輸入和輸出過程的正確性。例如,在建立汽車預警系統時,需針對汽車、行人、自行車騎士、停車標誌等資料進行人工標記。由於標記工作的成本相當高,因此當某應用領域的規模不足以支撐其所需的標記成本時,深度學習技術對該領域來說便不具成本效益。 好在隨著這門技術的發展日趨成熟,「非監督式」學習已不再是遙不可及的夢想。換句話說,企業只需將重點放在資料蒐集上,而無須擔心後續的標記問題,因為機器本身會自行解決這個難題。如果事實證明非監督式學習在成效上並不亞於監督式學習,那麼擁有一定客群且可取得原始資料的企業,就有機會借助人工智慧的力量來提升業績。換言之,在免除了龐大的標記預算後,由於利潤率相對提高,所以最終仍可達到獲利目的。此外,非監督式學習還有望降低人工智慧的使用門檻,讓更多應用領域可以從深度學習中受惠。 另一方面,特定類型的資料在蒐集上的困難度或成本也相對較高,例如醫學領域的電腦斷層掃描和磁振造影影像。此時,一種名為「遷移學習」的方法也許能派上用場。其作法是將較容易取得的資料類型(例如X光片)知識,遷移並套用到所需的資料類別中。此方法同樣有助於解決成本問題。 那麼,人力方面的難題又該如何克服呢?缺乏相關專業人士往往是企業部署時會遇到的障礙之一,但這樣的情況很快便將不復存在。由於人工智慧的熱門程度讓許多人才趨之若鶩,因此企業無須擔心未來是否有充足的專業人力,可協助提供其業務所需的各種應用技術。 唯有認真地去了解這項技術,管理人員才有可能對症下藥,規劃出足以應對「雞生蛋或蛋生雞」問題的解決方案。另外,除了需考量技術成熟度外,企業還需針對其應用領域進行深入的探究,以藉此在使用者、資料和人工智慧這三大要素中,建立一個生生不息、正向循環的業務模式。 如果能有效融會貫通上述技巧,將有望擁有無限可能。只要乘勢而上,把握住第三波人工智慧浪潮,便能邁向光明的前景! *準備好迎接第三波人工智慧浪潮了嗎?還是心中仍對運用人工智慧工具充滿疑問、不知該如何制定以資料為導向的決策,從而幫助公司提高行銷效率和投資報酬率?讓我們助您一臂之力!歡迎立即連絡Appier的人工智慧顧問,以便進一步討論您的專屬策略!

VIEW >

如何運用人工智慧,在有限預算下取得高品質潛在客戶名單 ?

長久以來,「單次獲取名單成本」(cost per lead,以下簡稱「CPL」)一直是行銷領域奉為圭臬的績效指標。就實際狀況而言,有63%的企業表示提高流量和增加潛在客戶名單是他們所面臨最大的行銷挑戰。 CPL雖然是一項可靠的指標,卻有一個盲點:CPL並不能反映潛在客戶名單(leads)的品質。理論上CPL越低越好,但不應犧牲潛在客戶名單的品質來換取較低的成本,導致轉換率變得低落,甚至減少品牌銷量。 不過,CPL的數值愈低,不代表潛在客戶名單的品質就愈差。行銷人可以藉助人工智慧的力量,取得具有高轉換潛力的高品質潛在客戶名單,同時有效降低CPL。 慧眼獨具:找出並觸及相似高價值受眾 人工智慧平台能夠辨識消費者的使用裝置,並且根據其跨螢行為解析消費者輪廓,一旦行銷人藉由分析消費者行為與興趣,找出最具消費潛力的受眾族群(例如最有可能購買者),該平台則可利用相同的條件擴大找出相似的使用者,這種作法便稱為「尋找相似受眾」(finding lookalike audiences)。 各品牌便可藉此辨識出行銷活動的最佳受眾,並將行銷經費投注在適當的渠道,讓觸及得以延伸至現有顧客範圍之外。 舉例來說,品牌的最佳受眾也許是在三天內瀏覽了十種商品的消費者,而非在一天內就看了五項商品的人。傳統的行銷方法是輪流針對不同群體行銷,期待有一天能找到對的人;然而人工智慧卻能透過精準預測免除多餘猜測,直接將行銷重點放在最具消費潛力的顧客身上,以實現利潤最大化的目標。 聰明再行銷以縮短轉換週期 人工智慧也可協助執行再行銷(remarketing,觸及對商品表達興趣但尚未完成轉換的潛在顧客),在使用者的不同裝置上投遞行銷訊息,縮短初次造訪網站和實際下單之間的時間。 舉例而言,某天小美用電腦上網看到一件喜歡的洋裝,接著又用手機瀏覽相同的商品,人工智慧可透過跨螢分析配對出小美擁有的所有裝置,並對小美進行有效的再行銷。例如寄送電子郵件到小美的電腦,同時在她的手機應用程式裡推播行銷訊息。如此便可有效簡化購物流程,小美只需點擊數下便可完成下單,不須在電腦與手機間來回切換,或信箱與瀏覽器間來回奔波。 「單一顧客的全觀輪廓」的重要性:以人為主,裝置為輔 透過人工智慧平台,企業可以針對不同使用者的跨螢行為及瀏覽紀錄(又稱為「單一顧客的全觀輪廓」、「single customer view」)量身打造合適的行銷訊息與廣告素材。人工智慧將這些數據視為每個獨特個體的行為,而非只是某裝置上的事件,將收集到的數據整合為一個具有特定興趣、行為和習慣的全觀洞察。如此一來,企業在執行行銷活動時,不但能藉此提升轉換率,也能獲得更清晰的顧客全觀輪廓,因而找到更多相似的受眾。 舉例來說,某運動品牌對於小明的跨螢行為很感興趣,如果採用傳統的行銷技術,充其量只能觀察到他在不同裝置上的瀏覽行為為一些廣泛分類主題如:運動、科技、金融和旅遊。由於有太多個接觸點(各種行為)),使得品牌難以判斷是否有其他人也在使用這些裝置,何況這些大範圍的興趣主題仍不夠精確,無法拼湊出小明的「單一顧客全觀輪廓」。 人工智慧能夠透過分析小明的跨螢行為及消費者旅程中所瀏覽過的關鍵字,細分出大分類中的子分類,並將他擁有的裝置連結在一起,藉此得出小明在網路世界時閱讀過的文章內容多次出現「籃球虛擬實境遊戲」、「比特幣」、「廉價民宿」等關鍵字。於是,當運動品牌想對他行銷時,便可根據小明的全觀洞察量身規劃行銷素材(籃球鞋、球星聯名款)與接觸渠道,進一步展開與小明(以及小明有相同興趣的對象)之間的互動,產生更多品牌連結。 人工智慧廣告頻次控制策略:讓你跟消費者有點黏又不會太黏 許多企業可能會想用大量的行銷投放以盡可能抓住消費者目光,如此通常會使得消費者應接不暇,反而產生負面觀感並刻意避開,使得品牌形象受損,得不償失。 聰明的人工智慧演算法採用廣告頻次控制(frequency capping),確保企業的行銷訊息量不會讓消費者感到不堪負荷,如此企業便可以在有效管理預算的同時減少無用的曝光次數。此外,由於人工智慧能辨識單一使用者擁有的所有裝置,因此企業也可避免在不同或低互動的裝置上持續發送相同或不感興趣的行銷訊息給同一個對象。 在行銷活動的週期當中,廣告頻次控制可以設定為一天一次,或依照訪客的特定行動而略做調整。人工智慧可以兼顧企業的偏好以及使用者行為找出最佳規則,或者企業也可直接設定曝光次數或點擊數的門檻。

VIEW >

別再置之不理!充分利用自有電商渠道的五項策略

看看自己手邊的自有渠道,目前是否已有效發揮功用呢?各品牌若要在電子商務的競爭中脫穎而出,將需在全通路行銷中表現出色,並有效利用付費、自有與賺得媒體來提升數位行銷曝光度。如同Netflix亞太地區行銷總監於最近一場訪問中所說:「當我們能夠善用自有、賺得與付費媒體呈現傑出的創意成果,便能在市場創造空前盛況,讓顧客感興趣之外,也促使對方採取行動。」 從自有渠道著手也許是最容易的方式。這些渠道為何如此重要,又該如何有效利用? 自有渠道是什麼,又有什麼重要之處? 自有渠道是品牌自身全權控制的行銷渠道。換言之,品牌能夠全權決定渠道內容、目標受眾,以及內容發佈的時間與頻率。 所謂的自有渠道包含了品牌官網、官方部落格、應用程式、社群媒體經營,以及電子郵件與簡訊服務等等。 藉由完全掌握這些渠道,將可為品牌打造出獨一無二的特色與調性。當所有自有渠道皆擁有一致風格時,便能成功融入顧客的生活之中,並藉此提升忠誠度。 此外,自有渠道的觸及範圍也十分廣大。受眾精確的社群網站貼文與內容常能擠上長尾關鍵字排行榜,除了協助快速提升網站觸及率之外,也能觸及無法以其他方式接觸的消費者。 此外,由於部落格與社群網站貼文將永遠存在於網路空間,因此能夠永續留存。不過,記得時時更新以避免過時! 另一項優點在於,自有渠道可說是十分實惠。由於部落格、社群媒體、電子信箱與各種通知能夠自然吸引流量,幾乎不需任何額外的行銷費用,唯一的支出便是創造內容的人力,以及網站代管服務的少量費用。 那麼,要如何運用這些渠道以提高投資報酬率? 超個人化網站與應用程式內容 官網或應用程式應根據訪客身份有所變化,特別是其中的首頁。不論新顧客或現有顧客,每個人的需求都有所不同,因此需要進一步了解對方,並在其造訪官網時呈現合適的商品。 雖然乍聽之下簡直難如登天,但若能有效利用資料與進階人工智慧工具,便能大幅降低困難度。人工智慧技術能夠分析官網與其他網站中的顧客行為,進而辨識出其興趣與需求;因此,若利用人工智慧將自有資料與第三方資料相結合,便能夠獲取完整的顧客樣貌。舉例而言,若麥可醉心於文化領域,在他造訪您的旅遊網站或應用程式時,便可將博物館與藝廊列為推薦景點。 個人化內容將能夠提升互動度、消費者黏著度、品牌忠誠度,以及投資報酬率。 創造極致精準的電子郵件行銷 在網路世界中,電子郵件雖然歷史悠久,卻仍位列最有效的行銷渠道之一。根據麥肯錫公司的調查,電子郵件行銷的成效是社群媒體的40倍,而轉換速度則為3倍之多。 若讓電子郵件訂閱者在註冊帳號時填入偏好,便能藉此取得先機。不過,為了確保更為精準的區隔與高度個人化的電子郵件內容,也能使用機器學習分析顧客的購買紀錄、興趣與瀏覽行為,以獲得更多洞察,進而為每位顧客量身打造電子郵件內容。 此外,機器學習能夠藉由分析顧客與電子報之互動,預測何種廣告較符合對方的品味、因而能夠觸發行動。 藉由推送通知與顧客重新互動 推送通知能夠將應用程式互動度提升20%,並創造更多收益。不過,平凡無奇的推送通知將無法有效提升品牌吸引力,而顧客只會將其視為一點都不用心的煩人行銷訊息。如此一來不僅無法提升顧客轉換率,甚至會導致顧客流失。 因此,請務必確保推送通知的相關度與及時性。若要提升轉換率,可使用機器學習模型於應用程式內與外部網站分析使用者過往的行為、購買模式與目前的興趣,並利用獲得的洞察創造個人化商品推薦。 此外,也可善用輪播或豐富多媒體等不同的廣告形式,除了增加吸睛度之外,也能夠提升與使用者的互動度。 而掌握寄發推送通知的最佳時機也同樣重要。藉由分析使用者行為以及先前與推送通知的互動,機器學習能夠辨識出寄發通知的最佳時機,以促使對方採取行動。 像照顧花園般經營部落格 花園若疏於照顧,很快就會雜草叢生,然而這卻是許多公司對待部落格的態度。品牌不應僅為了擁有這個渠道而建立部落格,而應該經常更新內容,除了在部落格上反映公司的價值、調性,也應適時談論顧客所在意的事情。他人將藉由部落格了解您的品牌,因此請確保部落格能夠有效傳遞訊息。

VIEW >