Strojové učení mění call centra bank

Gabriela Csanak

Strojové učení a nástroje pro velká data podobné těm, které stojí za oblíbenými digitálními asistenty jako Alexa a Siri, mohou bankám a pojišťovnám pomoci při racionalizaci operací a struktur jejich nákladů. V dlouhodobém horizontu jim mohou pomoci získat přehled o potřebách zákazníků a identifikovat nové zdroje příjmů.

Bankovní call centra jsou tradičně zaměřená na zákaznickou spokojenost. Dosahují jí tak, že reakce na rutinní žádosti o asistenci představují jen minimální náklady. Call centra byla dosud řízena jako nákladová střediska a jejich klíčovým měřítkem byla průměrná doba čekání na operátora.

Strojové učení (ML), počítačové zpracování přirozeného jazyka (NLP) a robotická automatizace procesů (RPA) napomáhají vývoji a automatizaci repetitivních úkonů a dějů. Prediktivní analytika pak umožňuje vytvořit modely, které nejsou explicitně naprogramované, ale učí se interaktivně z každého opakování řešení nějakého problému. Jsou tudíž schopné vytvářet predikce a navrhovat rozhodnutí.

Modely strojového učení dokáží v mluvené i psané interakci probíhající v call centru nalézt „skryté“ vzorce a trendy, včetně pocitů. Tyto klíčové vzorce možná prozrazují, jak bude vypadat příští generace produktů a inovace služeb. Napomáhají určit, co zákazníky zajímá, a poskytují časné varování před potížemi.

Levnější ukládání dat založené na cloudu, automatizované zpracování a lepší analytické nástroje na odkrývání významu dat dramaticky navyšují možnosti strojového učení.

Nástroje strojového učení dokáží interpretovat nuance a podporují vstřícnější postoj vůči zákazníkům v průběhu interakcí typických pro call centra, jako je například otázka zákazníka po přístupu k uloženým penězům anebo dotaz firemního zákazníka na to, jak dlouho trvá převod peněz.

Více než polovina interakcí s call centrem se týká rutinních záležitostí, proto může strojové učení posloužit jako východisko pro vývoj samoobslužných zařízení pro zákazníky. Odhaduje se, že pokud se zákazníkům poskytnou takové nástroje, sníží se objem volání na call centra.

Zároveň by se snížilo předávání hovorů, protože by byl zákazníkův problém vyřešen během první interakce. Typická americká banka s tisícovkou poboček by tak mohla ročně ušetřit 70 až 80 milionů dolarů.

Při pohledu do budoucnosti představují NLP a RPA příslib, že se usnadní práce call center. Dojde totiž ke vzniku jakýchsi softwarových „robotů“, kteří budou využívat data a aktivují chatové reakce na dotazy zákazníků. Roboti nebudou představovat soumrak lidských pracovníků call center, ale umožní jim využít potenciální prodejní situace a nabídnout zákazníkům správný produkt a služby.

Bankovní call centra se díky možnostem strojového učení stávají vůdčím aktérem v účinnosti, růstu a výnosech. Banky hledící do budoucnosti musí tuto neodolatelnou příležitost využít.

Podobné články

Fintech: do hry vstupují i banky

Trh fintech společností v Evropské unii je ve srovnání se situací v Číně a USA stále v plenkách.

Přečíst článek

Směrnice PSD2: bankovní systém se vyvíjí

Banky se stávají poskytovateli široké škály služeb třetích stran. Co tento trend znamená?

Přečíst článek

Mileniálové: Výzva pro banky

Bankovnictví se musí co nejrychleji přizpůsobit tomu, co mileniálové chtějí. Je to pravda?

Přečíst článek