Personalizzare l’offerta, incentrandola sul cliente finale per calzare a pennello sulle sue esigenze. È un vero e proprio mantra per le banche di fronte alla sfida delle BigTech.
Ma questo obiettivo è rimasto in molti casi un miraggio. Come analizzato nel report “Getting personal: How banks can win with consumers” di McKinsey and Company.
Il fatto è che gli enormi investimenti fatti dalle banche negli ultimi anni si sono concentrati sull’analisi e sulla potenza di elaborazione, ignorando la sfida di creare un ecosistema interno per raccogliere dati in modo efficiente prima di darli in pasto agli algoritmi.
Non basta il "cervellone"
Il report presenta il caso-studio di una grande banca che ha puntato tutto sul machine learning: un grande e agile cervello per sviluppare capacità predittiva.
A distanza di due anni dall’investimento, però, nella stessa banca la gestione di tutto ciò che era a monte dell'elaborazione dei dati era gestito in modo tradizionale. I dati erano raccolti manualmente e con un'organizzazione a silos. Limitando moltissimo le effettive possibilità del "cervellone".
Attenzione alla raccolta dei dati
L’errore frequente individuato da McKinsey è proprio il pessimo mix tra una raccolta dati incoerente, modelli di produzione lenti e algoritmi creati su misura, che per questo risultano poi difficili da aggiornare e condividere.
C’è anche un problema di organizzazione: la personalizzazione dell’offerta non è solo un’iniziativa di marketing o di analisi, ma è comune a tutta l’azienda. Ma spesso non viene percepita come tale dalle altre funzioni.
Un ulteriore punto di attenzione sono gli obiettivi. Perché stiamo personalizzando? Una visione limitata all’aumento dei click e delle conversioni tarpa le ali al reale potenziale della personalizzazione, che può diventare un driver di valore a lungo termine.
Tutto intorno al cliente
Ci sono anche alcune banche che ce l’hanno fatta. Hanno messo il valore per il cliente al centro di un’architettura orientata a questo obiettivo.
I risultati per il singolo cliente sono personalizzati, ma si basano su input e algoritmi codificati, unificati e centralizzati.
E queste banche hanno ottenuto una crescita dei ricavi tra il 5% e il 15% dalle loro campagne, dimezzando o riducendo almeno di un quarto i tempi di commercializzazione.
Il segreto del successo è non limitarsi ad acquisire strumenti di analytics, ma costruire meccanismi efficaci per coordinare le iniziative in tutta l’azienda. Non servono casi d’uso isolati o modelli difficili da replicare, ma soluzioni scalabili e condivisibili all’interno dell’organizzazione.
Le sfide da affrontare
Da queste esperienze derivano le “sfide da affrontare” per personalizzare l’offerta in banca, secondo McKinsey.
Non avere dati sporadici e incoerenti sui clienti
Il 28% delle banche ha già sviluppato la capacità di integrare rapidamente i dati strutturati interni dei clienti nei propri modelli di IA.
Le altre si scontrano spesso con il problema di avere le informazioni clienti sparpagliate, e conservate in modi diversi, all’interno dell’azienda.
Non limitare l’applicazione del machine learning
Appena il 9% delle banche dispone di una gamma completa di modelli di analisi ML che possano guidare un coinvolgimento personalizzato in ogni fase di contatto.
La maggior parte si è invece concentrata su momenti isolati e obiettivi a breve termine. Qui prevale l’orientamento al prodotto, come l’aumento delle richieste di mutui, oppure l’apertura di conti.
Si dovrebbe invece guardare ai driver del valore della via del cliente (CLV) per importare le relazioni con i clienti.
Non analizzare solo su piccola scala
Appena il 16% dei team di data science segue un protocollo standard per sviluppare strumenti di IA.
Nella maggior parte dei casi, invece, lo sviluppo del’analisi è fatto in base a una campagna. E questo rallenta i tempi di realizzazione e limita il numero di iniziative di personalizzazione che possono essere lanciate.
Non limitare l’integrazione e il tracciamento
I modelli di machine learning e i sistemi di gestione delle campagne spesso non dispongono di sistemi di feedback che li colleghino.
E succede così che appena l’8% delle banche applica gli insight predittivi dei modelli di machine learning per informare l’esecuzione delle campagne e il processo decisionale.
Gestire i rischi AI in modo adeguato
Appena il 14% delle banche dispone di un sistema di governance specifico per l’AI. Molte pratiche di gestione del “rischio intelligenza artificiale” sono guidate dai modelli tradizionali di gestione del rischio.
Che risultano però poco dinamici per essere adatti all’AI.
La soluzione in 5 passi
Se l’obiettivo è sviluppare un’infrastruttura integrata e allineata alle opportunità prioritarie, basata su casi d’uso che coprano l’intero ciclo di vita del valore del cliente, allora è possibile identificare i cinque elementi fondamentali di una strategia di successo.
1. Puntare sull’alto valore
I primi casi d’uso da sviluppare devono essere semplici e ad alto potenziale. Questo permette di mettersi alla prova con la personalizzazione in modo rapido, fornendo valore aggiunto e sostenendo ulteriori iniziative.
2. Consentire l’attivazione rapida
Per scalare rapidamente, i team di personalizzazione hanno bisogno di risorse disponibili: algoritmi pronti all’uso, decisioni ed esecuzioni automatizzate permettono di velocizzare il test di nuove idee e l’acquisizione di dati dal campo.
I risultati saranno così sempre più raffinati.
3. Metriche di performance
Una solida serie di metriche per valutare le performance, sostenuta dalla creazione di manuali di best practice, può ridurre la curva di apprendimento.
4. Investire in martech
I dati aziendali vanno collegati ai modelli di machine learning. Che, a loro volta, devono interagire con le tecnologie di marketing (il MarTech) alimentando gli input risultanti nelle campagne per fare poi circolare nuovamente i dati fino a raggiungere i risultati.
5. Vera agilità operativa
Molte organizzazioni applicano la metodologia agile in modo sporadico, ma mancano gli sforzi di personalizzazione traversali. Le banche devono creare team integrati composti da più unità agili, ognuna delle quali segue un caso d’uso specifico.
