Missione fidelizzazione. Il Retail Banking ha di fronte a sé una sfida: quella di costruire rapporti duraturi e di fiducia con il proprio cliente. La proliferazione di concorrenti digitali, più smart ed economici rispetto agli attori tradizionali, ha creato uno scenario nel quale il cliente più informato e digitalmente abile, è sempre più consapevole delle alternative ed è disponibile a cambiare banca per trovare servizi più adatti alle proprie caratteristiche di cliente, risparmiatore o piccolo investitore.
Già nel “World Retail Banking Report 2016” si evidenziava come solo il 55% dei clienti fosse certo di mantenere la propria banca nei successivi 6 mesi. Questo dato fornisce un’indicazione piuttosto chiara del “rischio churn” che gli istituti bancari devono affrontare quotidianamente. Nell‘ultimo rapporto realizzato sempre da Capgemini e Efma, il primo dopo la pandemia, è emerso che il 57% dei consumatori preferisce utilizzare i servizi di internet banking (rispetto al 49% pre COVID-19) e il 55% dei consumatori predilige le app di banking mobile, rispetto al 47% del 2019. Questo contesto ha certamente contribuito all’accelerazione del processo di switch verso il digital banking e l’esplosione dei player Fintech.
Strumenti basati sull’AI per il Retail Banking
In Premoneo sviluppiamo strumenti basati sull’Intelligenza Artificiale per aiutare le banche in questa cruciale sfida commerciale. È infatti proprio la Scienza dei Dati, la chiave per affrontare questo scenario di incertezza.
È una delle leve con cui, fin qui, le società Fintech sono riuscite ad attrarre sempre più clienti delle banche tradizionali. In un sondaggio condotto dalla società Salesforce è emerso che il 55% dei millennials preferisce effettuare un pagamento attraverso i servizi di una Fintech piuttosto che utilizzare un servizio analogo offerto dalle banche. Nella stessa ricerca è emerso che il 13% dei millennials ha cambiato la propria banca con una digitale negli ultimi 5 anni. Le aree di sviluppo in cui lavoriamo per far entrare l’Intelligenza artificiale nei processi manageriali delle banche tradizionali sono due: il pricing e il marketing.
Quando si parla di prezzi dei prodotti, le banche sono spesso vincolate a dover operare tra margini limitati e vincoli normativi. Per questo, è fondamentale valutare in modo dinamico la redditività netta. È importante tenere presente, però, che non è necessario che i clienti siano attratti solo da prezzi bassi o sconti. Esistono infatti molti fattori che possono influenzare questa decisione: la domanda, la disponibilità di un simile livello di servizio nel mercato e l’urgenza del servizio. Se aggiungiamo la possibilità di tracciare in tempo reale o quasi, i livelli di pricing e le offerte praticate dai competitor, otteniamo uno scenario in cui la banca tradizionale può disporre in ogni momento di un set di dati che permette di costruire modelli di pricing più performanti rispetto alla variabilità del mercato. Solo una piattaforma di pricing studiata conoscendo i processi decisionali dei prezzi applicati dagli istituti di credito, in grado di fornire strumenti di forecasting e di studio dell’elasticità della domanda, può permettere ai pricing analyst di modernizzare e velocizzare le azioni di controllo dell’efficacia dei prezzi e di repricing.
L’impatto dell’AI nel rapporto con la clientela
Anche il rapporto con la clientela attuale e con i clienti prospect può cambiare passo, grazie all’Intelligenza Artificiale applicata al marketing.
Con i giusti strumenti, le banche potrebbero essere in grado di aggiornare periodicamente il profilo dei propri clienti e di calcolare una stima del loro “valore potenziale”. Un cliente acquisito a t=0 grazie a determinati prodotti con determinati prezzi, potrebbe aver modificato, a t+1, la sua situazione acquistando un appeal differente per la banca stessa. Per poter iniziare un percorso di arricchimento continuo del proprio database, anche grazie all’acquisizione di dati esterni, è necessario disporre di un ambiente tecnologico capace di recepire sempre nuove informazioni sui clienti già in portafoglio: questo consentirebbe di identificare la precisa fase della vita del cliente a cui sono associate specifiche esigenze e preferenze, per essere in grado di proporre prodotti e servizi più idonei in ogni momento.
Machine Learning, offerte personalizzate e rewards per fidelizzare il cliente
Per processare poi le informazioni relative ai propri clienti, le banche dovrebbero possedere strumenti adatti ad implementare analisi basate su sistemi di machine-learning per creare cluster sempre più specifici in base ai comportamenti di consumo e alle preferenze. Solo sulla base di questo lavoro, gli istituti di credito dovrebbero inviare offerte e reward ai clienti per coinvolgerli e informarli con frequenza. L’introduzione di sistemi di ricompensa porta i clienti ad approfittare delle offerte acquistando servizi di cui avrebbero rimandato o evitato l’acquisto. Aumentare la fedeltà attraverso la creazione di offerte vantaggiose o l’aggiunta di servizi “premium” consente al cliente di sentirsi più soddisfatto e di diminuire così la possibilità di abbandono. Fare queste attività “a pioggia” su cluster territoriali, come invece spesso accade, ha un’efficacia relativa e rischia di impattare negativamente i clienti fuori target.
La scienza dei dati e l’AI ad essa associata rappresentano il presente e il futuro del settore bancario, perché è ormai accessibile a banche di qualsiasi dimensione. Solo questi strumenti, sviluppati ad hoc ed implementati nell’ecosistema IT delle banche, consentiranno di recuperare il terreno perduto in favore delle Fintech e di diventare competitive e appealing sia per i clienti tradizionali, sia per quelli “digitali”.
