Keuntungan:
- Memahami apa yang menjadi dasar segmentasi pelanggan data dan analisis perilaku dan bagaimana kecerdasan buatan digunakan untuk menghasilkan wawasan dengan garis besar segmen.
- Kemampuan untuk menggunakan kecerdasan buatan untuk definisi segmen, teks kampanye dan ringkasan wawasan, menjaga batas-batas diskriminasi dan manipulasi
- Kemampuan untuk mengenali batas antara keuntungan pelanggan dan eksploitasi personalisasi serta menerapkan prinsip kesesuaian dan persetujuan
Bank tidak dapat memperlakukan jutaan nasabah secara seragam. Kebutuhan mahasiswa muda dan pensiunan pedagang, pemilik UKM dan pekerja lepas berbeda. Segmentasi adalah tugas membagi pelanggan ke dalam kelompok-kelompok berdasarkan karakteristik dan perilaku yang serupa; Personalisasi berarti menawarkan produk, komunikasi, dan pengalaman yang sesuai kepada setiap kelompok (bahkan individu). Kecerdasan buatan adalah alat yang ampuh dalam bidang ini: kecerdasan buatan membuat sketsa segmen dari data perilaku, menulis salinan kampanye, dan merangkum wawasan. Namun segmentasi dalam perbankan mempunyai sisi gelap: teknik yang sama dapat digunakan untuk mengeksploitasi, mendiskriminasi atau memanipulasi nasabah yang rentan. Batasannya adalah garis antara keuntungan pelanggan dan eksploitasi, dan garis ini dibuat oleh manusia.
Dalam unit ini, kita akan melihat apa yang mendasari segmentasi, bagaimana menggunakan kecerdasan buatan dalam produksi segmen dan kampanye, dan batasan etika apa (kesesuaian, persetujuan, non-diskriminasi) yang harus dipertahankan.
Berdasarkan apa segmentasi itu?
Entri segmen yang umum:
- Demografi: Rentang usia, kelompok pekerjaan, wilayah geografis (catatan: ini mendekati karakteristik yang dilindungi).
- Perilaku: Penggunaan produk, frekuensi transaksi, preferensi saluran (ponsel/cabang), pola belanja-hemat.
- Nilai dan siklus hidup: Durasi hubungan dengan bank, jumlah produk, aktivitas.
- Sinyal yang dibutuhkan: Pencarian rumah baru (bunga hipotek), pembelian valuta asing secara teratur, pertumbuhan bisnis.
AI dapat mengekstrak “kelompok pelanggan serupa” dari data ini. Namun meskipun sebuah cluster “signifikan secara statistik”, cluster tersebut mungkin tidak dapat digunakan secara etis.
Tip: Tanyakan pada diri Anda: “Dapatkah saya menjelaskan segmen ini dengan jelas kepada pelanggan?” Jika segmen tersebut didasarkan pada logika eksploitatif seperti "pelanggan yang terlilit hutang berlebihan dan panik, mudah terbujuk", hanya karena secara teknis memungkinkan tidak berarti hal tersebut sah.
Kelayakan, persetujuan dan diskriminasi: tiga batasan
- Kesesuaian: Apakah produk yang diusulkan memenuhi kebutuhan nyata pelanggan dan kemampuan membayar? Memasarkan kredit tambahan kepada pelanggan yang berhutang berlebihan mungkin merupakan "penjualan" tetapi hal ini tidak tepat.
- Persetujuan dan transparansi: Apakah pelanggan mengetahui bahwa datanya sedang diproses untuk tujuan ini dan apakah dia telah memberikan izin untuk hal ini (persetujuan eksplisit KVKK / kerangka kepentingan yang sah)? Personalisasi harus menjadi layanan yang transparan, bukan manipulasi rahasia.
- Non-diskriminasi: Apakah segmen tersebut secara sistematis mengecualikan suatu kelompok berdasarkan karakteristik yang dilindungi seperti usia/gender/asal atau variabel proksinya (misalnya kode pos)? Ini melanggar hukum.
Penggunaan
Keuntungan atau eksploitasi pelanggan?
Merekomendasikan produk nilai tukar yang menguntungkan kepada pelanggan yang rutin membeli mata uang asing
Manfaat (sesuai kebutuhan)
Memberikan informasi kredit yang tepat kepada pelanggan yang mencari perumahan
Manfaat (transparan, nyaman)
Memasarkan pinjaman tambahan yang mahal kepada pelanggan yang mengalami kesulitan membayar
Penyalahgunaan (pelanggaran kepatuhan)
Pengecualian sistematis suatu wilayah tertentu dari kampanye
Diskriminasi (melanggar hukum)
Menargetkan segmen “tidak sensitif terhadap harga” dengan biaya yang lebih tinggi
Risiko manipulasi
Menggunakan kecerdasan buatan dengan aman: langkah-langkah
- Tentukan tujuan. Tuliskan kebutuhan pelanggan sah apa yang dilayani segmen tersebut.
- Bekerja dengan data anonim. Hasilkan sketsa segmen tanpa kredensial.
- Penyaringan diskriminasi. Periksa apakah segmen tersebut didasarkan pada properti yang dilindungi atau variabel pengganti.
- Pemeriksaan kepatuhan. Mempertanyakan kesesuaian produk yang diusulkan dengan solvabilitas dan kebutuhan segmen.
- Menghasilkan draf teks. Mencetak teks kampanye/komunikasi ke kecerdasan buatan; Periksa janji-janji yang dilebih-lebihkan, ditekankan, dan menyesatkan.
- Persetujuan manusia. Jalani kepatuhan, kepatuhan, dan persetujuan merek; mengambil tanggung jawab.
Empat templat yang dapat disalin
1) Garis besar segmen yang sah:
Peran Anda: asisten yang mengusulkan garis besar segmen untuk kepentingan pelanggan. Kategori data perilaku anonim: [pembelian mata uang reguler, mobile-heavy, volume transaksi sedang]. Tugas: menyarankan 2-3 ide segmen yang sesuai dengan perilaku ini dan memberikan KEUNTUNGAN PELANGGAN. Untuk setiap gagasan, tuliskan kebutuhan sah apa yang dilayaninya. Menggunakan karakteristik yang dilindungi (usia, jenis kelamin, asal, wilayah).
2) Audit diskriminasi dan kepatuhan:
Periksa definisi segmen di bawah untuk mengetahui dua aspek: (1) Apakah segmen tersebut bergantung pada atribut yang dilindungi atau variabel pengganti (seperti kode pos, asal nama, dll.) (2) Apakah produk yang diusulkan kompatibel dengan solvabilitas segmen atau adakah risiko mengeksploitasi kerentanannya? Cantumkan risiko dengan jelas. Segmen: [definisi]
3) Draf teks kampanye (bahasa etis):
Peran Anda: asisten menulis DRAFT salinan kampanye. Segmen: pelanggan yang meneliti pinjaman hipotek (anonim). Tugas: menulis salinan informasi yang transparan, tanpa tekanan, tanpa embel-embel. Menggunakan janji yang tegas (“pasti disetujui”) dan urgensi (“2 jam terakhir”). Perhatikan bahwa kondisi produk dapat berubah. Saya akan mengirimkan teks untuk persetujuan kesesuaian dan kepatuhan.
4) Ringkasan wawasan (kepada manajer):
Ubah data kinerja segmen anonim yang saya berikan menjadi ringkasan wawasan sederhana untuk pengambil keputusan. Gunakan saja temuan yang ada di data, jangan mengarang angka-angka baru. Memberikan nasihat yang diskriminatif atau kasar. Data: [ukuran segmen, penggunaan produk, indikator kepuasan]
Perintah lemah / Perintah kuat
Perintah yang lemah:
Temukan pelanggan yang paling mudah dibujuk dan mempunyai utang tinggi dan tuliskan kepada mereka teks kampanye agresif yang akan meningkatkan penjualan pinjaman tambahan.
Permintaan ini mengeksploitasi kerentanan, melanggar prinsip kepantasan, dan memerlukan bahasa yang manipulatif.
Perintah yang kuat:
Peran Anda: Asisten rancangan kampanye untuk kepentingan pelanggan dan mematuhi undang-undang. Jika sinyal kebutuhan nyata dan produk sesuai, tulis teks informasi yang transparan. Membangun tekanan penjualan terhadap kelompok rentan (terlilit hutang, kesulitan membayar). Menggunakan tekanan yang berlebihan, mendesak, dan janji yang pasti. Saya akan memberikan persetujuannya.
Kemauan yang kuat akan menjaga kepatuhan dan transparansi, mengecualikan kelompok rentan, dan menyerahkan keputusan kepada masyarakat.
tiga kasus mini
Kasus 1 — Personalisasi yang berguna. Model ini menandai 12.000 pelanggan yang secara rutin menerima mata uang asing setiap bulannya. Mereka ditawari informasi nilai tukar dan rekening mata uang asing yang menguntungkan; 18% menggunakan produk dan kepuasan meningkat. Segmen tersebut melayani kebutuhan nyata secara transparan.
Kasus 2 — Penyalahgunaan ditolak. Sebuah tim mengusulkan kampanye cerukan yang mahal untuk segmen yang “menunggak dan rawan panik.” Hal ini ditolak dalam pemeriksaan kelayakan: yang tepat bagi kelompok ini bukanlah tambahan utang, tetapi negosiasi strukturisasi dan dukungan finansial. Risiko penyalahgunaan dapat dicegah.
Kasus 3 — Diskriminasi tersembunyi tertangkap. Segmen didasarkan pada kode pos dan mengecualikan area tertentu dari kampanye. Dalam audit, hal ini ditandai sebagai diskriminasi tidak langsung berdasarkan wilayah (variabel proksi) dan definisi segmen ditetapkan kembali dengan kriteria perilaku yang sah.
Garis tipis antara personalisasi dan manipulasi
Teknik yang sama menghasilkan hasil yang sangat berbeda dengan dua maksud yang berbeda. Melihat nasabah menabung secara rutin dan merekomendasikan produk tabungan yang cocok untuknya adalah personalisasi; Melihat pelanggan yang sama kekurangan uang tunai di akhir bulan dan mengirimkan notifikasi kredit mahal pada saat itu adalah manipulasi. Perbedaannya bukan terletak pada data yang digunakan, namun untuk kepentingan siapa data tersebut digunakan.
Tiga tes praktis untuk membedakan garis:
- Uji transparansi: Apakah pelanggan akan tersinggung jika Anda menjelaskan penargetan ini dengan jelas? Jika Anda tidak bisa mengatakan, "Kami memilih momen sulit Anda untuk menjual produk," Anda telah melewati batas.
- Tes arah: Apakah transaksi tersebut mengarahkan pelanggan ke situasi keuangan yang lebih baik atau penjualan jangka pendek Anda? Jika arahnya tidak memihak pelanggan, berhentilah.
- Uji kerentanan: Apakah kelompok sasarannya merupakan kelompok yang sangat rentan terhadap tekanan atau keputusan yang salah (terlilit utang, lanjut usia, rendahnya literasi keuangan)? Jadi diperlukan perlindungan ekstra.
Hati-hati: Manipulasi sering kali disamarkan sebagai “kampanye yang berhasil”; peningkatan penjualan dalam jangka pendek. Namun pelanggan yang dieksploitasi cepat atau lambat akan kehilangan kepercayaannya, dan kerugiannya berupa reputasi dan sanksi peraturan. Transformasi jangka pendek bukanlah pengganti kepercayaan jangka panjang.
Kesalahan umum
- Menargetkan kerentanan. Membuat target penjualan bagi kelompok yang terlilit utang berlebihan, panik, atau yang literasi keuangannya rendah.
- Diskriminasi berdasarkan variabel proksi. Mengecualikan atau memfavoritkan suatu grup melalui proxy seperti kode pos, asal nama, dll.
- Mengabaikan persetujuan dan transparansi. Menggunakan data pelanggan untuk personalisasi tanpa sepengetahuan/izin mereka.
- Bahasa manipulatif. Tekanan dan janji-janji yang menyesatkan seperti “pasti disetujui”, “2 jam terakhir”.
- Tidak mempertanyakan kesesuaian. Tidak memeriksa apakah produk tersebut sesuai dengan kemampuan pembayaran pelanggan.
Perhatian: Personalisasi adalah kesempatan untuk mengenal pelanggan lebih baik dan melayaninya dengan lebih baik; namun pengetahuan yang sama juga memberinya kekuatan untuk menargetkan momen kelemahannya. Satu-satunya kompas ketika menggunakan kekuatan ini adalah "keuntungan sebenarnya dari pelanggan".
Singkatnya
Segmentasi didasarkan pada data demografi, perilaku dan kebutuhan; Kecerdasan buatan mempercepat rancangan segmen, teks kampanye, dan produksi wawasan. Namun batasannya bersifat etis dan legal: relevansi (apakah produk sesuai dengan kebutuhan), persetujuan/transparansi (apakah pelanggan mengetahui dan memberikan persetujuan), dan non-diskriminasi (tidak ada pengecualian oleh properti yang dilindungi atau variabel pengganti). Penggunaan apa pun yang mengeksploitasi kelompok rentan, menggunakan bahasa manipulatif, atau mengandung diskriminasi terselubung akan ditolak. Dalam satu kalimat: Kecerdasan buatan membantu Anda mengenal pelanggan; Itu keputusan Anda untuk tidak mengeksploitasinya.
Tugas aplikasi
Pilih kategori data perilaku (misalnya pembelian valuta asing reguler) dan hasilkan dua gagasan segmen yang sah dengan templat 1. Kemudian periksa segmen ini untuk mengetahui diskriminasi dan kepatuhannya terhadap templat 2. Kemudian dengan sengaja identifikasi segmen yang bermasalah (misalnya berdasarkan kode pos) dan tunjukkan bagaimana audit menangkapnya. Terakhir, buatlah teks kampanye etis dengan template ke-3 dan periksa apakah ada ekspresi manipulatif.
daftar periksa
- [ ] Saya telah mengidentifikasi kebutuhan pelanggan sah yang dilayani oleh segmen tersebut.
- [] Saya memeriksa segmen untuk variabel properti/proksi yang dilindungi.
- [ ] Saya mempertanyakan kesesuaian (kemampuan membayar, kebutuhan) produk yang direkomendasikan.
- [ ] Saya mematuhi prinsip persetujuan dan transparansi.
- [ ] Saya telah memeriksa bahwa tidak ada janji yang bersifat tekanan, berlebihan atau menyesatkan dalam teks kampanye.
- [ ] Saya telah menerima konfirmasi kelayakan/kepatuhan; Saya mengambil tanggung jawab.