Pembahagian dan Pemperibadian Pelanggan: Dalam Sempadan Etika — Kecerdasan Buatan dalam Perbankan

Keuntungan:

Memahami apa yang berdasarkan segmentasi pelanggan data dan analisis tingkah laku dan cara kecerdasan buatan digunakan untuk menjana cerapan dengan rangka segmen.
Keupayaan untuk menggunakan kecerdasan buatan untuk definisi segmen, teks kempen dan ringkasan pandangan, mengekalkan had diskriminasi dan manipulasi
Keupayaan untuk mengenali garis antara faedah pelanggan dan eksploitasi pemperibadian dan menggunakan prinsip kesesuaian dan persetujuan

Bank tidak boleh melayan berjuta-juta pelanggan secara seragam. Keperluan seorang pelajar universiti muda dan seorang pesara peniaga, seorang pemilik PKS dan seorang pekerja bebas adalah berbeza. Segmentasi ialah tugas membahagikan pelanggan kepada kumpulan berdasarkan ciri dan tingkah laku yang serupa; Pemperibadian bermaksud menawarkan produk, komunikasi dan pengalaman yang sesuai kepada setiap kumpulan (walaupun individu). Kecerdasan buatan ialah alat yang berkuasa dalam bidang ini: ia melakar segmen daripada data tingkah laku, menulis salinan kempen, meringkaskan cerapan. Tetapi segmentasi dalam perbankan mempunyai sisi gelap: teknik yang sama boleh digunakan untuk mengeksploitasi, mendiskriminasi atau memanipulasi pelanggan yang terdedah. Sempadan adalah garis antara faedah dan eksploitasi pelanggan, dan garis ini dilukis oleh manusia.

Dalam unit ini, kita akan melihat apa yang berasaskan segmentasi, cara menggunakan kecerdasan buatan dalam pengeluaran segmen dan kempen, dan sempadan etika (kesesuaian, persetujuan, tanpa diskriminasi) yang perlu dikekalkan.

Apakah yang dimaksudkan dengan segmentasi?

Entri segmen biasa:

Demografi: Julat umur, kumpulan pekerjaan, wilayah geografi (nota: ini hampir dengan ciri yang dilindungi).
Tingkah laku: Penggunaan produk, kekerapan transaksi, pilihan saluran (mudah alih/cawangan), corak penjimatan perbelanjaan.
Nilai dan kitaran hayat: Tempoh perhubungan dengan bank, bilangan produk, aktiviti.
Perlu isyarat: Cari rumah baharu (faedah gadai janji), pembelian tukaran mata wang asing biasa, pertumbuhan perniagaan.

AI boleh mengekstrak "kelompok pelanggan yang serupa" daripada data ini. Tetapi walaupun kluster adalah "signifikan secara statistik," ia mungkin tidak boleh digunakan secara beretika.

Petua: Tanya diri anda: "Bolehkah saya menerangkan dengan jelas segmen ini kepada pelanggan?" Jika segmen itu berdasarkan logik eksploitatif seperti "terlalu berhutang dan panik, pelanggan mudah dipujuk", hanya kerana ia mungkin secara teknikal tidak menjadikannya sah.

Kelayakan, persetujuan dan diskriminasi: tiga sempadan

Kesesuaian: Adakah produk yang dicadangkan memenuhi keperluan dan keupayaan sebenar pelanggan untuk membayar? Memasarkan kredit tambahan kepada pelanggan yang terlebih berhutang mungkin "menjual" tetapi ia tidak sesuai.
Persetujuan dan ketelusan: Adakah pelanggan tahu bahawa datanya sedang diproses untuk tujuan ini dan adakah dia telah memberikan kebenaran untuk ini (kebenaran eksplisit KVKK / rangka kerja kepentingan sah)? Pemperibadian hendaklah perkhidmatan yang telus, bukan manipulasi rahsia.
Tanpa diskriminasi: Adakah segmen secara sistematik mengecualikan kumpulan berdasarkan ciri yang dilindungi seperti umur/jantina/asal atau pembolehubah proksi mereka (seperti poskod)? Ini bertentangan dengan undang-undang.

Penggunaan

Manfaat atau eksploitasi pelanggan?

Mengesyorkan produk kadar pertukaran yang berfaedah kepada pelanggan yang kerap membeli mata wang asing

Faedah (sesuai dengan keperluan)

Menyediakan maklumat kredit yang sesuai kepada pelanggan yang mencari perumahan

Faedah (telus, mudah)

Memasarkan pinjaman tambahan yang mahal kepada pelanggan yang sukar membayar

Penderaan (pelanggaran pematuhan)

Pengecualian sistematik wilayah tertentu daripada kempen

Diskriminasi (melanggar undang-undang)

Menyasarkan segmen "tidak sensitif harga" dengan bayaran yang lebih tinggi

Risiko manipulasi

Menggunakan kecerdasan buatan dengan selamat: langkah

Tentukan tujuan. Tuliskan apa yang pelanggan sah memerlukan perkhidmatan segmen.
Bekerja dengan data tanpa nama. Hasilkan lakaran segmen tanpa kelayakan.
Pemeriksaan diskriminasi. Semak sama ada segmen itu berdasarkan harta yang dilindungi atau pembolehubah pengganti.
Semakan pematuhan. Persoalkan kesesuaian produk yang dicadangkan kepada kesolvenan dan keperluan segmen.
Menghasilkan draf teks. Cetak teks kempen/komunikasi kepada kecerdasan buatan; Semak untuk keterlaluan, tekanan dan janji yang mengelirukan.
Kelulusan manusia. Melalui pematuhan, pematuhan dan kelulusan jenama; mengambil tanggungjawab.

Empat templat yang boleh disalin

1) Garis besar segmen yang sah:

Peranan anda: pembantu yang mencadangkan rangka segmen untuk manfaat pelanggan. Kategori data tingkah laku tanpa nama: [pembelian mata wang biasa, mudah alih, volum transaksi sederhana]. Tugasan: cadangkan 2-3 idea segmen yang sesuai dengan tingkah laku ini dan berikan MANFAAT PELANGGAN. Untuk setiap idea, tuliskan keperluan sah yang disediakan. Menggunakan ciri-ciri yang dilindungi (umur, jantina, asal, daerah).

2) Audit diskriminasi dan pematuhan:

Semak definisi segmen di bawah untuk dua aspek: (1) Adakah ia bergantung pada atribut yang dilindungi atau pembolehubah pengganti (seperti kod pos, nama asal, dsb.) (2) Adakah produk yang dicadangkan serasi dengan kesolvenan segmen atau adakah terdapat risiko mengeksploitasi kelemahannya? Senaraikan risiko dengan jelas. Segmen: [definisi]

3) Draf teks kempen (bahasa etika):

Peranan anda: pembantu menulis salinan kempen DRAF. Segmen: pelanggan yang menyelidik pinjaman gadai janji (tanpa nama). Tugas: tulis salinan maklumat yang telus, tanpa tekanan, tanpa tambahan. Menggunakan janji tegas (“pasti diluluskan”) dan mendesak (“2 jam terakhir”). Ambil perhatian bahawa keadaan produk mungkin berubah. Saya akan menghantar teks untuk kelulusan pematuhan dan pematuhan.

4) Ringkasan pandangan (kepada pengurus):

Tukar data prestasi segmen awanama yang saya berikan kepada anda menjadi ringkasan cerapan mudah untuk pembuat keputusan. Hanya gunakan penemuan dalam data, jangan buat nombor baru. Menawarkan nasihat yang diskriminasi atau kesat. Data: [saiz segmen, penggunaan produk, penunjuk kepuasan]

Gesaan lemah / Gesaan kuat

Gesaan yang lemah:

Cari pelanggan yang paling mudah dipujuk, berhutang tinggi dan tulis mereka teks kempen yang agresif yang akan meningkatkan jualan pinjaman tambahan.

Permintaan ini mengeksploitasi kelemahan, melanggar prinsip kesesuaian, dan memerlukan bahasa manipulatif.

Gesaan kuat:

Peranan anda: Pembantu draf kempen untuk manfaat pelanggan dan mematuhi perundangan. Jika isyarat keperluan adalah nyata dan produk itu sesuai, tulis teks maklumat yang telus. Mewujudkan tekanan jualan terhadap kumpulan yang terdedah (terlalu berhutang, kesukaran membayar). Menggunakan keterlaluan, tekanan mendesak dan janji yang pasti. Saya akan beri kelulusan.

Keazaman yang kuat mengekalkan pematuhan dan ketelusan, mengecualikan kumpulan yang terdedah dan menyerahkan keputusan kepada orang ramai.

tiga kes mini

Kes 1 — Pemperibadian yang berguna. Model itu menandakan 12,000 pelanggan yang kerap menerima mata wang asing setiap bulan. Mereka ditawarkan kadar pertukaran yang berfaedah dan maklumat akaun mata wang asing; 18% menggunakan produk dan kepuasan meningkat. Segmen ini memenuhi keperluan sebenar dengan cara yang telus.

Kes 2 — Penderaan dinafikan. Pasukan mencadangkan kempen overdraf yang mahal kepada segmen yang "delinkuen dan terdedah kepada panik". Ini ditolak dalam semakan kelayakan: apa yang sesuai untuk kumpulan ini bukanlah hutang tambahan, tetapi rundingan penstrukturan dan sokongan kewangan. Risiko penderaan dicegah.

Kes 3 — Diskriminasi tersembunyi ditangkap. Segmen adalah berdasarkan poskod dan mengecualikan kawasan tertentu daripada kempen. Dalam audit, ini dibenderakan sebagai diskriminasi tidak langsung melalui rantau (pembolehubah proksi) dan definisi segmen diwujudkan semula dengan kriteria tingkah laku yang sah.

Garis halus antara pemperibadian dan manipulasi

Teknik yang sama menghasilkan hasil yang sangat berbeza dengan dua niat yang berbeza. Melihat bahawa pelanggan menyimpan secara tetap dan mengesyorkan produk simpanan yang sesuai untuknya adalah pemperibadian; Melihat bahawa pelanggan yang sama kekurangan wang tunai pada akhir bulan dan menghantar pemberitahuan kredit yang mahal pada masa itu adalah manipulasi. Perbezaannya bukan pada data yang digunakan, tetapi untuk kepentingan siapa ia digunakan.

Tiga ujian praktikal untuk membezakan garisan:

Ujian ketelusan: Adakah pelanggan akan tersinggung jika anda menerangkan penyasaran ini dengan jelas? Jika anda tidak boleh berkata, "Kami memilih masa sukar anda untuk menjual produk," anda telah melampaui batas.
Ujian arah: Adakah transaksi membawa pelanggan kepada situasi kewangan yang lebih baik atau jualan jangka pendek anda? Jika arah tidak menyebelahi pelanggan, berhenti.
Ujian kerentanan: Adakah khalayak sasaran kumpulan yang sangat terdedah kepada tekanan atau keputusan yang salah (terlalu berhutang, warga tua, celik kewangan rendah)? Jadi perlindungan tambahan diperlukan.

Berhati-hati: Manipulasi sering datang menyamar sebagai "kempen yang berjaya"; peningkatan jualan dalam jangka pendek. Tetapi pelanggan yang dieksploitasi lambat laun menarik balik kepercayaannya, dan kosnya datang dalam bentuk kedua-dua reputasi dan sekatan peraturan. Transformasi jangka pendek bukan pengganti kepercayaan jangka panjang.

Kesilapan biasa

Menyasarkan kelemahan. Membuat sasaran jualan untuk kumpulan yang terlalu terhutang budi, dalam keadaan panik atau kurang celik kewangan.
Diskriminasi oleh pembolehubah proksi. Mengecualikan atau memihak kepada kumpulan melalui proksi seperti poskod, nama asal, dsb.
Melangkaui persetujuan dan ketelusan. Menggunakan data pelanggan untuk pemperibadian tanpa pengetahuan/keizinan mereka.
Bahasa manipulatif. Tekanan dan janji yang mengelirukan seperti "pasti diluluskan", "2 jam terakhir".
Bukan mempersoalkan kesesuaian. Tidak menyemak sama ada produk itu sesuai dengan keupayaan pembayaran pelanggan.

Perhatian: Pemperibadian ialah peluang untuk mengenali pelanggan dengan lebih baik dan berkhidmat kepadanya dengan lebih baik; tetapi pengetahuan yang sama juga memberinya kuasa untuk menyasarkan saat kelemahannya. Satu-satunya kompas apabila menggunakan kuasa ini ialah "faedah sebenar pelanggan".

Secara ringkasnya

Segmentasi adalah berdasarkan data demografi, tingkah laku dan keperluan; Kecerdasan buatan mempercepatkan pengeluaran draf segmen, teks kempen dan cerapan. Tetapi sempadannya adalah beretika dan undang-undang: perkaitan (adakah produk itu sesuai dengan keperluan), persetujuan/ketelusan (adakah pelanggan tahu dan memberi persetujuan), dan tanpa diskriminasi (tiada pengecualian oleh harta yang dilindungi atau pembolehubah pengganti). Sebarang penggunaan yang mengeksploitasi kumpulan yang terdedah, menggunakan bahasa manipulatif atau mengandungi diskriminasi rahsia akan ditolak. Dalam satu ayat: Kepintaran buatan membantu anda mengenali pelanggan; Ia adalah keputusan anda untuk tidak mengeksploitasinya.

Tugasan permohonan

Pilih kategori data tingkah laku (cth. pembelian tukaran mata wang asing biasa) dan hasilkan dua idea segmen yang sah dengan templat 1. Kemudian semak segmen ini untuk diskriminasi dan pematuhan templat 2. Kemudian kenal pasti segmen yang bermasalah dengan sengaja (cth. berdasarkan poskod) dan tunjukkan cara audit menangkapnya. Akhir sekali, hasilkan teks kempen beretika dengan templat ke-3 dan semak sama ada terdapat sebarang ungkapan manipulatif.

senarai semak

[ ] Saya telah mengenal pasti keperluan pelanggan sah yang disediakan oleh segmen tersebut.
[ ] Saya menyemak segmen untuk pembolehubah harta/proksi yang dilindungi.
[ ] Saya mempersoalkan kesesuaian (keupayaan untuk membayar, keperluan) produk yang disyorkan.
[ ] Saya mematuhi prinsip persetujuan dan ketelusan.
[ ] Saya telah menyemak bahawa tiada tekanan, keterlaluan atau janji yang mengelirukan dalam teks kempen.
[ ] Saya telah menerima pengesahan kelayakan/pematuhan; Saya mengambil tanggungjawab.