불과 몇 년 전만 해도 인간은 텍스트를 이해하고 이미지를 인식해야 했습니다. 이제 기계 학습과 같은 인지 기술을 사용하여 이러한 기능을 자동화하는 것이 점점 더 가능해지고 있습니다. 사실, 기계 학습의 최초의 실용적인 배치 중 하나인 수기 수표의 자동화된 처리는 1990년대 초 은행에서 시작되었습니다.
그 이후로 우리는 먼 길을 왔습니다. 지난 몇 년 동안 대부분 젊고 혁신적인 기술 회사가 주도하는 자동화된 의사 결정 영역에서 상당한 혼란이 있었습니다. 비즈니스 리더는 인지 기술을 사용하여 향상된 고객 경험을 제공하고 기존 업계의 경계를 넘어 확장하고 있습니다. 이러한 기술은 상당한 개선을 제공하며 빠른 속도로 발전하고 있습니다.
자동 의사 결정의 다음 영역은 추천 엔진입니다. 이는 의사 결정 프로세스를 보강하거나 완전히 자동화하기 위해 기계 학습 기술을 지능적으로 배포하는 것입니다. 고객이 사고 싶어하는 제품을 추천하는 것과 같이 통찰력 있는 추천을 하는 것은 오랫동안 모든 상업 회사의 성배였습니다. 또한 고객이 통찰력 있는 추천에 응답하는 방식에도 근본적인 변화가 있습니다.
추천 엔진 사용의 잠재력을 활용하기로 선택한 은행은 고객에게 보다 개인적인 경험을 제공하고 직원의 역량을 강화함으로써 경쟁 우위를 확보하고 있습니다.
추천 엔진은 계속 존재합니다
추천 엔진은 과거 고객 행동에서 얻은 통찰력을 활용하여 미래의 고객이 원하는 것을 예측하기 때문에 작동합니다. 몇 가지 예:
- Amazon은 세계 최대 소매업체이며 아마존의 추천 엔진이 매출의 많은 부분을 차지합니다. 이 엔진은 고객과 가장 관련성이 높은 것으로 간주되는 제품을 제안하여 매력적인 사용자 경험을 제공합니다.
- Netflix는 사용자 평가 및 피드백은 물론 과거 선택 데이터를 활용하는 우수한 추천 엔진 덕분에 최고의 콘텐츠 제공업체가 되었습니다. 이 데이터를 사용하여 고객에게 관련성 있고 개인화된 영화 제안을 제공합니다.
은행 운영 방식의 혁신
그렇다면 이것이 은행 업계에 의미하는 바는 무엇입니까? 은행 추천 엔진의 주요 용도 및 이점은 다음과 같습니다.
- 대규모 개인화
통찰력 중심의 은행은 고객에 대해 수집한 데이터에서 지식을 추출하여 맞춤형 고객 경험을 형성합니다. 예를 들어 고객이 온라인 뱅킹 플랫폼에 들어갈 때 보게 되는 인터페이스와 소비자가 모바일 앱을 사용하는 동안 나타나는 상품 제안이 있습니다.
일반적인 은행 고객에게는 두 가지 목표가 있습니다. 더 똑똑하게 소비하고 더 똑똑하게 투자하십시오. 불행히도 이러한 각 목표의 원동력은 종종 각 고객마다 다르기 때문에 추천 시스템으로 활성화된 사용자 정의가 매우 효과적일 수 있습니다.
추천 시스템은 거래 데이터를 분석하고 비용을 절약하는 방법에 대해 고객에게 맞춤형 제안을 할 수 있습니다. 그들은 또한 유사한 특성을 가진 다른 고객의 행동을 분석하고 그들에게 효과가 있었던 제품을 추천할 수 있습니다.
- 인력 보강
추천 엔진을 사용하면 직원이 더 나은 결정을 내리고 더 스마트한 방식으로 시간을 투자할 수 있습니다. 더 나은 결정은 직원의 생산성과 부가가치를 증가시키며, 이는 결국 비즈니스 전체의 성과를 향상시킵니다.
사기 행위는 은행에 매우 큰 손실을 줍니다. 전통적으로 사기 탐지는 유지하는 데 시간이 많이 걸리고 끊임없이 진화하는 사기 기술로 인해 종종 비효율적인 규칙 기반 패턴 일치 접근 방식을 사용했습니다. 은행은 기계 학습을 사용하여 훨씬 더 정확하게 이상 징후를 감지하고 의심스러운 활동에 더 빨리 플래그를 지정할 수 있습니다. 이를 통해 사기 탐지가 증가하고 오경보가 감소합니다.
- 자동화 조정
자동 의사 결정의 이점을 최대한 활용하려면 조직의 여러 부분을 연결하고 종단 간 여정을 만들어야 합니다. 자동화된 의사 결정이 비즈니스의 한 부분에 적용되면 격리된 프로세스 또는 트랜잭션을 자동화하는 것 이상의 기회를 만들 수 있습니다.
은행은 매일 수많은 거래를 처리합니다. 엔터테인먼트, 여행, 음식 또는 임대료에 대한 지출과 같은 구매 유형별로 실시간으로 각 고객 거래를 분류하는 은행을 상상해 보십시오. 이는 유사한 과거 거래에서 발견된 패턴을 기반으로 각 구매를 적절한 지출 범주에 할당하는 추천 엔진으로 가능합니다.
실제로 일부 은행에서는 이미 고객 지출에 대한 실시간 분류를 사용하고 있습니다. 은행은 이 정보를 사용하여 고객에게 지출 분석을 제공할 수 있습니다. 지출 분석은 고객에게 비용을 절약하는 방법이나 투자할 제품에 대해 조언하는 추천 엔진에 대한 입력으로 사용될 수 있습니다.
앞으로의 길
자동화된 의사 결정은 이미 은행이 전체 가치 사슬에서 서비스를 제공하는 방식을 빠르게 변화시키고 있습니다. 이러한 배포는 규모에 따른 개인화 및 인력 보강을 가능하게 하며, 이는 차례로 추가 자동화 기회를 창출합니다. 추천 엔진의 이점을 최대한 활용하려면 은행이 고객 여정에 대해 이미 하고 있는 것처럼 훨씬 더 전체적인 관점을 취해야 합니다. Deloitte 웹사이트에서 코그너티브 기술에 대해 자세히 알아보십시오.
