Cliente 360 para serviços financeiros

Entenda seus clientes, aprenda seus comportamentos e preveja suas necessidades

Organizações de serviços financeiros, especialmente aquelas no espaço do consumidor, como bancos de varejo, emissores de cartão de crédito, empresas de gestão de patrimônio privado e seguradoras, precisam de informações sobre seus clientes, mercados, produtos e muito mais para executar campanhas de marketing bem-sucedidas, vendas cruzadas e upsell, além de oferecer suporte eficaz aos clientes em todo o relacionamento. Alguns casos de uso – por exemplo, fazer recomendações de produtos e prever e responder às necessidades do cliente ao resolver um problema de satisfação – exigem inteligência em tempo real. Outros exigem a coleta dos dados corretos para o aprendizado do modelo para gerar insights que podem ser usados para melhorar o marketing, as vendas, as operações e, principalmente, a experiência do cliente.

Em todos esses casos de uso, o conhecimento do cliente é vital. O conceito de uma visão de 360 graus do cliente se desenvolveu significativamente, evoluindo de uma compreensão básica das muitas interações que um cliente tem com uma organização para uma compreensão profunda e detalhada de cada cliente como um indivíduo com comportamentos, desejos e necessidades únicos que se estendem além de suas interações em serviços financeiros. Os clientes de hoje esperam que todas as interações sejam fáceis, convenientes e intuitivas - seja para fazer um pedido de entrega, registrar um sinistro de seguro ou abrir uma conta corrente - e desejam uma experiência consistente, coesa e perfeita, seja interagindo online, usando um aplicativo ou pessoalmente.

Clientes altamente satisfeitos têm duas vezes e meia mais chances de abrir novas contas ou adotar novos produtos com seu banco atual do que aqueles que estão apenas satisfeitos. Embora os bancos continuem investindo para atender às crescentes expectativas de seus clientes, eles lutam para acompanhar outros setores de varejo, retidos pela infraestrutura de TI legada e silos de dados e os desafios de qualidade e linhagem de dados que eles causam. Mesmo para instituições que oferecem uma experiência de cliente acima da média, geralmente apenas metade a dois terços dos clientes avaliam sua experiência como excelente.

Para atender às expectativas de seus clientes, as organizações de serviços financeiros devem continuar a enfrentar os desafios causados por dados isolados em infraestrutura legada, ao mesmo tempo em que empregam machine learning, inteligência artificial e dados abrangentes de clientes para mudar de engajamento reativo para preditivo. Para as organizações que conseguem isso, as recompensas podem ser significativas; de acordo com uma análise da McKinsey, os bancos de varejo dos EUA classificados no quartil superior em experiência do cliente tiveram um crescimento de depósitos significativamente maior nos últimos três anos em comparação com seus pares, graças à sua capacidade de atrair novos clientes e fortalecer relacionamentos com os existentes.

Faça valer o conhecimento do cliente com machine learning

A arquitetura a seguir demonstra como a Oracle Data Platform foi criada para ajudar as organizações de serviços financeiros a aplicar análises avançadas, machine learning e inteligência artificial a todos os dados disponíveis para fornecer os insights necessários para criar experiências de cliente personalizadas e altamente relevantes no momento. Isso permite que elas se concentrem no envolvimento proativo, ajudando a executar com perfeição todos os pontos de contato em todo o ciclo de vida do cliente, desde compras e abertura de conta até integração, expansão de relacionamento e prestação de serviços ou processamento de sinistros de seguros.

Esta imagem mostra como a Oracle Data Platform para serviços financeiros pode ser usada para oferecer suporte a uma visão de 360 graus das atividades do cliente. A plataforma inclui os seguintes cinco pilares:

1. 1. Fontes de dados, Descoberta
2. 2. Conexão, Ingestão, Transformação
3. 3. Persistência, Curadoria, Criação
4. 4. Análise, Aprendizado, Predição
5. 5. Medição. Agir

O pilar Fontes de Dados, Descoberta inclui duas categorias de dados.

1. 1. Registros de negócios (dados primários) compreendem transações de cartão de crédito, depósitos, saques, informações de contas, dados de CRM, dados de gerenciamento de casos, fluxos de eventos de caixa eletrônico e dados de localização.
2. 2. Os dados de terceiros incluem feeds de redes sociais.

O pilar Conexão, Ingestão, Transformação abrange quatro recursos.

1. 1. A transferência em massa usa OCI FastConnect, OCI Data Transfer, MFT e OCI CLI.
2. 2. A ingestão em lote usa OCI Data Integration, Oracle Data Integrator e ferramentas de banco de dados.
3. 3. A captura de dados alterados usa OCI GoldenGate e Oracle Data Integrator.
4. 4. A ingestão de streaming usa OCI Streaming e Kafka Connect.

Todos os quatro recursos se conectam unidirecionalmente ao recurso de armazenamento em nuvem/data lake no pilar Persistência, Curadoria, Criação.

Além disso, a ingestão de streaming está conectada ao processamento de stream no pilar Análise, Aprendizado, Previsão.

O pilar Persistência, Curadoria, Criação abrange quatro recursos.

1. 1. O armazenamento de dados de serviço do cliente 360 usa Autonomous Data Warehouse e Exadata Cloud Service.
2. 2. O armazenamento em nuvem/data lake usa OCI Object Storage.
3. 3. O processamento em lote usa OCI Data Flow.
4. 4. A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem/data lake é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

Um recurso se conecta ao pilar Análise, Aprendizado, Previsão: o armazenamento de dados de serviço se conecta unidirecionalmente a análise e visualização, serviços de IA e recursos de machine learning e bidirecionalmente ao recurso de análise de streaming.

O pilar Análise, Aprendizado, Previsão abrange quatro recursos.

1. 1. Análise e visualização usam Oracle Analytics Cloud, GraphStudio e ISVs.
2. 2. Os serviços de IA usam Oracle Digital Assistant, OCI Language, OCI Speech e OCI Vision.
3. 3. Machine learning use OCI Data Science, Auto ML e Oracle Machine Learning Notebooks.
4. 4. A análise de streaming usa o OCI GoldenGate Stream Analytics.

O pilar Medição, Ação compreende três consumidores: painéis e relatórios, aplicações e modelos de machine learning.

Painel e relatórios incluem Segmentação do Cliente e Valor da Vida Útil do Cliente (CLV)

Aplicações incluem Recomendações Personalizadas e Análise de Desistência

Modelos de Machine Learning incluem Análise de Sentimentos, Análise de Vendas Cruzadas e Análise de Vendas

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Há três maneiras principais de injetar dados em uma arquitetura para permitir que organizações de serviços financeiros criem uma visão de 360 graus de seus clientes.

• Para iniciar nosso processo, precisamos ingerir nossas transações de clientes. Dados transacionais incluem depósitos e saques; esses dados são altamente estruturados e controlados em aplicações e sistemas bancários básicos ou operacionais. Esses conjuntos de dados geralmente compreendem grandes volumes de dados geralmente on-premises e, na maioria dos casos, a ingestão em lote após o processamento de origem costuma ser mais eficiente. Esses dados geralmente são ingeridos em uma programação específica, como a cada 30 minutos após a hora ou diariamente às 14h (ocasionalmente, os períodos serão mais longos do que isso para processos complexos).
• Os dados do cliente vindos de sistemas de relacionamento e experiência do cliente geralmente requerem pouca transformação ou agregação durante a ingestão e podem ser tratados apenas por meio de um processo de captura de dados alterados para obter alterações nos conjuntos de dados inicialmente carregados em massa. Dados adicionais podem ser obtidos de sistemas operacionais, cliques na web, feeds de redes sociais e feeds de dados de clientes de terceiros.
• A ingestão de streaming será usada para ingerir dados lidos de beacons em filiais por meio de IoT, comunicações máquina a máquina e outros meios. Imagens de vídeo também podem ser consumidas dessa maneira. Além disso, nesse exemplo, pretendemos analisar e responder rapidamente ao sentimento do consumidor, analisando mensagens de redes sociais, respostas a postagens próprias e mensagens em tendências. Mensagens e eventos de redes sociais (aplicação) serão ingeridos com a opção de executar alguma transformação/agregação básica antes de armazenar os dados na nuvem ou em um data lake. A análise de fluxo adicional pode ser usada para identificar eventos e comportamentos correlacionados do consumidor, e os padrões identificados podem ser realimentados (manualmente) para que o OCI Data Science examine os dados brutos.

A persistência e o processamento de dados são baseados em três (opcionalmente quatro) componentes.

• Os dados brutos ingeridos são armazenados na nuvem. Usaremos o OCI Data Flow para o processamento em lote desses dados transmitidos agora persistentes, como tweets (JSON), dados de localização, de sensor de beacons e aplicações, dados de mapeamento geográfico e de referência do produto. Esses conjuntos de dados processados são devolvidos ao armazenamento em nuvem para persistência, curadoria e análise e, finalmente, para carregamento de forma otimizada no armazenamento de dados de serviço. Como alternativa, dependendo da preferência de arquitetura, isso pode ser feito com o OCI Big Data Service como um cluster Hadoop gerenciado.
• Agora criamos conjuntos de dados processados prontos para serem mantidos em forma relacional otimizada para curadoria e desempenho de consulta no armazenamento de dados de serviço. Isso nos permitirá identificar e retornar as principais hashtags de produtos e consumidores, que podem ser enriquecidas com localização, estoque e dados de produtos de sistemas corporativos.

A capacidade de analisar, aprender e prever é construída em duas tecnologias.

• Os serviços de análise e visualização oferecem análise descritiva (descreve as tendências atuais com histogramas e gráficos), análise preditiva (prevê eventos futuros, identifica tendências e determina a probabilidade de resultados incertos) e análise prescritiva (propõe ações adequadas , levando a uma tomada de decisão ideal), permitindo que as instituições de serviços financeiros respondam a perguntas como:
  • Nossa atividade de upsell está alinhada com as previsões de campanha e a atividade de engajamento do cliente mudou como resultado?
  • Quais produtos estão gerando mais engajamento do cliente? Como eles se comparam aos produtos e serviços mais vendidos em uma divisão ou departamento?
  • Estamos vendo “fadiga do canal” e, em caso afirmativo, isso está fazendo com que os clientes se desvinculem do canal?
• Juntamente com o uso de análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados. Esses modelos podem ser acessados por meio de APIs, implementados no armazenamento de dados de serviço ou incorporados como parte do pipeline analítico de streaming do OCI GoldenGate.
• Nossos dados e modelos selecionados, testados e de alta qualidade podem ter regras e políticas de governança aplicadas e podem ser expostos como um produto de dados (API) dentro de uma arquitetura de malha de dados para distribuição em toda a organização de serviços financeiros.

Atenda às expectativas dos clientes com inteligência automatizada

Ao aproveitar todos os dados disponíveis ao longo do ciclo de vida de cada cliente - incluindo dados estruturados, semiestruturados e não estruturados - e aplicar análises avançadas de big data, machinen learning e IA a um registro completo de interações anteriores com clientes, as organizações de serviços financeiros podem:

• Projetar e fornecer experiências de cliente altamente relevantes, oportunas e personalizadas.
• Incorporar dados de terceiros para melhorar a experiência do cliente e usar análises para prever (e influenciar) o comportamento do cliente.
• Usar IA para recomendar as próximas melhores ações, oferecendo interações mais consistentes e resultados refinados para os clientes.
• Evoluir as atividades de consultoria e vendas de reativas para proativas, aproveitando os consultores robóticos para fornecer ferramentas de autoatendimento e ajudar os funcionários a atender melhor os clientes.
• Entender a história de cada cliente, antecipar suas necessidades e garantir que sua experiência, em cada etapa do ciclo de vida do cliente, supere suas expectativas.