金融行业投资人工智能技术的关键要素有哪些？

用以客户为中心的方式提高收益

金融服务中的人工智能投资不再仅仅是希望在金融服务领域企业竞争的一种选择。已进行 AI 投资的金融组织受益匪浅，其中包括收益增加、成本降低和安全合规性提高。鉴于金融服务业面临着越来越大的降低成本和改善安全措施的压力，这尤为重要。 但是，在将 AI 计划从试点阶段扩展到生产阶段的道路上，并非每个人都十分顺利。任何行业的组织都会遇到一个最常见的错误：从一开始就没有选择正确的问题来解决。从试点阶段开始时就专注于正确的问题（即解决核心业务问题），才有可能成功扩展到生产阶段，并且更易于快速推进第二个和第三个使用场景。 根据德勤 (Deloitte) 的一项调查，大多数金融服务行业的领先企业鉴于公司流程中固有的客户接触点多和交易数据量大的特点，都在探索通过 AI 提高收益和改善客户体验的计划。这些探索应集中在媒体能力、洞察和优化方面。

媒体功能

媒体功能包括通过语音转文本、文本转语音、语言翻译等领域的方法来实现看、听和说的能力。软件中媒体功能的实际应用率仍然非常低。尽管当前有大量应用程序，但该领域仍然具有广阔的发展前景。许多企业应着眼于其可获得的数据，了解如何将这些数据转换为可以提供业务价值的内容。例如，如果金融服务机构难以解决通话高峰期的客户等待时间问题，可以考虑如何利用自然语言处理，一方面为客户提供更好的服务，一方面让原本忙于接电话的呼叫中心客服代表有时间来制定呼叫解决方案。 这也为利用数字聊天机器人的音频和文本对话功能，或通过用自然语言服务于多个地域市场的客户打开了大门。目前已看到前景颇佳的结果：根据软件提供商 Salesforce 的服务状况报告，拥有聊天机器人的客服代表中有 64％ 的人能够将大部分时间用于解决复杂的问题，而在没有 AI 聊天机器人的客服代表中这一比例是 50％。

洞察

企业可以通过分析来了解市场上的客户需求，并确定提供新产品/服务的机会。随着金融服务中的人工智能投资不断推动组织现代化，消费者的偏好也在发生变化。咨询公司埃森哲 (Accenture) 的数据显示，有 81％ 的消费者希望品牌商更好地了解他们，并知悉何时与其接洽为宜。CMO.com 发现，加倍重视对客户的了解并积极开展个性化服务会使超过一半的消费者愿意为快速、高效的客户体验支付更多的费用。 通过利用微观细分技术，金融机构无需使用角色模型即可直接与客户互动，从而建立直接的对话渠道、建立信任并提高忠诚度。个性化服务具有深远的影响。据波士顿咨询集团 (Boston Consulting Group) 估计，通过定制化的客户互动，银行的每 1000 亿美元资产可以实现高达 3 亿美元的收入增长。 金融服务行业也可以通过评估可用的消费者数据打造个性化服务，初始数据包括人口统计学详细信息、交易数据、网站分析、商户数据等。这些数据可以通过现有的其他数据集来进一步完善，例如对过往体验、评论、购买、点击、网络和应用流量以及离线渠道数据的洞察。从这里开始，机器学习模型即可用于绘制可根据高度个性化学习提供建议的模式。根据经过微调的行为洞察，金融服务组织可以使用这些模型来开发（或识别现有的）特定于客户的购买、产品和服务。

优化

新的竞争对手，日益严格的监管，合规要求，对网络安全的担忧，这些因素都使业务成本急剧上升。因此，金融服务中的许多 AI 投资都转向成本节省计划。虽然优化可以在处理劳动密集型和繁琐任务方面发挥作用，但优化还应该通过前瞻性预测来识别和追求创收功能。 金融机构应注意避免将 AI 计划用于实现全部功能的自动化，这可能会给客户带来更多的挫败感。相反，应该深入研究如何通过技术使业务的各个部分变得更加高效。 以客户为中心的优化是 AI 计划的一项具成本效益的策略。例如，通过使用虚拟助手，银行可以提供一系列服务，包括支出跟踪和分析、个性化财务建议、预测性支出以及将更复杂的询问和任务发送给客服。通过实现一些基本流程的自动化，客户的等待时间会缩短，客服也可以投入更多的精力去制定让客户满意的解决方案。根据朱尼普研究公司 (Juniper Research) 进行的一项研究，聊天机器人可以在该流程的每个查询中为客服节省至少四分钟——相当于节省 0.70 美元。 虽然采用聊天机器人和改进搜索功能并不局限于金融服务中的人工智能投资，但这是个非常有影响力的机遇，因为由于金融服务经常被庞大的客户群、有限的人力资源和缺乏时间解决每位客户的日常问题而陷入困境。 不过，优化并不限于聊天机器人。通过查看与行为洞察相关的交易信息，金融机构可以在发布新产品时使用 AI 来基于类似产品作出预测，从而优化发布流程。优化对于理赔自动化也很有帮助，例如基于异常检测的欺诈检测、提高运营效率、进行客户验证等。