Spesso le banche affermano di lavorare già in modo agile o di disporre degli strumenti analitici necessari per promuovere la personalizzazione su larga scala dei loro servizi. Ma senza meccanismi efficaci per coordinare e amplificare le iniziative dei clienti in tutta l'organizzazione, molte finiscono per avere casi d'uso isolati, modelli difficili da replicare e una condivisione limitata delle conoscenze, il che ostacola la scalabilità. E’ quanto rileva uno studio di McKinsey, dal titolo “Getting personal: How banks can win with consumers” che individua cinque sfide comuni agli istituti finanziari.

 

1.     Dati sporadici e incoerenti sui clienti. Secondo lo studio di McKinsey, solo il 28% circa delle banche ha oggi la capacità di integrare rapidamente i dati strutturati interni dei clienti nei propri modelli di IA. Per molti, uno dei problemi principali è che le informazioni sui clienti sono ospitate in modi diversi all'interno dell'azienda.

 

2.     Limitazioni nell'applicazione dei modelli di machine learning: Solo il 9% circa delle banche dispone di una gamma completa di modelli di analisi ML in grado di guidare un coinvolgimento personalizzato in ogni fase di contatto. La maggior parte è sviluppata su momenti isolati con obiettivi a breve termine e orientati al prodotto, come l'aumento delle richieste di mutui o l'apertura di conti, invece di identificare i dei driver del valore della vita del cliente (CLV) ed impostare le relazioni con i clienti sulla base di queste intuizioni.

 

3.     Sviluppo di analisi su piccola scala: Solo il 16% dei team di data-science segue un protocollo standard per sviluppare strumenti di Intelligenza Artificiale. Nella maggior parte dei casi, le analisi vengono sviluppate sulla base di una campagna, il che rallenta i tempi di realizzazione e limita il numero di iniziative di personalizzazione che possono essere lanciate.

 

4.     Scarsa integrazione e tracciamento delle campagne: i modelli di ML e i sistemi di gestione delle campagne spesso non dispongono di sistemi di feedback che li mettano in collegamento, con il risultato che solo l'8% delle banche è in grado di applicare gli insight predittivi dei propri modelli di ML per informare l'esecuzione delle campagne e il processo decisionale.

 

5.     Gestione inadeguata dei rischi dell'Intelligenza Artificiale: Solo il 14% delle banche dispone di un sistema di governance specifico per l'IA. Molte pratiche di gestione del rischio di IA sono invece guidate da modelli tradizionali di gestione del rischio, che però sono poco adatte all'IA, che richiede un approccio più dinamico alla gestione del rischio.

 

 

Secondo McKinsey c'è un modo per risolvere queste sfide, ed è tramite una riorganizzazione. Alcune organizzazioni del settore bancario hanno testato un modello che pone il valore del cliente al centro degli sforzi di personalizzazione. I risultati sono personalizzati, ma gli input e gli algoritmi che li producono sono codificati, unificati e centralizzati. Le aziende che hanno adottato questo modello hanno generato ricavi superiori del 5-15% dalle loro campagne potenziate e hanno dimezzato o ridotto di un quarto i tempi di commercializzazione.

 

L'adattamento ai mercati richiede alle banche di funzionare come un organismo unico piuttosto che come un insieme di funzioni. Concentrandosi sui giusti elementi costitutivi e dando priorità all'integrazione e all'allineamento, le istituzioni finanziarie possono creare i macchinari per la personalizzazione su scala, ottenendo il valore innovativo che cercano da tempo.