La batalla (digital) de la banca por hacer único al cliente

La personalización nos rodea y la tendencia al alza es imparable. Los consumidores de hoy interactúan diariamente con todo tipo de plataformas, desde servicios de streaming hasta compras online. Los servicios financieros no son, precisamente, una excepción.

El cambio creciente hacia la banca digital afecta a la captación de nuevos clientes en dos frentes: por un lado, la ubicación física de un banco ya no tiene la función clave que en su momento tuvo; por otro, el mercado ofrece más opciones de consumo que nunca. La mayoría de los clientes ya se han pasado a lo digital, un 45% con dispositivos móviles y un 27% a través de la web, según JD Power.

Por su parte, Blend concluye en un estudio de Forrester Consulting que el 65% de los consumidores está de acuerdo o muy de acuerdo en que los bancos deberían facilitar la búsqueda y compra de productos financieros. Para otro 72%, las ofertas de productos son más valiosas cuando se adaptan a sus necesidades individuales.

Como recuerda Funcas, el 89% de los consumidores eligen su institución financiera en función de lo bien que se adapta a sus preferencias y experiencias. Los clientes bancarios, especialmente los más jóvenes, demandan una oferta a medida, que incluya información y productos financieros individualizados y en tiempo real.

Pero las ventajas de una experiencia personalizada no consisten solo en satisfacer la demanda del consumidor. Las empresas que la ofrecen también son recompensadas con un mayor compromiso, lealtad e ingresos.

Hay muchas oportunidades para optimizar las experiencias posteriores al click. Para empezar, los datos obtenidos de las campañas de publicidad y redes sociales se pueden usar para adaptar la web desde la primera visita de un usuario concreto. Por ejemplo, se le puede asignar el segmento de "Estudiantes" si hizo click en un anuncio de Facebook dirigido a ese colectivo, con el contenido, las recomendaciones, las ofertas o los productos apropiados, todo configurado para conectar de manera más efectiva con ese grupo.

La principal institución financiera de EEUU, Synchrony, aprovecha los datos de LiveRamp para mejorar su plataforma de CRM y diferenciar el contenido ofrecido en la página de inicio a visitantes recién llegados y a los titulares de tarjetas actuales. Por ejemplo, si un visitante no es aún cliente, se le muestran las ofertas locales y más populares de la web, mientras que al titular de la tarjeta de crédito se le brindan ofertas más personalizadas, según su tarjeta.

Crear una mayor fidelización de los clientes

¿Cómo pueden las empresas fidelizar y aumentar su valor durante el ciclo de vida del cliente? Por ejemplo, recomendando productos o servicios adicionales en función de las afinidades mostradas previamente por el cliente. En el caso de las entidades financieras, una vez que el cliente se encuentra en la web o aplicación, el banco o caja puede enviarle recomendaciones ajustadas a sus preferencias.

Con un porcentaje cada vez mayor de operaciones en línea, las carteras físicas dan paso a métodos de pago seguros y carteras digitales, y la batalla principal se libra y gana mucho antes de que un cliente llegue a la página de pago. Esta es la razón por la que las entidades desean que su tarjeta se convierta en la opción preferida del cliente en los primeros 60 a 90 días.

Pero, a pesar del crecimiento en la demanda de personalización dentro de la industria, el camino hacia un enfoque efectivo e individualizado no siempre está claro. De hecho, muchas marcas de servicios financieros aún se enfrentan a estos retos:

Por un lado, datos de clientes esporádicos e inconsistentes. Las entidades están muy bien posicionadas para la personalización en función de la cantidad de datos disponibles. Sin embargo, el 72% no pueden integrar rápidamente esos datos para su personalización, según McKinsey. Esto significa que la segmentación se realiza manualmente, algo muy difícil de mantener a medida que crece la cantidad de audiencias y experiencias. El machine learning permite a los equipos superar este desafío a través de la automatización, pero eso no se puede hacer de manera efectiva sin una entrada limpia de datos.

Por otro, un alcance limitado de los modelos de IA. McKinsey subraya que el 91% no tienen un verdadero conjunto de modelos de deep learning disponibles para impulsar la hiperpersonalización a escala. A pesar de que los algoritmos tradicionales permiten la asignación dinámica del tráfico hacia la variación con mejor rendimiento, no pueden predecir de manera efectiva los productos con los que es más probable que los clientes interactúen a continuación.

Con un mejor ROI, menores tasas de abandono, mayor fidelidad y duración de los clientes, las entidades pueden ganar mucho al incorporar la personalización de manera más profunda en sus operaciones.

Sin embargo, quedan algunas lagunas que cerrar antes de que se pueda obtener grandes beneficios a largo plazo. Los equipos deben centrarse en incluir datos coherentes, pero diversos en sus programas para mejorar la precisión y relevancia de las campañas. También deben expandir el uso de modelos de IA para ayudar a escalar la toma de decisiones e implementar las estructuras correctas para obtener valor de sus esfuerzos de personalización de manera más efectiva y transversal.

***Ander Orcasitas es vicepresidente de Dynamic Yield.