銀行の顧客管理業務には、幅広い層の顧客を取り扱うことが含まれており、休眠口座は顧客関係管理の重要な側面の一つです。銀行にとって、これらの非活動顧客を扱うことは、機会と課題の両方をもたらします。
あなたは、ほとんど活動のない口座が銀行の顧客の少なくとも 80％を占めていることを知っていましたか？銀行の担当者たちは、これにより大きな負担を抱えています。しかし、これはまた、未開発の宝庫を意味しています。では、我々はどのようにしてこれらの口座から価値を引き出すことができるのでしょうか？
多くの銀行が資産の多い顧客に重点を置いている一方で、活動の少ない口座には大きな未発掘の潜在力があります。我々は本当に、これら何千万もの顧客を無視することができるのでしょうか？銀行は、資産、負債、収益性、そして顧客の関与度を高めるために、適切な戦略を必要としています。
解決策：インテリジェントな技術
「インテリジェント化はこの問題を根本的に解決できるし、私たちはそう信じる必要があります。」それは聖書の「光あれ」という言葉のようなものです。人工知能とビッグデータは、小売業の顧客運営にとっての光なのです。しかし、銀行はどのようにしてこの光を点けることができるのでしょうか？ まずは技術を信じ、そしてそれを受け入れることから始まります。
銀行はしばしば AI 駆動の音声アシスタント、機械学習、データ分析に言及します。しかし、彼らは本当にこれらのツールを使って成果を生み出しているのでしょうか？ タスクはインテリジェントなプロセスを通じて自動化されているのでしょうか？ 組織は十分に迅速に適応できるのでしょうか？ これらのシステムは迅速に反復できるのでしょうか — 月ごとに、週ごとに、あるいは毎日ですか？
銀行における AI：現状
多くの銀行の日常運営は、まだ本当にインテリジェントな状態からはほど遠いものです。前進するために、銀行は 3 つの核心的な能力を必要とします：
1.ビッグデータからの洞察の生成
これには、多次元のデータタグ付けと機械学習モデルを使用して、セグメンテーションと予測を行うことが含まれます。驚くべきことに、多くの銀行は、財産運用における価値を引き出すために、データタグ付けとモデリングにどれほどの詳細が必要かを認識していません。
当社が中小企業向けの銀行と協働した経験では、自然に商品を購入する顧客と、マーケティングによって納得させる必要のある顧客という 2 つの異なるグループがあることに気付きました。それぞれのグループを別個にモデリングすることで、それぞれの独自の行動を特定することができます。この詳細なアプローチにより、顧客のニーズをより良く理解することができ、より効果的なマーケティング戦略を策定することができます。
2. データ駆動型のマーケティング戦略フレームワークの構築
重要なのは、特定のビジネス目標に基づいて顧客をセグメント化し、パフォーマンスを追跡するための複雑な指標システムを構築することです。アイデアは、重要な指標を特定し、それを中心にタスクを設計し最適化することです。これは難しい場合もありますが、最も重要なことに資源を集中させる助けになります。
運用チームはしばしば、「1 日のアクティブユーザー数を増やすという目標のために、新規顧客を維持することに集中するべきか、過去 2 週間でアクティブだった顧客に集中するべきか？」といったことを自問します。データに基づいたしっかりとした構造は、これらの問題に対する実践的な解決策を提供することができます。
3. AI の力を活用する
AI は人間の知能の頂点を表しており、銀行はその可能性を活用しようとしています。しかし、AI によって生み出される生産性は定量化できるのでしょうか？ はい、できます。Dyna.Ai では、この未開拓の領域を探求しており、当社の AI 駆動のシステムは、一部の銀行の運用において総能力の 70％を占めることができます。これは大きなことです！
Dyna Athena VoiGPT は、音声認識精度が非常に高く、99％を超えるため、特に効果的です。大規模な事前学習モデルに基づく VoiceGPT は、ディープラーニングの Transformer アーキテクチャを採用しており、開発に際しては自然言語処理（NLP）、自動音声認識（ASR）、テキスト読み上げ（TTS）などの重要な技術を統合しています。
当社は、大規模モデルの幻覚問題に対処するために様々な対策を講じており、その一つとして RAG（検索拡張生成）技術を使用して文脈情報をつなぎ合わせることで、顧客の意図を正確に判断する能力を高めています。さらに、当社のモデルは垂直業界向けに専用に開発されており、幅広い業界固有の知識を取り入れるために大幅なカスタマイズを行っており、業界内ではほとんど実用的な価値のない幅広い情報は除外しています。その結果、幻覚の発生率を極めて低いレベルに抑えることができています。
ほとんどの大規模言語モデル（LLM）は汎用的なもので、パラメータ数は通常数千億にも及び、700 億未満のものはほとんどありません。これらのモデルの推論計算時間は、パラメータ数の 2 乗に比例するため、汎用的な LLM の一般的な応答時間は 3 秒以上になります。音声、ビデオ、または口パクシミュレーションを組み込む場合、この遅延は簡単に 5 秒を超えることがあります。
パフォーマンスを最適化するために、当社は数千億のパラメータを持つ大規模モデルを精製し、当社の業界に関連性の低い多くの汎用的な世界の知識を排除しています。このプロセスにより、当社のモデルのパラメータサイズを 100～300 億の範囲に縮小しています。その結果、当社は 0.5～1 秒以内に応答を提供することができ、ユーザー体験と運用効率を大幅に向上させることができます。
結論
財産運用の「無人エリア」を突破するために、銀行はこの3つの能力を必要とします。好ましいことに、一部の銀行はすでに高度な手法とデジタル管理の実践によって先導しています。しかし、常に改善の余地があります。特に、データの充実度、インテリジェントな運用の機敏性、そして顧客接点チャネルなどの分野においてです。
