ChatGPT或DALL-E，即生成式AI，专注于生成图像、文本、声音甚至代码等新数据。金融行业从业者对人工智能并不陌生，在采用人工智能/机器学习技术方面几乎超过了其他所有行业。生成式 AI 为金融营销开辟了一组新的用例：超个性化内容、更具吸引力的客户体验、更好的洞察力，甚至运营效率。
但另一方面，金融营销人员必须仔细权衡生成式 AI 的潜在法律、道德和安全风险。这些风险需要通过正确的应用程序设计、测试和基于规则的防护措施来缓解。
在银行业应用生成式人工智能
生成式人工智能令人兴奋的地方在于它如何与客户关系管理 （CRM） 融合。这种生成式 AI 和 CRM 的混合体，依靠精确的消费者数据来生成高度相关且高度参与的内容，有助于提高转化率、使用率和忠诚度绩效指标。
随着金融服务营销人员开始探索生成式人工智能的应用，以下是这些技术可以在实践中使用的四个领域：
• 个性化内容
• 聊天机器人和个人助理
• 改进客户洞察
• 额外的运营优势
1、个性化内容
生成式人工智能可以使公司跨渠道（即电子邮件、社交媒体、电视和其他视频）创建精心定制的营销活动。
• 在个人层面定制的营销信息和数字广告。
生成式 AI 可以生成针对个人量身定制的标题、文本和图像。例如，银行可以针对在科技行业工作的 28 岁单身男性；住在德克萨斯州奥斯汀；租一套公寓等等。这些数据点可以为AI提供信息，为捆绑服务生成广告单元，并具有针对该个人优化的产品定位，消息传递和图像的独特组合。虽然这种定制在过去理论上是可能的，但生成式人工智能使其变得实用，允许营销人员快速、廉价地大规模定制。
• 大规模个性化内容制作。
使用生成式 AI，金融服务组织可以发布更多相关文章、视频/动画和音频内容。他们可以更快、更高效地做到这一点。例如，银行的信托和投资销售职能部门可以根据客户的确切生活阶段和兴趣（包括他们的年龄、风险承受能力、资产、目标、过去的行为和兴趣）创建投资资讯。此类时事资讯可能有数百甚至数千种排列，每个版本都针对特定的客户微细分市场。虽然人类专家将在监督和批准人工智能生成的内容方面发挥关键作用，但这项技术能够实现大规模定制。
• 定制参与。
当消费者与品牌的网站或移动应用程序互动时，生成式 AI 可以推动高度定制、优化的体验。例如，零售银行可以根据潜在客户的位置和分行距离为其提供定制的站点体验。当与可以在个人身份信息级别识别访问者的身份管理平台结合使用时，体验甚至可以根据兴趣、生命阶段和潜在的产品兴趣进一步定制。
2、聊天机器人和虚拟助手
生成式AI驱动的聊天机器人和虚拟助手通过提供 24/7 全天候支持、回答常见问题和指导客户完成复杂的流程来改善客户体验。
• 更高效、更高质量的服务自动化。
生成式 AI 将自然语言处理和预测算法相结合，可以与金融服务客户进行更好的对话。例如，生成式人工智能可以为自动化客户服务提供信息，甚至可以扫描语气和情绪状态。
• 更好的客户引导体验。
生成式 AI 能确保客户信息的上传和可用性，并提供高度个性化的建议和后续步骤。更重要的是，客户体验数据可以被捕获并反馈到人工智能中，从而提高系统预测和响应客户需求的能力。
• 对话指导、服务和教育。
当与集成的CRM平台一起使用时，生成式AI可以梳理平台上生成的所有客户案例笔记，并立即生成相关内容。此内容可以由人工代理（即顾问、服务代表、分支机构人员）进行审查和修改，然后再实时或通过虚拟助手或聊天功能呈现给客户。关键是生成式人工智能比传统方法提供更快、更明智的响应。
3、改进的客户洞察力
生成式人工智能可以通过分析大量客户数据、联系历史记录和活动效果来帮助金融服务公司更深入地了解其营销。
这些信息可用于为潜在客户的营销策略提供信息，提高保留率和忠诚度，并改善整体消费者体验。例如，信用卡发卡机构可以分析支出数据以预测活动或行为，并提供高度个性化的消息、优惠和内容。
4、提升运营效率
生成式人工智能可以自动执行日常任务，为金融服务营销团队腾出时间专注于更具战略性的计划。这些任务包括编译和组织信息以及大规模生成常规内容（法律、市场更新）。
这可以提高效率，节省成本并更好地利用资源。
如何降低生成式人工智能的风险
生成式人工智能可以产生更好的客户体验。但是，它也可能产生误导性或事实上错误的输出。必须提前防止这种情况。
该技术还存在有偏见的内容（年龄、性别、种族）的风险，并且容易受到外部行为者的操纵，以达到不道德或犯罪活动的目的。
但这些挑战可以通过正确的设计和管理来克服。以下是五个注意事项：
1. 数据选择。为了避免有偏见、不合规或其他不良输出，营销团队必须使用多样化和代表性的数据设计和训练生成式 AI。必须注意确保数据和模型符合适用法律，例如公平贷款法律和法规。团队必须定期审核AI的输出并对数据进行调整，尤其是在模型随着时间的推移而优化时。聘请独立的第三方来验证和验证模型的公平性和合规性甚至可能是有意义的。
2.模型特异性。虽然我们都越来越熟悉像ChatGPT这样基础广泛的AI，但金融服务公司也需要狭隘的生成AI，以执行非常精选的任务。例如，与通用人工智能相比，专门为生成面向消费者的信贷或投资教育而构建的模型可以帮助确保生成的内容准确且适合接收者。
3. 规则和防护。为内部团队和外部消费者创建基于业务和合规性的规则有助于降低道德和法律风险。例如，可以建立规则来防止AI无意中生成误导性或矛盾的输出。
4.人为监控。虽然生成式 AI 有能力提供显着的效率，但持续监控和审计输出非常重要。考虑指定一个由人类组成的监测小组！— 优化、允许或抑制 AI 生成的输出。使用该监视来测试和进一步训练 AI。
5. 持续培训。这将是一系列持续的挑战，而不是一劳永逸的挑战。所有利益相关者都需要接受有关人工智能功能、局限性和风险的教育。直接使用或向模型提供数据、内容和其他输入的团队应彻底了解系统的工作原理及其设计目的。监督人工智能的领导者应该对潜在风险保持透明，并鼓励提出问题，并征求利益相关者的任何担忧。
生成式人工智能与CRM相结合，可以为金融服务公司提供显着的营销优势和机会。关键是在初始人工智能模型的开发以及消费者或企业消费的产出管理中平衡技术与人为因素。
但是很明显，目前我们只是触及了表面。
>> 来源：THE FINANCIAL BRAND FORUM 作者：Matt Regan，客户体验公司Merkle的客户战略和金融服务垂直主管副总裁。
本篇文章来源于微信公众号: 数字金融网
