Mang công nghệ cao đến gần

Dưới đây là một câu đố bán hàng chuyên nghiệp vui nhộn: Vấn đề lớn nhất với cái bắt tay là gì? Đáp án: khá khó để đưa ra nhiều hơn một lần. 

Trong nhiều năm, Ngân hàng Regions, một chi nhánh của Công ty Regions Financial Corporation - thành viên của Fortune 500, đã phát triển mối quan hệ khách hàng ngân hàng thương mại của mình theo cách cổ điển: giao tiếp gần gũi, tương tác cá nhân và, đúng vậy, rất nhiều cú bắt tay. Nhưng theo thời gian, thành công trở thành một rào cản của chính mình: những thực hành đó không thể mở rộng khi số tài khoản tăng lên, điều đó có nghĩa là các quản lý mối quan hệ tài khoản thương mại phải đối mặt với nhiều dữ liệu hơn để lọc qua và ít thời gian hơn để làm điều đó. 

“Những nhân viên ngân hàng của chúng tôi rất xuất sắc—họ đang làm việc với khách hàng của họ hàng ngày,” nói Manav Misra, Giám đốc Dữ liệu và Phân tích của Regions. “Nhưng đối với một con người, thật khó để hiểu rõ mọi thứ đang diễn ra với một công ty mà họ đang làm việc.”

Nhưng thời đại dữ liệu số hiện đại đang hình thành kỳ vọng chính xác đó của khách hàng: mỗi quản lý mối quan hệ (RM) nên biết đúng điều gì đang diễn ra trong công ty, ngành công nghiệp và thị trường của họ. Khách hàng thương mại ngày càng mong đợi RMs của Regions phải thông tin hơn, hiểu biết nhạy bén về nhu cầu của họ và quan trọng hơn bao giờ hết. 

Đối với ngân hàng thương mại của Regions để tiếp tục phát triển, cần phải biến đổi—các cú bắt tay không còn đủ nữa. Đội ngũ của Misra, cùng với đối tác chiến lược Boston Consulting Group (BCG), bắt đầu hình dung một giải pháp quản lý mối quan hệ được định hình bởi phân tích dữ liệu.

“Ngân hàng thương mại truyền thống đã là một doanh nghiệp bắt tay—đó là một doanh nghiệp chạm trán nhiều,” Misra nói. “Và chúng tôi muốn mang công nghệ cao đến gần để đáp ứng tốt hơn nhu cầu của khách hàng.”

Giải Pháp Phân Tích Doanh Thu
Cả hai thách thức đang đối diện với RMs của Regions—quá tải dữ liệu và kỳ vọng của khách hàng—đều có một giải pháp chung: một giải pháp quản lý mối quan hệ thông minh có thể chuyển đổi hàng núi dữ liệu khách hàng thành cái nhìn thông tin về tài khoản. Nếu Regions có thể xác định và kết hợp các điểm dữ liệu khách hàng đúng, một giải pháp như vậy có thể sử dụng trí tuệ nhân tạo (AI) và thuật toán học máy (ML) để trang bị cho quản lý mối quan hệ các hành động hoặc rủi ro mối quan hệ được đề xuất.

Trước khi phát triển một giải pháp như vậy có thể bắt đầu, tất cả dữ liệu khách hàng cần thiết phải được kết hợp tại một nơi—điều đó có nghĩa là thu thập hàng tỷ điểm dữ liệu cá nhân vào một hồ dữ liệu trên nền tảng cài đặt trên địa bàn. Regions cũng phải tích hợp các luồng dữ liệu bên ngoại để xây dựng các nhân vật công ty chính xác hơn. 

Khi quá trình tổng hợp dữ liệu cần thiết đã hoàn thành, các đội phân tích cao cấp của Regions và BCG bắt đầu điêu khắc chính xác loại thông tin nào mà phiên bản ban đầu của giải pháp sẽ có thể cung cấp. Họ quyết định chọn ba chức năng—hoặc "mô-đun"—cho phiên bản 1.0: một mô-đun đề xuất giải pháp, giúp RMs xác định những giải pháp của Regions nào phù hợp nhất cho khách hàng của họ; một mô-đun giữ mối quan hệ, xác định các tài khoản khách hàng có rủi ro mất mát; và một mô-đun phân tích sức khỏe tài chính, có thể thông báo cho RMs biết khách hàng nào có thể đối mặt với nguy cơ khó khăn tài chính trong những tháng sắp tới.

Đồng thời, ba mô-đun đó có thể biến đổi và tối ưu hóa cách RMs của Regions tương tác với khách hàng. Những thông tin quý báu cho một khách hàng trong bất kỳ một trong những loại đó trước đây mất hàng giờ để tạo ra; bây giờ, bất kỳ RM nào cũng có thể nhận được thông tin trên tất cả ba loại, cho tất cả khách hàng của họ, chỉ trong vài phút. Đó chính là những gì RMs cần, và điều đó không phải là ngẫu nhiên: Regions và BCG đã liên kết với RMs từ các doanh nghiệp ngay từ giai đoạn ý tưởng và trong quá trình phát triển và triển khai để đảm bảo giải pháp cuối cùng phù hợp với nhu cầu thực tế của họ.

"Điều quan trọng là chúng tôi đảm bảo rằng chúng tôi có những người chiến thắng chúng tôi mang vào giai đoạn thiết kế chính nó, vì vậy họ có cảm giác sở hữu sản phẩm," Misra nói. "Họ đã đưa ra phản hồi sớm, họ là người dùng đầu tiên, và sau đó—khi sản phẩm bắt đầu hình thành—có một chu kỳ phản hồi liên tục từ họ để nâng cao sản phẩm."

Chỉ sau sáu tháng kể từ khi Regions đầu tiên xác định nhu cầu thị trường, phiên bản 1.0 của giải pháp—được gọi là Revenue Analytics Solution—đã được triển khai cho một nhóm thử nghiệm của RMs. Hiện nay, Regions đang ở phiên bản 3.0, với thêm các mô-đun cho việc tìm kiếm tài khoản mới và phân tích thanh khoản. Sự chấp nhận của RMs gần như là toàn cầu.

"Điều này thực sự mang lại lợi thế cho RMs của chúng tôi, vì khi họ trò chuyện với khách hàng, đó không chỉ là việc ra ngoài và nói về cách đội bóng bóng đá yêu thích của họ đang làm gì và rồi hy vọng rằng bạn sẽ rút ra một số viên kim cương xoay quanh cơ hội tiềm năng nào đó," Misra nói. "Bây giờ, chúng tôi có một quy trình tìm kiếm cơ hội và đóng cửa chúng nhanh chóng hơn nhiều."

Một nỗ lực đồng đội

Đối với Misra, thành công của giải pháp đến từ cách tiếp cận nhóm hỗ trợ phát triển của nó. Cùng với sự hướng dẫn chiến lược và đội ngũ phân tích cao cấp của BCG, giải pháp phân tích doanh thu được xây dựng bởi những người của Regions, dành cho những người của Regions—dựa vào tài năng từ nhiều bộ phận khác nhau. 

"Nếu chúng tôi xem điều này chỉ là một mô hình mà đội của tôi xây dựng, chúng tôi sẽ không thành công," Misra nói. "Mọi người đều là một phần của một đội làm việc với mục tiêu giao hàng sản phẩm—và cảm giác sở hữu chung giữa đơn vị kinh doanh và đội của tôi là cần thiết để chúng tôi thành công."

Và một phần lõi của nỗ lực đồng đội đó là BCG, đồng thời là đối tác tư vấn và nhà phát triển giải pháp.

“Giải pháp này được tạo ra cùng với Regions Bank từ ngày đầu tiên,” Bhavi Mehta, Giám đốc Quản lý và Đối tác BCG nói. “Các đội kinh doanh, công nghệ và khoa học dữ liệu của hai công ty đã cùng nhau làm việc—đan xen—một cách lặp lại để mang điều này vào cuộc sống.”

Tác động của giải pháp—và bằng chứng về tính hữu ích của học máy trong tổ chức—nhanh chóng lan rộng khắp toàn bộ công ty. Nếu quay về hiện tại, Regions hiện đã có nhiều giải pháp thông minh đang sản xuất. Một công cụ dựa trên xử lý ngôn ngữ tự nhiên mang tên RVOiCe—Regions Voice of the Customer—giúp tổng hợp và đánh giá phản hồi của khách hàng qua nhiều kênh khác nhau, ví dụ. Đội của Misra thậm chí đã phát triển một giải pháp phân tích đồ thị giúp các chuyên viên phòng chống gian lận xác định và hiểu các mô hình rửa tiền tiềm ẩn. 

Nhưng ở nhiều khía cạnh, giải pháp phân tích doanh số bán hàng là chương đầu tiên trong hành trình dữ liệu ngày càng phát triển của Regions—và nó đạt được danh tiếng đó thông qua ảnh hưởng đối với khách hàng. 

“Cuối cùng, chúng tôi làm kinh doanh để giúp khách hàng của mình thành công trong hành trình tài chính của họ,” Misra nói. “Vì vậy, nếu chúng tôi chuẩn bị tốt hơn cho những cuộc trò chuyện đó, khách hàng của chúng tôi nhận được giá trị và dịch vụ tốt hơn từ mỗi tương tác với người quản lý tài khoản của họ.”

Truyện này được sản xuất bởi Mytour Brand Lab cho Boston Consulting Group.