AI 지원 고객 서비스가 통신사 개인화 확장의 핵심인 이유

[힘힘]

AI 지원 고객 서비스가 통신사 개인화 확장의 핵심인 이유

2023년 10월 24일| 기사

공유하다

인쇄

다운로드

구하다

통신업체는 점점 더 맞춤형 상업 마케팅에 의존하고 있습니다. 그러나 이러한 노력과 서비스 관련 봉사 활동을 포괄적인 차세대 최고의 경험 엔진으로 통합하는 것이 성장에 매우 중요합니다.

다운로드

기사(9페이지)

점점 더 많은 통신사가 교차 판매 및 상향 판매 촉진, 이탈 감소, 유지율 향상, 신규 고객 확보 등의 목표를 위해 실시간 데이터 기반 통찰력을 사용하는 상용 차선책 엔진을 활용하고 있습니다. 그러나 이러한 마케팅 노력은  서비스 관련 문제 및 우려 사항에 대한 예측적이고 사전 예방적이며 맞춤형 지원이 이루어 지지 않으면 무위로 돌아갈 위험이 있습니다 . 간단히 말해서, 불안정한 연결성이나 예상치 못한 높은 청구서로 인해 불만을 품은 고객은 새로운 제안이나 프로모션에 긍정적으로 반응할 가능성이 적습니다.

사이드바

저자 소개

파괴적인 신기술, 디지털 기반 경쟁, 고객 기대치 상승 등 도전적인 시장 에서 성공하려면 서비스 문제에 대한 차선책 엔진을 만드는 것이 중요합니다. 그러나 서비스는 여전히 보다 포괄적인 접근 방식의 한 부분일 뿐입니다. 통신업체는 두 가지 별도의 차선책 엔진을 사용하는 대신 상업 및 서비스 관련 기능을 하나의 포괄적인 차선책 경험 엔진으로 통합하여 올바른 문제에 대해 고도로 개인화된 방식으로 고객과 소통할 수 있습니다. , 적시에, 적절한 채널을 통해.

우수한 고객 경험의 계단식 이점 외에도, 우리는 이 접근 방식을 통해 운영자가 3년 이내에 특정 사용 사례와 관련된 비용을 최대 30% 절감하고 전체 B2C 수익을 2~4% 늘리며 고객 만족도를 향상시킬 수 있을 것으로 예상합니다. 지속적인 상용 고객 가치 관리 활동을 통해 얻을 수 있는 이점 외에도 초기 이탈률을 10~20%까지 줄이고 초기 이탈률을 최대 30%까지 줄입니다 .

초기 이동자에게는 잠재적으로 상당한 이점이 있으며, 이는 고객이 통신사로부터 기대할 수 있는 것에 대한 새로운 표준을 설정할 것입니다. 동시에, 이 새로운 영역에 더디게 진출하는 통신업체는 고객의 변화하는 요구 사항을 충족하기 위해 고군분투하면서 향후 3~5년 동안 더욱 뒤처질 위험이 있습니다.

서비스 문제

디지털 기반 서비스 및 콘텐츠 제공업체는 지속적으로 고객 기대치를 재정의하고 있으며 그 과정에서 통신사와 고객의 관계를 약화시키고 있습니다. 이러한 역동성은 연결의 상품화에 기여하며, 이는 올바른 통신 서비스를 얻는 데 따른 위험을 높입니다. 당연히 고객 경험과 유지 사이에는 강한 상관관계가 있으며, 일부 시장에서는 80~90%에 달하는 높은 중복률이 있습니다(자료 참조). 통신사의 가격이 최저 수준이더라도 열악한 고객 경험, 연결 불량, 예상치 못한 요금 청구로 인해 어려움을 겪는 고객은 어떤 마케팅 캠페인에도 잘 반응하지 않을 것입니다.

전시하다

우리는 장애가 있는 개인에게도 웹사이트에 대한 동등한 접근권을 제공하기 위해 노력하고 있습니다. 이 콘텐츠에 대한 정보를 원하시면 기꺼이 도와드리겠습니다. McKinsey_Website_Accessibility@mckinsey.com 으로 이메일을 보내주세요.

오랜 시간 대기하거나, 상담원에서 상담원으로 연결되거나, 단일 서비스 문제를 해결하기 위해 여러 번 전화를 걸어야 하는 고객은 원하는 결과를 얻더라도 그 힘든 과정을 기억할 가능성이 높습니다. 서유럽의 한 통신업체는 연결 문제를 해결하기 위해 두 번 이상 전화를 걸어야 했던 고객이 계약 종료 시 자리를 떠날 확률이 거의 두 배에 달한다는 사실을 발견했습니다.

더욱이 일반적으로 그렇듯이 통신업체의 상업 및 서비스 역량이 사일로에서 운영될 경우 고객은 관련이 없고 심지어 성가신 커뮤니케이션으로 넘쳐날 수 있습니다. 결과적으로 일부 고객은 마케팅 커뮤니케이션 수신에 대한 동의를 철회할 수도 있습니다. 한 운영자는 다양한 부서에서 일주일에 최대 5개의 메시지를 고객에게 보내고 일부 고객은 같은 시간 내에 교차 판매 제안과 네트워크 중단에 대한 정보를 수신한다는 사실을 발견했습니다.

개인화에 대한 전체적인 접근 방식을 취하는 통합 차선책 경험 엔진은 고객 경험을 크게 향상시킬 뿐만 아니라 고객 서비스와 관련된 비용도 절감할 수 있습니다. 이는 반응적이고 인바운드에 초점을 맞춘 고객 상호 작용을 사전 예방적이고 선제적인 고도로 자동화된 지원으로 대체하고 통신사가 고객과 한 목소리로 대화하도록 보장함으로써 이루어질 수 있습니다.

엔진 운전

차세대 최고의 경험 엔진은 고객과의 모든 통신사 상호 작용을 안내하고 강화합니다. 이는 데이터, 분석, 의사 결정 및 채널 실행의 네 가지 주요 계층으로 구성됩니다. 상업 및 서비스 관련 요소는 각 계층에 통합되어 있으며, 통신사가 취할 수 있는 모든 잠재적 조치는 장기적으로 어떤 조치가 가장 큰 가치를 창출할지 평가하기 위한 공통 지표인 고객 생애 가치라는 렌즈를 통해 분석됩니다.

데이터 계층

가장 인기 있는 통찰력

1. Gen AI의 허니문 단계를 지나서: CIO가 파일럿에서 확장까지 파악해야 할 7가지 어려운 진실
2. 생성 AI의 경제적 잠재력: 차세대 생산성 개척지
3. 성장 초과 성과를 위한 6가지 전략
4. 생성 AI란 무엇인가?
5. 맥킨지 분기별

데이터 계층은 전체 엔진에 대한 단일 정보 소스가 되어야 하며, 고객의 요구와 바람의 전체 스펙트럼을 해결하는 데 관련될 수 있는 모든 데이터 포인트를 포함해야 합니다. 외부 소스의 데이터를 포함한 상업 및 서비스 데이터1인구통계 및 위치에 대한 데이터와 결합되어 각 고객에 대한 일관된 360도 뷰를 생성합니다.

상업 데이터에는 재직 기간, 캠페인에 대한 과거 수용성, 고객 만족도 점수 및 이전 거래가 포함될 수 있습니다. 서비스 데이터에는 네트워크 사용량, 네트워크 안정성, 장치 사용량 및 잘못된 서비스와 관련된 고객의 통화 성향이 포함될 수 있습니다.

통신업체는 데이터가 중요하다는 점을 이해하고 있지만 조직 전체에 걸쳐 모든 사용 사례를 포괄하는 정교한 데이터 계층을 개발한 기업은 거의 없습니다. 대부분의 통신사, 서비스 부서, 상업 부서에서는 데이터를 별도로 생성하고 수집합니다. 서비스 데이터는 일반적으로 센서에 의해 생성되는 경우가 많기 때문에 효과적으로 추출, 변환 및 사용하려면 많은 노력이 필요하기 때문에 훨씬 덜 견고합니다. 더욱이, 통신사의 상업 부서 내에도 사일로가 존재합니다. 예를 들어, 이탈에 초점을 맞춘 팀은 고객 확보에 초점을 맞춘 팀과 별도로 데이터를 컴파일하고 처리할 수 있습니다. 이로 인해 작업이 중복될 수 있으며 고객의 속성, 요구 및 행동에 대한 각 팀의 통찰력이 제한될 수 있습니다.

열악한 데이터 거버넌스는 통신업체가 보유한 데이터를 최대한 활용하는 능력에도 영향을 미칩니다. 통신업체는 데이터 품질과 다양한 유형의 데이터가 어디에 있는지 명확하지 않은 경향이 있으며, 추가 분석 작업을 위해 데이터를 준비하는 데 생산성이 떨어지는 수동(또는 반수동) 수단에 의존하는 경우가 많습니다.

실행 가능한 데이터 기반 통찰력을 얻으려면 자동화가 핵심입니다. 이를 위해서는 여러 소스의 데이터가 유사하게 레이블 지정되고 구성되도록 하기 위해 명확한 데이터 책임 표준과 일관된 명명 규칙이 필요합니다. 이러한 조치를 취하면 데이터 관련 작업을 자동화하고 간소화하여 기계 학습 개발 프로세스를 가속화할 수 있습니다. 그런 다음 통신업체는 기본 데이터 조작 루틴과 추가 모델링 및 의사 결정에 사용되는 기능 생성 프로세스를 모두 자동화하는 신뢰할 수 있는 데이터 엔지니어링 파이프라인을 생성할 수 있습니다.

운영자는 최고 데이터 책임자 또는 데이터 책임자를 임명하여 데이터 레이크를 탁한 늪지대가 아닌 풍부한 저수지로 만드는 데 성공했습니다. 최고 데이터 책임자는 모든 고객 데이터를 감독하고 보호하며 품질을 보장하는 책임을 맡습니다. 가능한 한 높게. 이 리더는 조직 내 어디에서나 데이터 관련 질문에 대한 답변을 제공해야 합니다. 그들은 데이터가 어디에 있는지 결정하고, 품질을 평가하고, 데이터의 구조 및 사용 방식을 이해하고, 사용을 모니터링하는 데 도움을 주는 팀을 임명할 권한이 있어야 합니다.

한 유럽 통신 그룹의 경험은 전략적 데이터 거버넌스와 데이터 엔지니어링이 창출할 수 있는 가치를 보여줍니다. 이 그룹은 다양한 데이터 및 분석 성숙도 수준을 갖춘 여러 국가의 주요 통신사를 소유하고 있습니다. 모범 사례를 성문화 및 공유하고, 규모의 경제를 구축하고, 서비스 제공을 표준화 및 가속화하기 위해 그룹은 단일 데이터 및 분석 우수 센터를 만들기로 결정했습니다.

이 그룹은 모든 국가에 걸친 분석 노력의 기반이 되는 공통 데이터 모델을 만드는 것부터 시작했습니다. 9주 만에 표준화된 데이터 조작 및 준비 루틴을 통해 각 국가의 원시 데이터에 연결된 공통 추상화 계층을 만들었습니다. 분석 모델은 이 추상화 계층 위에서 작동하도록 설계되어 모델이나 사용 사례를 한 국가에서 다른 국가로 쉽게 이동할 수 있습니다. 이 그룹은 새로운 "등대" 사용 사례 배포 일정을 약 5개월에서 6주로 단축했으며, 여러 국가에 새로운 사용 사례를 배포하는 데 2주만 추가하면 됩니다.

분석 계층

분석 계층에는 교차 판매, 이탈 방지, 상향 판매 및 세 가지 범주의 서비스 관련 문제를 포함한 모든 잠재적 사용 사례에 대한 광범위한 기계 학습 모델이 포함될 수 있습니다 . 선점형(통신사가 임박한 문제가 발생하기 전에 감지함) , 사전 대응(통신사가 고객이 인지하기 전에 결함을 감지하고 수정), 사후 대응(통신사가 문제에 대해 연락하는 고객과 소통)입니다.

이 계층의 핵심 목표는 이상적으로는 오류를 완전히 방지하여 가능한 한 빨리 개입하는 것입니다. 이를 통해 문제 해결 비용이 최소화되고 서비스 품질에 대한 고객의 인식이 높아집니다.

많은 통신사는 고객 이탈 및 가격 책정과 같은 상업적 사용 사례를 위한 기계 학습 모델을 보유하고 있습니다. 그러나 광대역 연결 오류, 청구서 충격, 반복적인 실패와 같은 사용 사례에 대한 모델을 갖춘 경우는 거의 없습니다. 결과적으로 이러한 문제는 일반적으로 사전 대응이 아닌 사후 대응으로 처리됩니다. 상업용 및 서비스 사용 사례 모두를 위한 통합 기계 학습 모델을 갖춘 통신사는 훨씬 더 적습니다. 이는 통신업체가 서비스 관련 문제를 의사 결정에 고려하는 능력을 앗아가기 때문에 놓친 기회입니다.

서유럽의 한 통신사는 결함 관련 문제에 관해 전화할 가능성이 가장 높은 고객을 식별하기 위해 예측 분석 모델을 개발했으며, 약 10%의 고객이 다른 고객에 비해 결함에 대해 전화할 가능성이 거의 80% 더 높다는 사실을 발견했습니다. 그런 다음 통신사는 가장 쉽게 해결할 수 있는 결함을 찾아내기 위해 두 번째 중복 분석을 실시했습니다. 이러한 결함은 원격으로 해결할 수 있거나 고객에게 라우터를 다시 시작하거나 네트워크 설정을 변경하는 방법에 대한 간단한 지침을 제공하여 해결할 수 있었습니다. 그 시점에서 통신사는 신속하게 해결 가능한 문제에 대해 문의할 가능성이 가장 높은 20%의 고객에 초점을 맞춘 일련의 파일럿 테스트를 시작했습니다. 초기 파일럿에서 고객은 서비스 중단에 대한 정보를 제공하고 문제 해결에 도움을 주는 전화를 받았습니다. 이러한 초기 노력의 교훈을 바탕으로 후속 파일럿에서는 야간 원격 라우터 재설정과 같은 엔드투엔드 자동화 솔루션을 제공했습니다.

통신사는 이 고객 그룹에 서비스를 제공하는 데 드는 비용을 35% 절감하여 그 과정에서 고객 경험을 크게 향상시켰습니다.

과대광고를 넘어 가치를 창조하다

전략부터 규모까지 기술의 약속을 지켜드리겠습니다.

시작하다

의사결정 계층

기계 학습 모델은 특정 이벤트가 발생할 가능성이나 고객이 특정 방식으로 반응할 가능성을 결정하는 반면, 의사 결정 계층은 상황에 따라 활성화할 사용 사례, 활성화 시기, 각 고객에 대해 활성화하는 방법을 결정합니다. 또는 발생하는 문제. 이 단계에서 선도적인 통신업체는 대규모로 진정한 개인화를 제공함으로써 경쟁 우위를 확보합니다.

각 잠재적 조치(서비스 및 상업 모두)가 고객 평생 가치에 어떤 영향을 미칠지 평가해야 합니다. 의사결정 계층은 통신사가 취할 수 있는 모든 가능한 조치에서 예상되는 장기적 가치, 개별 고객이 특정 조치(예: 새로운 제안을 수락하거나 서비스에 대해 불만을 제기하는 전화 등)를 취할 가능성 및 서비스 비용을 고려합니다. 각 채널을 통해 고객. 고객의 상태가 변경될 때마다(예: 고객이 새 계획으로 마이그레이션하거나, 새 장치를 활성화하거나, 다른 채널을 사용하기 시작할 때) 의사결정 모델은 고객의 반응을 예측하고 각 잠재력의 가치와 비용을 계산할 때 이 새로운 정보를 통합합니다. 통신 활동.

궁극적으로 의사결정 계층은 가장 큰 가치를 창출할 사용 사례를 활성화합니다. 예를 들어 모델이 고객이 회사를 떠날 가능성이 있다는 신호를 보내는 경우 이탈 방지 사용 사례가 시작될 수 있습니다. 고객이 인바운드 전화를 걸 가능성이 있다고 판단되면 사전 서비스 지원 사용 사례가 활성화될 수 있습니다. . 의사결정 계층은 또한 통신업체의 접촉 정책을 다루며, 캠페인 과포화를 방지하고 특정 시간에 특정 캠페인에 포함된 고객이 향후 통신을 거부할 가능성을 고려합니다.

이러한 수준의 응답성과 개인화를 지원하기 위해 고객은 상업 및 서비스 관련 각 잠재적 사용 사례에 대해 수백 개의 마이크로 세그먼트로 그룹화됩니다. 마이크로 세그먼트는 동적이고 반응성이 뛰어나며 자동으로 업데이트되며 새로운 데이터, 통찰력, 고객 행동을 기반으로 끊임없이 발전합니다. 역사적으로 통신업체의 상업 운영에서는 인구통계, 사용량, 보유 기간 등 광범위한 범주와 관련된 데이터를 기반으로 고객을 상대적으로 정적인 10~15개의 세그먼트로 그룹화했습니다. 서비스 운영은 세분화에 대해 훨씬 더 기초적인 접근 방식을 취했습니다. 일반적으로 고객이 경험하는 문제의 심각도와 빈도에 따라 고객을 몇 개의 큰 그룹으로 분류합니다.

이 두 가지 운영을 결합함으로써 통신업체는 고객의 가장 긴급한 우선순위와 우려 사항에 부합하는 방식으로 고객에게 대응할 수 있는 위치를 마련합니다. 예를 들어, 서비스 문제를 겪고 있는 고가치 고객에게 엔지니어를 집으로 보내겠다는 제안을 적극적으로 전달하는 경우 고객의 서비스 문제가 해결될 때까지 모든 마케팅 캠페인이 일시 중지됩니다.

결정 계층에는 이상적으로 세 가지 병렬 흐름이 포함됩니다. 기본 흐름은 상시 실행 흐름입니다. 상업적인 고려 사항에 관계없이 법적으로 전송이 필요한 통신에 대한 규제 흐름 그리고 상황이 바뀔 때 활성화되어 기계 학습 모델에서 빠른 전환이 필요한 트리거 기반 흐름이 있습니다.

규제 흐름은 간단합니다. 이는 다른 두 흐름을 대체하여 통신사가 모든 법적 의무를 준수하도록 보장합니다(예: 계약이 만료되기 2개월 전에 고객에게 알림). 트리거 기반 흐름은 고객의 상황이 갑자기 변할 때 활성화되어 상시 흐름이 제안한 것과 다른 작업을 요구합니다. 예를 들어 고객이 통신사 웹사이트에서 계약 취소에 대한 정보를 탐색하는 경우 트리거 기반 흐름이 시작되어 고객이 머물도록 유도하는 제안을 보낼 수 있습니다. 고객이 iPhone 업그레이드에 대한 정보를 탐색하는 경우 업그레이드 제안이 포함된 문자 메시지를 받을 수 있습니다. 광대역 연결에서 원격 속도 확인을 수행하면 라우터를 다시 연결하라는 앱 내 메시지를 받을 수 있습니다.

트리거 기반 흐름에는 모니터링하고 조치를 취할 수 있는 최대 12개의 트리거가 포함되어야 합니다. 이는 고객 행동에 대한 데이터를 지속적으로 통합하여 마케팅 캠페인을 위한 최적의 흐름과 콘텐츠를 결정하는 상시 흐름의 정확성이나 효율성을 손상시킬 위험을 줄이는 데 도움이 됩니다. 실시간으로 트리거에 응답하는 단일 상시 흐름을 만드는 것은 가능하지만 복잡하고 비용이 많이 드는 노력입니다. 병렬 의사결정 시스템을 구축하는 것이 효율적인 해결 방법입니다.

때로는 모델에 아직 통합되지 않은 비즈니스 우선 순위나 새로운 정보로 인해 리더가 상시 흐름을 수동으로 재정의하도록 유도할 수도 있습니다. 예를 들어, 경쟁업체가 새로운 지역에 진입하는 경우 기업은 상시 접속 흐름에서 제안하는 조치보다는 해당 특정 지역의 광대역 수리 또는 제안에 우선순위를 둘 수 있습니다.

수동 재정의 기능을 과도하게 사용하고 싶은 유혹이 있을 수 있습니다. 특히 KPI가 부서 전체에 걸쳐 완전히 조정되지 않거나 전반적인 고객 경험에 전적으로 초점을 맞추지 못하는 전환 기간 동안에는 더욱 그렇습니다. 통신사의 광대역 팀은 장기적인 가치에 미치는 영향에 관계없이 광대역 판매를 늘리기 위해 고안된 캠페인을 전개하는 것을 잠재적으로 옹호할 수 있습니다. 통신업체는 수동 무시 옵션을 사용할 때 전체 의사 결정 프로세스의 품질을 저하시키므로 주의해서 진행하는 것이 좋습니다.

채널 실행 계층

통신업체의 자동화된 인간 기반 채널의 전체 범위는 대규모 개인화를 위한 실행 엔진을 구동합니다. 인바운드 콜센터, 소매점, 웹사이트, 앱, SMS 지원 및 이메일 채널은 이상적으로는 한 목소리로 소통해야 고객이 모순된 메시지로 넘쳐나지 않고 원활하게 채널을 전환할 수 있습니다. 통신업체가 가장 적절한 채널에서 적시에 올바른 메시지를 보낼 수 있도록 하려면 모든 채널이 의사 결정 계층에서 나오는 권장 사항을 원활하게 통합하고 새로운 결과 관련 데이터를 다시 보낼 수 있어야 합니다.

모든 인바운드, 아웃바운드, 자동화 및 인력 지원 채널이 완벽하게 조정되는 진정한 옴니채널 기능을 달성한 통신사는 거의 없습니다. 그리고 채널 전반에 걸쳐 상업 및 서비스 관련 상호 작용을 통합한 기업은 소수에 불과합니다.

이러한 통합이 이루어지면 고객은 선호하는 채널을 통해 엔지니어 방문 일정을 예약하고 기술자의 위치를 ​​실시간으로 추적할 수 있으므로 방문이 훨씬 더 편리해집니다. 또한 통신업체는 하루 중 여러 시간대에 다양한 채널에서 고객이 상호작용에 반응하는 방식의 차이를 측정할 수 있습니다. 고객이 어떤 채널에서든 통신사와 상호 작용할 때 이러한 상호 작용의 결과는 의사 결정 계층으로 다시 피드백되어 모델의 의사 결정 논리를 지속적으로 개선합니다.

유럽의 한 주요 통합 통신사는 오랫동안 고객 불만의 원인이자 고객 이탈의 원인이었던 서비스 및 수리 경험을 점검하기 위해 포괄적인 채널 전략을 구현했습니다. 이 통신업체는 경험을 디지털화하여 고객이 쉽게 엔지니어링 방문 일정을 예약하고, 기술자가 집에서 얼마나 멀리 있는지 모니터링하고, 앞서 있는 고객 수를 확인하고, 방문 전후에 엔지니어와 소통할 수 있는 앱과 웹 기반 플랫폼을 만들었습니다. .

이는 간단해 보일 수 있으며, 고객의 관점에서 볼 때 연결 문제를 해결하는 종종 좌절스러운 프로세스를 차량 공유 또는 음식 배달 앱을 사용하는 것처럼 쉽게 만들었습니다. 하지만 그 이면에는 다양한 시스템 간의 복잡한 상호 작용이 프로세스에 포함되었습니다. 그 노력은 그만한 가치가 있었습니다. 서비스 티켓 관리와 관련된 통신업체의 수신 통화가 절반으로 줄어들고 실패한 방문 횟수(만족스러운 해결 방법을 얻지 못한 방문 횟수가 20% 감소)가 줄었습니다. 중요한 점은 이 통신업체가 소위 "야유 순간"을 "와우 순간"으로 전환하여 고객의 기대치를 재정의했다는 것입니다.

운영자를 위한 대규모 개인화의 가치 실현

기사를 읽다

레이어 강화

차선책 경험 엔진에서 최대한의 가치를 얻으려면 문제 해결을 보장하기 위해 자동화된 해결 방법 추적을 통합하는 피드백 루프를 통해 4개 레이어 모두 지속적으로 개선되어야 합니다. 최근 캠페인에 대한 고객의 반응이나 다양한 채널에서의 상대적인 커뮤니케이션 성공 여부를 기반으로 새로운 데이터가 제공되면 가능한 한 빨리 통합해야 합니다. 예를 들어, 특정 제안을 거부한 고객은 일주일 후에 동일한 제안을 받지 못하게 됩니다. 기계 학습 모델은 사용 가능한 최신 데이터를 사용하여 지속적으로 재교육되므로 정확성과 효율성이 향상됩니다.

4개 계층이 마련되고 이를 지속적으로 개선하는 프로세스와 함께 조직은 엔진의 통찰력을 사용하여 가치를 실현하는 완전히 새로운 엔드투엔드 프로세스 세트를 구축할 수 있습니다. 여기에는 의사결정 시스템의 입력을 생성 AI 기능과 결합하여 초개인화된 마케팅 캠페인을 만들거나 분석 통찰력을 기반으로 제품 및 서비스를 재설계하는 것이 포함될 수 있습니다.

여행 시작하기

진정한 규모의 개인화를 위해서는 사업부의 개별 KPI를 기반으로 한 단절된 의사 결정에서 벗어나 특정 시점의 고객에게 가장 적합한 것을 기반으로 한 응집력 있는 의사 결정으로 근본적인 전환이 필요합니다. 이러한 규모의 변화에 ​​성공하려면 인프라 및 조직 수준 모두에서 중요한 조력자가 마련되어야 합니다.

인프라 수준에서 통신업체는 동급 최고의 컴퓨팅 성능, 데이터 엔지니어링 및 소프트웨어 개발 도구, 기계 학습 운영, DevOps(소프트웨어 개발 및 IT 운영) 및 실제 기능으로 강화된 최신 기술 스택을 갖추는 것을 강력히 고려해야 합니다. - 시간 배달 기능. 또한 앞서 언급했듯이 4개 계층 모두에 걸친 데이터 거버넌스와 책임이 필수적입니다. 단일 팀이나 리더가 모든 데이터 관련 질문과 문제에 대한 연락 창구 역할을 해야 합니다.

조직 수준에서는 수십 개의 상업 및 서비스 팀에 속한 사람들이 이러한 노력을 위해 함께 작업해야 하며, 전체 조직에 걸쳐 확장되는 복잡한 워크플로와 다양한 프로필, 배경 및 경험을 가진 동료 간의 새로운 수준의 협업이 필요합니다. 전통적인 "폭포식" 작업 방식은 이러한 종류의 작업 속도를 빠르게 처리하는 데 충분하지 않습니다. 실시간 데이터를 기반으로 모델을 개발하고 관리하려면 "빠른 실패" 사고방식을 수용하고 분산된 결정을 내릴 수 있는 민첩한 팀이 필요합니다. 마지막으로, 통신업체는 새로운 종류의 기술 인재를 찾아 개발해야 합니다. 즉, 기계 학습 기반 사용 사례를 확장하고 기술 및 상업적 고려 사항을 의사 결정에 통합하며 견고한 피드백 루프를 통해 효과적인 파일럿을 구축하는 데 능숙한 작업자입니다.

조직은 조력자의 성숙도를 평가하고 즉시 채워야 할 격차를 식별하기 위해 진단 평가로 여정을 시작할 수 있습니다. 진단은 또한 리더가 가장 적절한 배포 모델을 선택하는 데 도움이 될 수 있습니다. 특정 조력자가 특히 약한 경우 덜 복잡한 모델(예: 규칙 기반 논리 사용)로 시작하는 것이 동급 최고의 모델(신경망 사용)을 구축하는 데 필요한 재능이나 기술 스택 개발을 기다리는 것보다 낫습니다.

먼저 어떤 사용 사례에 집중할지 결정하기 위해 통신업체는 구현의 어려움과 비즈니스 가치 창출 가능성을 기반으로 각 사용 사례를 평가하는 범위 지정 연습을 시작할 수 있습니다. 통신업체는 상대적으로 구축하기 쉽고 강력하고 통합된 차세대 최고의 경험 엔진의 가치를 입증하는 일련의 등대 사용 사례로 시작할 수 있습니다. Lighthouse 사용 사례는 비즈니스 리더에게 새로운 작업 방식을 만들고, 성공을 측정하고, 투자 자금을 할당하는 것이 노력할만한 가치가 있음을 설득하는 효과적인 방법입니다.

앞을 내다보며

향후 5년 동안 고객은 고객 경험의 중요한 측면인 서비스를 포함하여 통신사와의 모든 상호 작용에서 대규모 개인화를 기대하게 될 것입니다. 같은 기간 동안 이러한 상호 작용의 범위는 크게 확대될 수 있습니다.

 5G(5세대) 기술이 성숙해짐에 따라 통신업체는 핵심 연결을 넘어서는 모험을 통해 향후 5년 동안 쉽게 1,000억 달러를 초과할 수 있는 가치 풀의 점유율을 극대화할 수 있는 기회를 갖게 되었습니다 . 앞으로 몇 년 동안 통신업체는 금융 기관을 대상으로 한 신용 위험 평가 제품부터 미디어와 엔터테인먼트 서비스를 결합한 생태계 제품에 이르기까지 다양한 새로운 수익원을 창출할 것으로 예상됩니다. 내장된 서비스 구성요소를 갖춘 대규모 개인화는 새로운 방식으로 가치를 포착하려는 통신업체의 노력을 가속화할 수 있는 잠재력을 가지고 있습니다.

또한 통신업체는 새로운 데이터 및 분석 기능에서 새로운 가치를 창출하여 사용 사례의 확장을 간소화하고 주택 보안이나 금융 서비스와 같은 인접 비즈니스로 이동할 수 있습니다. 그들은 이러한 기능을 통신업체 및 기타 고객 대면 기업에 서비스로 판매하는 별도의 회사나 사업부를 분사하여 새로운 가치 풀을 활용할 수도 있습니다.

이 모든 잠재적인 변화의 기초는 상업 및 서비스 관련 기능을 통합하는 차선책 경험 엔진입니다. 이 강력한 도구를 만들기 위해 조기에 조치를 취하는 통신업체는 노력을 실험하고, 반복하고, 개선하고, 수익을 창출하는 데 필요한 확장된 활주로를 통해 뚜렷한 이점을 가질 수 있습니다. 그 과정에서 그들은 더 빨리 조치를 취하지 않기로 한 결정을 후회할 수도 있는 통신업체를 포함하여 모든 통신업체가 결국 만족해야 할 높은 고객 기대치를 확립하는 데 도움이 될 것입니다.

저자 소개

Lars Engel Nielsen 은 McKinsey 코펜하겐 사무소의 파트너이고 Lars Fiedler 는 함부르크 사무소의 파트너이며 Dominika Kampa 와 Stanislav Kucherenko는 런던 사무소의 제휴 ​​파트너이며 Julian Raabe 는 뮌헨 사무소의 파트너이며 Tim Schenk 는 제휴 파트너입니다. Davide Schiavotto는 밀라노 사무소의 수석 파트너입니다.

저자는 이 기사에 기여한 Anshul Goyal, Kalina Janevska 및 Sokto Sultimov에게 감사의 말씀을 전하고 싶습니다.