在過去幾年里，銀行面臨著許多新問題，比如消費者預期不斷上升、來自擁有優質客戶體驗的數字競爭對手的競爭、技術進步以及監管收緊。許多銀行已經開始數字化，以應對這些挑戰并保持相關性，但隨著流量開始流向數字渠道，銀行縮減了其分支網絡，以節省成本。

在新冠疫情爆發后，數字轉型進一步加快。對于傳統的實體銀行來說尤其如此，它們的成本收入比是數字銀行的兩倍。

現在正處于經濟衰退中，這迫使所有人都勒緊褲腰帶。支出在下降，目前的情況可能會持續一段時間。經濟低迷也影響了大多數銀行，許多銀行不得不削減招聘支出，在很多情況下，還進一步裁員。雖然這次裁員可能緩解了一些經濟壓力(據金融市場行為監管局估計，關閉一家銀行分支機構每年可以節省59萬英鎊)，但銀行仍需要資源來與客戶保持聯系，以確保他們能夠留住客戶并吸引新客戶。

一個解決方案是使用數據和人工智能來獲取客戶知識，建立用戶粘性。機器學習(ML)可用于分析數據，為銀行提供輸入上下文體驗的見解，或會話式人工智能，以實現與客戶的“類人”交互。英國國民西敏寺銀行的虛擬助理Cora展示了如何通過幫助數千名受疫情影響的客戶重新安排他們的貸款和信用卡支付來實現這一點。

了解客戶是更好參與的關鍵。人工智能和分析解決方案通過提供洞察來幫助客戶管理他們的財務，并向他們推薦下一步的步驟，實現了這一點。然而，為了提供最有效的參與，需要全面的數據。銀行應該使用一個平臺來收集客戶的其他商業關系和位置的信息，從而能夠了解客戶的偏好并預測未來的需求。例如，基于客戶收入和支出模式、年齡、金融資產和負債的數據集合，將允許銀行建議投資特定公司或減少經常外出就餐的支出。

使用數據分析的另一個好處是，它防止銀行用他們不需要的服務和提供來惹惱客戶。相反，它允許銀行在正確的時間向正確的人提供正確的服務。這降低了客戶去其他地方滿足其財務需求的機會。

前面提到的例子可以讓銀行實現高水平的參與，有效地使用人工智能提供高度個性化的、上下文相關的體驗和建議，從而改善客戶的財務狀況。

然而，盡管向客戶提供這些數據可以幫助他們更有效地管理自己的財務，從而讓銀行留住他們，但研究報告《最大化數字銀行參與度》顯示，只有5%的銀行成功地創造了有效的客戶參與度。大多數這樣做只是通過關注客戶體驗的臨時修復，而不是長期計劃。

數據收集和分析所需的技術也可能帶來挑戰。成本可能很高，結果取決于所使用的數據。因此，銀行應該根據自己的位置做出選擇，考慮業務目標、客戶基礎和技術準備等因素。