功能大战的时代已经结束，这一演变不再仅仅是纳入额外的功能，相反，它的核心是根据个人需求和偏好定制银行体验，为超个性化和积极主动的银行服务推动的新浪潮让路，这一举措对于提高客户满意度、参与度以及最重要的客户忠诚度至关重要。
为了让超个性化成为现实，让我们来看看一些例子：
主动提示理财：及时提示客户审查服务订阅(其中一些他们可能不需要或已经忘记)，或者在固定利率期限即将结束时续签抵押贷款，或者在收到工资抵免后不久将资金转移到储蓄中，这有助于客户更好地了解和控制其财务状况。
有针对性的生态系统行动(能源法案)：利用来自智能电表的数据，银行可以发挥积极作用，帮助用户优化其能源支出，提供有洞察力的基准比较、使用提示和替代交易，从而为改善生活成本做出贡献。
预先批准的银行产品优惠：根据客户特定的信用和行为历史，向客户提供预先批准的量身定做的贷款优惠，在登录手机银行或网上银行时显示为横幅。
改进的客户服务：AI模型可以从之前的交互和交易中收集见解，为客户代理提供及时的提示和信息，同时为客户提供更个性化的服务体验。
挑战：个性化的障碍
虽然个性化的概念已经出现在地平线上几十年了，但银行业面临着几个阻碍其广泛采用的挑战：
监管障碍：遵守GDPR和导航同意管理等法规会对收集和利用客户数据构成障碍。
数据质量和碎片化：数据质量和碎片化问题阻碍了有效个性化所需的无缝分析。
组织孤岛：在较大的机构中，数据和数字团队之间的协作受到组织孤岛的阻碍，从而减缓了个性化功能的实施。
技术复杂性：个性化的技术框架不是微不足道的，需要结合实时和批量数据分析、复杂的规则系统以及基于客户交互的持续改进，GenAI是解锁这种技术复杂性的关键推动因素。
个性化平台的基本要素：
要适时地提供个性化，必须有三个构建块——客户数据平台、个性化人工智能大脑和客户交互框架。
客户数据平台：个性化的基础在于干净全面的企业范围的数据，有明确的谱系，这些合并数据通常称为客户360，包括静态客户主数据、交易数据、互动和投诉数据(包括音频记录)以及外部/社交媒体数据。
个性化AI大脑：在这一领域，我们看到一个多模型解决方案正在出现，不同的用例需要不同的AI/分析，GenAI的最新进展为利用更多非结构化数据中的信息提供了非常强大的额外模型。
分析用例可以大致分为两种类型：
复杂模式识别的批处理：涉及到非常多的参数和大量的历史数据，需要计算工作量来对“学习”进行预处理，示例包括预先批准的贷款，其中批处理分析的输出是每个客户批准的贷款限额，可在客户登录时提供服务。
即时警报的实时分析：由事件触发，提供及时的警报或提示，但计算工作量较小，通常需要较少的“人工智能”，但更具确定性的逻辑，例如，“你离你的奖励只有一笔交易”这样的警报，或者关于收到工资积分的通知，甚至是潜在的欺诈性交易。
最后一个基础模块是用于管理任何分析的输出呈现给客户的方式的框架，这包括推送通知消息系统、应用程序内可点击的通知或移动应用程序中的可点击横幅，这样的系统动态地处理消息的优先顺序，尊重关于消息类型、频道和定时的客户偏好，它还考虑了消息重复等因素，并确保任何行动号召的超链接都指向行动的正确位置，并配有适当的自动数据填充。
到2024年，我们将看到一些来自新银行或商业街银行的个性化例子上线，这些银行过去曾投资于统一的数据平台，而其他例子可能仅限于优先考虑他们拥有数据的利基用例。
随着银行在这些构建块和方法中导航，更定制、更吸引人和更积极主动的银行体验的承诺等待着他们的客户。
