當客戶開始先問 AI：銀行如何留在客戶決策旅程中

在申貸、辦卡或理財前，客戶已能透過 AI 整理收支、比較條件並形成初步選擇。銀行競爭因此提前到需求形成之前；安永解析如何串連跨產品資料、客戶層模型與策略，把洞察轉化為額度、定價、預核准、風險預警與客戶經營行動。

摘要

• AI 讓客戶在接觸銀行前，先完成資訊整理、產品比較與初步判斷，銀行競爭已提前到決策形成之前。
• 銀行不缺資料，缺的是跨產品的完整客戶視角；產品線分散，將削弱銀行理解客戶與配置資源的能力。
• 客戶層決策能力，是把資料、模型與策略串起來，轉化為額度、定價、預核准、預警與客戶經營行動。

AI 時代下，零售銀行要面對的轉變，不只是技術導入，而是客戶關係與金融互動入口的重新分配。

過去很長一段時間，銀行一直是客戶理解自身財務狀況的主要入口。當客戶想知道帳戶餘額、信用卡支出、貸款狀況、投資損益，或是評估自己是否適合申請某項金融產品時，第一個打開的通常是銀行 App，或是透過銀行客服、理專與業務人員取得答案。銀行因此不只是金融商品的提供者，也長期扮演著客戶金融資訊的整理者、解釋者與決策引導者。

這樣的關係正在出現新的變化。隨著生成式 AI 逐漸進入日常生活，客戶開始用更直覺的方式理解自己的財務狀況。他們可能在申請信用卡或信貸前，先詢問自己的收支是否穩定；可能在月底前，先整理現金流與負債壓力；也可能在接觸銀行產品之前，已經透過外部工具比較不同選項與可能影響。

對銀行而言，這項變化首先影響的是客戶互動起點。當客戶在進入銀行通路前，已經完成支出分析、現金流判斷、產品比較與需求整理，銀行不再一定是客戶形成金融需求時的第一個接觸點。過去，銀行多半掌握客戶查詢帳務、了解產品、申請金融服務與取得建議的主要場景；未來，客戶可能先在其他介面形成初步判斷，再回到銀行完成申請、核准或服務辦理。

因此，金融業討論 AI 時，若只聚焦在 AI 是否會取代銀行承辦授信、額度、定價或其他金融服務，容易錯過更早發生的變化。至少在現階段，AI 並不適合直接承擔銀行的風險責任。更值得關注的是，客戶理解自身需求與形成金融決策的過程，正在移到銀行通路之前。銀行若希望持續被客戶詢問、信任與選擇，就需要重新思考自己在客戶決策旅程中的角色。

銀行擁有大量資料，但整體客戶圖像仍常被產品線切開

銀行手上從來不缺客戶資料。薪資入帳、消費紀錄、信用卡使用、貸款還款、存款變化、資產配置、產品往來與數位互動，幾乎都留在銀行系統裡。從資料的完整度來看，銀行理應是最了解客戶的機構之一。

實務上，許多銀行的客戶管理方式仍深受產品線分工影響。信用卡有自己的評分模型，信貸有自己的授信邏輯，房貸有自己的風險策略，財富管理有自己的客戶分群，數位金融也有獨立的互動與推薦機制。每一個產品線都在經營客戶，但各自看見的往往只是客戶的一部分。

這種架構在產品快速成長、業務分工明確的階段曾經有效。信用卡部門追求發卡、消費與循環動用，信貸部門重視核准率與資產品質，房貸部門關注擔保品與長期還款能力，財富管理則聚焦資產規模與往來深度。然而，對客戶而言，他不是一張信用卡、一筆信貸、一個房貸帳戶或一個財管分群。他是一個完整的人，有收入、有支出、有負債、有資產，也有不同階段的財務壓力與需求變化。

當銀行仍以產品為中心進行決策時，就可能出現不一致的客戶理解。同一位客戶，可能在信用卡業務中被視為高價值客戶，申請貸款時卻只獲得較低額度或較嚴格的核准條件；也可能在財富管理端被認為具備資產潛力，但授信判斷仍未能反映其整體往來關係。這並不代表銀行缺乏資料，而是資料與決策邏輯長期被放在不同產品線中使用，未必自然形成一個完整的客戶視角。

零售銀行要從產品經營走向客戶經營，關鍵不只是資料整合，也包括決策邏輯的重新設計。銀行需要能夠回答的不只是某一項產品是否可銷售、某一筆申請是否可核准，而是這位客戶目前處於什麼狀態、需求是否正在改變、風險是否正在累積，以及銀行應該如何與他互動。

客戶層信用決策，不只是多建立一張評分卡

客戶層信用決策的價值，不在於模型的數量或資料的堆疊，核心在於銀行如何看待與理解客戶的方式：從「這個產品能不能賣給這個客戶」，走向「這個客戶目前需要什麼，銀行應該如何配置風險與資源」。

傳統產品別模型多半回答單一產品內的問題。例如，這筆信貸是否應該核准，這張信用卡的額度是否應該調整，這位房貸客戶是否具備足夠還款能力。這些問題本身都重要，但它們仍然是產品線內部的問題。客戶層決策要進一步回答的是，這位客戶整體風險是否正在上升、額度使用是否合理、資產與負債結構是否出現變化，以及近期收入、消費與還款行為中，是否透露出新的需求或壓力。

這樣的能力會直接影響銀行的風險控管與客戶經營。對低風險且關係穩定的客戶，銀行可以更即時地提供預先核准、合適額度或較具吸引力的價格條件。對風險正在升高但仍具經營價值的客戶，銀行可以更早辨識預警訊號，調整額度使用策略，或提供更合適的還款安排。對目前無貸款但具備潛在需求的客戶，銀行也可以透過客戶層視角，更精準地辨識下一個可能的金融需求。

因此，客戶層信用決策的核心並不僅是在預測違約風險，而是協助銀行更早理解客戶、更準確配置資源，並在風險與成長之間取得更好的平衡。這也是零售銀行從產品銷售走向客戶經營時，必須逐步建立的底層能力。

機器學習協助銀行辨識更複合的客戶行為訊號

當銀行開始從客戶層理解決策時，傳統模型與專家規則仍然是信用決策中重要且必要的基礎。尤其在授信、額度與風險控管場景中，銀行仍需要一套穩定、可解釋，且能被授信、風控與前線業務單位理解並執行的決策邏輯。

只是，客戶層經營要處理的問題，比單一產品內的風險判斷更複雜。單看某一個變數的高低，或某一項產品的當期表現，往往不足以完整說明客戶狀態。更有價值的線索，常常藏在多個行為訊號同時發生變化的情境中。

例如，信用卡額度使用率升高，本身未必代表風險升高。若客戶薪資穩定入帳、存款維持一定水位，且還款行為正常，這可能只是短期消費需求增加。但若額度使用率升高的同時，伴隨存款下降、循環動用增加、最低應繳比例提高，或其他短期資金調度行為，就可能反映現金流壓力正在累積。

同樣地，一位客戶即使目前貸款正常還款，也不代表風險狀態沒有改變。若近期資金流入減少、信用卡使用接近滿額，或開始依賴短期週轉工具，銀行也許能在正式逾期發生前，更早辨識客戶狀態的轉變。這些訊號不一定能從單一產品、單一時間點或單一變數中完整看見，卻可能是客戶層經營中最值得關注的地方。

機器學習的價值，並不在於取代既有模型或專家判斷，而是在銀行既有信用決策基礎上，協助辨識跨產品、跨時間與跨行為的複合訊號。透過這類方法，銀行有機會從大量客戶互動與交易行為中，更早發現風險變化，也更精準辨識潛在經營機會。

但即使模型能看見訊號，並不等於價值就會隨之出現。客戶層模型的重點不在於複雜度，而在於能否被轉化為可理解、可控管、可執行的決策策略。銀行仍需要回到自身風險偏好、業務目標與客戶經營策略，思考如何設計額度、定價、授信、行銷與預警行動。

這也是為什麼客戶層信用決策不能只停留在模型開發的原因，模型本身不會帶來價值，關鍵在於銀行能否將其識別出的風險與機會，轉化為可執行、可管理且持續優化的決策邏輯，並實際應用於額度管理、預先核准、精準定價、客戶分群與後續經營行動之中。

生成式 AI 的角色，是協助理解與互動，而非直接替銀行決策

如果說機器學習更擅長預測與排序，生成式 AI 更適合發揮的地方，則是理解、整理與互動。這樣的分工，在銀行場景中尤其重要。

授信與風險決策涉及風險承擔、監管要求、客戶權益與銀行責任，短期內不適合交由生成式 AI 直接決定是否核貸、給予多少額度或採用什麼價格條件。語言模型可以生成文字、整理脈絡、協助互動，但銀行仍需要保留清楚的決策責任與審核機制。

生成式 AI 更適合扮演另一種角色：協助銀行把複雜的客戶資料與模型結果，轉化成更容易理解的摘要與行動提示。當銀行已經透過客戶層模型掌握風險分群、行為變化與潛在需求後，生成式 AI 可以協助整理客戶近期狀態，說明行為變化，提示可能的風險或需求，並協助前線人員用更清楚地理解模型結果。

對理專、客服、授信人員或客戶經營團隊而言，這樣的能力可以降低資料解讀門檻，也能讓互動更貼近客戶情境。許多銀行並不缺模型或報表，真正困難的是如何把模型結果轉化為前線可理解、可溝通、可執行的行動。生成式 AI 若能扮演轉譯與連接的角色，便有機會成為銀行理解客戶與溝通客戶的重要助手。

安永觀點：從觀察走向應用，關鍵在於串連資料、模型與策略

從安永的觀察來看，零售銀行若要從產品決策走向客戶理解，關鍵不只是導入新模型或新技術，而是建立一套能串連資料、模型、策略與營運行動的決策能力。銀行需要把原本分散在不同產品線與通路中的客戶資訊，逐步整理成可支援決策的客戶層資料基礎；也需要將客戶層評分或行為分析結果，轉化為授信、額度、定價、行銷與預警場景中能使用的策略語言。

這樣的轉型不一定要一次到位。對多數銀行而言，更務實的作法，是先選擇一個明確場景切入，例如額度管理、預先核准、既有客戶經營或早期風險預警，再逐步擴展到更完整的客戶層決策架構。透過具體的應用場景，銀行可以更清楚驗證資料是否可用、模型是否能解釋、策略是否能執行，以及前線與營運流程是否能承接。

安永可以協助銀行的不只是模型建置本身，更包括從客戶層資料盤點、評分方法設計、策略框架規劃，到將模型結果轉化為可應用的決策邏輯。對銀行而言，這類工作真正的價值在於把分析能力嵌入日常營運與客戶經營流程，而不是讓模型停留在後臺報表或一次性專案成果中。

當客戶互動入口逐漸多元，銀行需要的不只是更聰明的模型，也需要更完整的決策設計。資料必須能被理解，模型必須能被運用，策略必須能被執行，客戶互動也必須能回到銀行可持續經營的流程中。這正是從產品決策走向客戶理解時，銀行需要重新建立的能力。

相關議題也適合後續分次展開，包括客戶層資料基礎如何建立、客戶層評分與行為分析如何設計、模型結果如何轉化為額度與授信策略，以及 AI 工具如何支援前線理解客戶與互動。

當客戶也開始用 AI 理解自身財務狀況，銀行的角色必須重新定位

AI 不只會出現在銀行內部，也會出現在客戶手中。這是新一輪變化中最值得注意的地方。

過去，銀行做客戶層決策，主要是為了提升自身的風險控管與客戶經營能力。銀行希望更了解客戶，才能做出更好的額度、定價、預先核准與行銷決策。但當客戶也開始透過 AI 理解自己的財務狀況時，銀行面對的就不只是內部決策升級，而是整個客戶決策旅程的改變。

未來的客戶可能不再完全依賴銀行告訴他適合什麼產品，而是先透過 AI 整理自己的收支、負債、資產與需求，再去比較不同銀行的產品。他可能先問 AI：現在是否適合申請信貸？是否應該提高信用卡額度？目前現金流是否有風險？這個利率條件是否合理？

在這樣的情境下，銀行如果仍只把自己定位成產品提供者，就可能逐漸退到交易執行的最後一哩。客戶理解、需求形成與產品比較，可能在銀行之外發生；銀行只在最後被選擇，或沒有被選擇。

這是 AI 對零售銀行更深層的影響。它不一定會直接取代銀行，但可能重塑銀行與客戶之間的關係。銀行若希望持續留在客戶的決策旅程中，就不能只靠產品、價格或 App 功能，而必須具備更完整的客戶理解能力。

從產品決策到客戶理解，是零售銀行下一階段的競爭

未來零售銀行的競爭，可能不再只是誰的產品比較多、誰的利率比較低、誰的 App 功能比較完整。更重要的是，誰能更早理解客戶狀態，誰能更準確辨識客戶需求，誰能在客戶形成決策前，提供有價值的互動與建議。

這也是客戶層信用決策在 AI 時代被重新賦予意義的原因。它不只是風險模型升級，也不只是資料整合工程，而是銀行重新建立客戶關係的一部分。

銀行若能整合跨產品資料，運用機器學習強化預測能力，再透過生成式 AI 改善理解與互動，就有機會從過去的產品管理，走向更精準、更即時、更貼近情境的客戶經營。相反地，如果銀行仍停留在產品導向與部門分工的舊模式中，即使擁有大量資料，也未必能真正掌握客戶需求。

當客戶開始先問 AI，銀行需要思考的，不只是如何導入 AI，而是如何不在客戶決策旅程中缺席。對零售銀行而言，真正的問題或許並不在於 AI 是否會取代銀行，而是當客戶開始透過 AI 理解自己時，銀行是否還能成為那個最理解客戶的角色。