Dans un contexte de concurrence accrue et de dématérialisation croissante des transactions, les banques mettent à profit la Data Science pour mieux satisfaire les besoins de leurs clients et améliorer la gestion des risques.
Des profils très recherchés
Les Data Scientists sont devenus la coqueluche des recruteurs, tous secteurs d’activité confondus. A tel point que le marché de l’emploi dans le domaine de la data est actuellement très tendu et que les grandes écoles et les universités ont parfois du mal à suivre.
Cet engouement est partagé par le milieu bancaire. Le Groupe BPCE vient ainsi de signer un partenariat avec la chaire "Data engineering et Intelligence Artificielle pour la Banque et l’Assurance" de Télécom ParisTech afin d’accompagner les mutations liées au développement de l’IA.
Une discipline jeune
Les progrès technologiques ont engendré une augmentation considérable du volume de données utilisateurs à traiter
La montée en puissance de la Data Science est le fruit du développement d’internet et des NTIC (technologies de l’information et de la communication).
Les progrès technologiques ont en effet engendré une augmentation considérable du volume de données utilisateurs, dans des formats multiples (mail, voix, vidéo, photos, géolocalisation...). Tout l’enjeu pour les entreprises est d’exploiter et d’enrichir les données structurées et non structurées issues des Big Data afin de tirer partie de leur immense potentiel. La valorisation des Big Data fait appel à une science particulière, la Data Science, aux confins des statistiques, de l’informatique et des mathématiques.
Le développement des Data Sciences a aussi été permis par une forte progression des capacités de stockage et des puissances de calcul nécessaires pour traiter et analyser ces Big Data.
Les progrès en informatique, en particulier en IA et Machine Learning, ont ainsi permis le recoupement et l’agrégation de données en apparence disparates pour offrir aux entreprises de nouveaux leviers en marketing et en optimisation de process. Dans le secteur bancaire, la Data Science est plus particulièrement utilisée dans les domaines de la satisfaction client et celui des risques.
Data Science et satisfaction clientèle
Avec l’émergence de nouveaux modes de consommation, web nomade et smartphone, ainsi que l’apparition de néobanques en ligne, qui a engendré une concurrence accrue entre banques, le secteur bancaire s’est très tôt intéressé à la Data Science pour mieux connaître et fidéliser ses clients.
La Caisse d’Epargne de Normandie, qui a pris le virage du big data en 2015, illustre très bien comment la Data Science modifie la relation client-banque grâce à l'analyse prédictive. Les Big Data utilisés par le secteur bancaire permettent en effet d'améliorer la compréhension de sa clientèle avec des données à la fois issues de l’historique bancaire du client et de ses habitudes de consommation.
La Data Science est ainsi utilisée par les banques pour élaborer des process de marketing prédictif. Une connaissance plus fine des habitudes de consommation des clients permet tout d’abord d’optimiser les opérations marketing d’une banque, comme les opérations d’up-selling (vente d’une carte de crédit de la gamme supérieure par exemple), ou de cross-selling (vente de produits complémentaires).
Les Big Data utilisés permettent d'améliorer la compréhension de sa clientèle et de ses habitudes de consommation.
La personnalisation de l’expérience client
Autre application de la Data Science qui fait désormais figure de cas d’école, le ciblage des publicités proposées au client.
Un internaute qui fait ainsi des recherches sur l’immobilier se verra proposer des publicités sur les crédits immobiliers. La Data Science permet ainsi de personnaliser à l’extrême les relations clients en étant au plus près des besoins de ces derniers.
Dans un contexte économique marqué par une forte concurrence, les banques cherchent ainsi à fidéliser leur clientèle et à tisser des liens de proximité pour minorer le taux de déperdition de clients.
Des risques mieux anticipés
Mieux connaître ses clients permet aussi aux banques de se prémunir contre les défauts de paiement.
Le scoring des dossiers de crédit a ainsi gagné en fiabilité grâce à l’utilisation des Data Sciences. Autre domaine lié à la gestion des risques où les Data Sciences ont révolutionné le travail en banque : la détection des fraudes. Selon l’Observatoire de la sécurité des cartes de paiement, les chiffres de la fraude à la carte bancaire sont pour la première fois en baisse en 2016 en France.
Ces premiers résultats seraient entre autre dûs à l’utilisation de l’IA pour détecter les fraudes. L‘application des Data Sciences à la détection des fraudes bancaires permet de croiser un nombre bien plus important qu’auparavant de données pour détecter les opérations frauduleuses en temps réel. La banque dannoise Danske Bank a ainsi mis en place des procédures de détection des fraudes basées sur l’IA et le Machine Learning.
En remplaçant un process de détection traditionnel basé sur des informations parcellaires par l’utilisation des Data Sciences, la banque a considérablement amélioré le temps nécessaire à la détection des fraudes et en a amélioré la fiabilité. Le nombre de fausse alertes envoyées aux clients pour des fraudes à la carte bancaire qui n’étaient pas avérées a ainsi diminué. Au final, cette meilleure détection des fraudes grâce à la Data Science a permis à la banque d’améliorer la satisfaction client.
Déposer un commentaire