Comme le chantait Charles Aznavour, « je vous parle d’un temps » que les clients des banques ne connaitront peut-être plus ; celui où le directeur d’une agence bancaire connaissait chacun de ses clients et leur offrait des services et des conseils hautement personnalisés. La transformation digitale et l’évolution des attentes des consommateurs, demandant des réponses et des décisions instantanées, ont fait entrer les banques dans une nouvelle ère. Les relations avec les clients s’effectuent de plus en plus à distance, via les outils numériques. Selon une étude Harris Interactive – Onepoint, plus de 20 % des personnes interrogées déclarent ne jamais se rendre en agence et 22 % d’entre elles ont davantage recours aux applications mobiles.

Le défi actuel des banques réside dans leur capacité à pouvoir gérer un nombre toujours croissant d’interactions, le plus efficacement possible, avec une demande encore plus forte de personnalisation. Aujourd’hui, des millions de clients peuvent utiliser à tout moment l’ensemble des canaux à leur disposition, avec des milliers de combinaisons et de décisions possibles, l’équivalent de milliards d’interactions hyper-personnalisées. Pour satisfaire leurs clients et améliorer leur chiffre d’affaires, tout en gardant les coûts les plus bas possibles, les banques investissent plus que jamais dans des technologies appropriées et adaptent leurs modèles opérationnels. Pour cela, les banques essaient de tirer parti au maximum des données et de l’analytique avancée.

Recourir à l’intelligence pour automatiser les opérations

La collecte des données sur les différents canaux d’interactions client ne présente plus de difficultés majeures, les acteurs bancaires ayant largement investi dans l’amélioration des interfaces de communication numériques en vue d’offrir une meilleure expérience client. Désormais, ils doivent s’attaquer à la refonte de leurs processus de back-office qui nécessitent encore des interventions manuelles conséquentes. Ces processus, inhérents aux modes de travail hérités du passé, freinent encore les efforts visant à offrir des échanges plus fluides et intelligents avec les clients, en temps réel. Sans oublier leur poids sur les coûts de gestion des institutions financières.

L’automatisation et l’utilisation de modèles analytiques pour des décisions rapides, pertinentes et vérifiables, permettront aux collaborateurs de se consacrer à des tâches à valeur ajoutée et de garantir un haut niveau de satisfaction client. Les fintechs et les « Big Tech » l’ont bien compris et disposent aujourd’hui d’un avantage différenciant par rapport aux acteurs traditionnels du marché. L’enjeu n’est pas seulement d’avoir plus ou des données de meilleure qualité, mais d’être capable de correctement les orchestrer pour les utiliser de manière performante et opérationnelle à grande échelle. Par exemple, chaque interaction avec l’application ou le site de PayPal déclenche des milliers de modèles qui permettent d’évaluer les meilleures options possibles en quelques millisecondes. Il peut s’agir de la mise en place d’une action visant à limiter les risques grâce à la prévention de la fraude ou d’une nouvelle action marketing visant à encourager une vente croisée ou la montée en gamme d’un service. Dans cet exemple, il n’y a pas d’intervention humaine au moment de l’interaction et de la prise de décision. Ces nouveaux acteurs montrent ainsi le potentiel que peut offrir la digitalisation de ces processus clients, en terme d’économies de traitement et de nouvelles sources de revenus. C’est ce qui explique que les acteurs traditionnels se sont tous penchés sur les promesses qu’offrent ces nouveaux modes de traitement afin d’améliorer leurs indicateurs de performance.

Si ces nouveaux acteurs n’ont pas eu à gérer des systèmes archaïques ou de nombreux silos de données, fruits de plusieurs décennies d’investissement technologiques, ils ont aussi su créer de nouveaux modèles opérationnels qui ont placé la donnée et l’analytique au cœur des opérations.

Pour eux, il ne s’agit pas de remplacer le directeur d’agence par un équivalent digital et un algorithme, mais de bâtir un tout nouveau modèle commercial qui repose sur des milliers d’algorithmes, qui connectent, les milliers d’interactions réalisées au travers des canaux digitaux. Il en résulte des parcours clients cohérents, conçus à l’aide de milliers de décisions automatisées, elles-mêmes issues de modèles d’analyse prédictive.

Passer à l’échelle supérieure

En revanche, comme Gartner l’anticipait dans ses prédictions, il semblerait qu’une vaste majorité de projets data et analytiques, notamment chez les banques traditionnelles, n’a pas réussi à délivrer la valeur escomptée. Ces projets ont démontré la difficulté de concevoir et de déployer un nombre même limité de modèles prédictifs sur l’ensemble de l’entreprise. La collecte, l’assemblage et la préparation des données en sont des étapes nécessaires, délicates et chronophages, , et dont le résultat définira la qualité de la matière utilisée pour assurer le succès de ces projets. Lorsque les banques parviennent à développer ces chaines de traitements et ces modèles, l’opérationnalisation à l’échelle représente un défi encore plus difficile à surmonter pour atteindre les résultats espérés. Cette situation doit changer.

Afin de pouvoir s’adapter à l’évolution constante des exigences des clients, sans faire exploser les coûts associés, les banques doivent avoir la capacité de déployer et de maintenir des milliers de modèles et d’automatiser leurs exécutions à chaque interaction avec leurs dizaines de millions de clients. À cet effet, les acteurs du secteur les plus avancés commencent à orchestrer leurs données et leurs modèles en mettant en place des « usines » de modèles prédictifs.

Les banques doivent aujourd’hui s’attaquer l’opérationnalisation à l’échelle, garant d’une prise de décision en temps réel, pour des interactions hyper-personnalisées sur tous les canaux digitaux, pour des dizaines de millions de clients.

Un changement de cette envergure doit venir d’en haut. Il ne suffit pas de mettre au point quelques modèles destinés à améliorer une seule branche d’activité ou quelques produits spécifiques. Les banques traditionnelles doivent se préparer à mettre en place des « usines à données » permettant de concevoir, de tester, de déployer et d’industrialiser des milliers de modèles analytiques apportant de la valeur à tout moment du cycle de vie du client. Les directions générales doivent en définir les contours et se tenir prêtes à opérer cette transformation. Il en va de leur capacité à pouvoir délivrer ces milliards d’interactions hyper-personnalisées, comme le font déjà leur concurrents fintechs et Big Techs.

https://www.bcg.com/publications/2017/why-are-banks-not-getting-more-from-digital