Olivier Lebret, Responsable de l’Offre Analytique, Dell Software
L’analytique avancée propose aux fournisseurs de services financiers le moyen d’extraire des informations pertinentes à partir des données et de les transformer en avantages concurrentiels par la compréhension plus fine des clients, du marché et des salariés. Les solutions logicielles d’analyse prédictive permettent depuis plusieurs décennies déjà d’analyser des données pour identifier des tendances, de nouvelles opportunités et ainsi guider les choix stratégiques des entreprises. Toutefois, les dirigeants n’ont jamais autant plébiscité l’utilisation d’algorithmes complexes et de modèles statistiques sophistiqués. En effet, les entreprises ont besoin de s’adapter –– et in fine, prédire –– les comportements changeants de leurs clients, ce qui a été rendu possible par les avancées technologiques en matière de capture, de stockage et d’intégration des données.
L’utilisation de l’analytique avancée par la banque Danske Bank au Danemark pour améliorer son service client est un excellent exemple. Précédemment, les analystes de la banque créaient des modèles analytiques qu’ils transmettaient ensuite aux équipes informatiques en charge de coder manuellement ces modèles sur les anciens systèmes. Désormais, la banque utilise des outils analytiques avancés pour développer les modèles mais également pour les industrialiser. Désormais, lorsqu’un client demande un crédit, la réponse de la banque s’appuie sur des modèles qui intègrent des sources de données multiples, relatives au client mais également des données externes, telles que celles des organismes de crédit par exemple. L’analytique dégage des profils révélateurs de comportements financiers à risques qui permettent de prédire la probabilité qu’un client se retrouve en défaut de paiement dans l’année qui suit et d’évaluer sa capacité de remboursement. En outre, Danske Bank a réduit de 50 % le temps consacré à la réalisation des modèles. Et ces modèles l’aident à prendre rapidement les décisions pertinentes et à proposer des taux et des limites de crédit adéquats pour chaque client.
Du point de vue fonctionnel, les technologies analytiques avancées sont aussi anciennes et matures que les ordinateurs eux-mêmes, mais elles se confrontent à une forte pénurie de compétences à l’échelle internationale en termes de développement et de déploiement des modèles analytiques et statistiques avancés. Et même si certaines avancées technologiques peuvent compenser en partie ce manque grandissant de compétences, notamment celles qui concernent la simplification des processus et la mise à disposition d’outils analytiques en libre-service pour les analystes métier et les utilisateurs finaux, c’est loin d’être suffisant. C’est là que l’intelligence collective entre en jeu.
L’intelligence collective, également appelée « crowdsourcing », existe depuis un certain nombre d’années, mais si vous la combinez à l’analytique avancée, vous obtenez une combinaison de technologies et de savoir-faire partagés en mesure de révolutionner le monde des services financiers. Le Big Data associé au crowdsourcing change également la manière dont les fournisseurs de services financiers définissent leur stratégie car la véritable valeur de ce type d’intelligence réside dans sa capacité à prédire des événements et comportements futurs. C’est cet éclairage sur le comportement du client qui doit guider la manière dont les produits et services sont packagés et proposés à la vente. En 2011, cette motivation a incité une banque britannique pionnière à adopter le crowdsourcing pour le lancement d’un site dédié, sorte de laboratoire, pour collecter les avis et recommandations du plus grand nombre sur les thématiques suivantes : concepts pour la refonte du site web, codes QR, outil de comparaison de prêts immobiliers et l’idée même du laboratoire en soi. Même si le laboratoire est aujourd’hui fermé, les idées proposées ont recueilli quelque 4.158 commentaires et 1.345 évaluations dès le premier mois. De nombreux fournisseurs de services financiers se sont inspirés de ce projet innovant pour prendre eux aussi le train de l’intelligence collective.
Dans un monde piloté par la donnée, la combinaison de solutions analytiques avancées et du crowdsourcing devient incontournable pour les fournisseurs de services financiers. C’est le moyen pour eux d’extraire une véritable valeur ajoutée sur des quantités de données toujours plus importantes, d’améliorer la connaissance client pour optimiser les interactions avec le marché y compris leurs prestations de services, d’améliorer l’expérience client et de prolonger la valeur du client tout au long de son cycle de vie.
L’utilisation de l’analytique avancée par la banque Danske Bank au Danemark pour améliorer son service client est un excellent exemple. Précédemment, les analystes de la banque créaient des modèles analytiques qu’ils transmettaient ensuite aux équipes informatiques en charge de coder manuellement ces modèles sur les anciens systèmes. Désormais, la banque utilise des outils analytiques avancés pour développer les modèles mais également pour les industrialiser. Désormais, lorsqu’un client demande un crédit, la réponse de la banque s’appuie sur des modèles qui intègrent des sources de données multiples, relatives au client mais également des données externes, telles que celles des organismes de crédit par exemple. L’analytique dégage des profils révélateurs de comportements financiers à risques qui permettent de prédire la probabilité qu’un client se retrouve en défaut de paiement dans l’année qui suit et d’évaluer sa capacité de remboursement. En outre, Danske Bank a réduit de 50 % le temps consacré à la réalisation des modèles. Et ces modèles l’aident à prendre rapidement les décisions pertinentes et à proposer des taux et des limites de crédit adéquats pour chaque client.
Du point de vue fonctionnel, les technologies analytiques avancées sont aussi anciennes et matures que les ordinateurs eux-mêmes, mais elles se confrontent à une forte pénurie de compétences à l’échelle internationale en termes de développement et de déploiement des modèles analytiques et statistiques avancés. Et même si certaines avancées technologiques peuvent compenser en partie ce manque grandissant de compétences, notamment celles qui concernent la simplification des processus et la mise à disposition d’outils analytiques en libre-service pour les analystes métier et les utilisateurs finaux, c’est loin d’être suffisant. C’est là que l’intelligence collective entre en jeu.
L’intelligence collective, également appelée « crowdsourcing », existe depuis un certain nombre d’années, mais si vous la combinez à l’analytique avancée, vous obtenez une combinaison de technologies et de savoir-faire partagés en mesure de révolutionner le monde des services financiers. Le Big Data associé au crowdsourcing change également la manière dont les fournisseurs de services financiers définissent leur stratégie car la véritable valeur de ce type d’intelligence réside dans sa capacité à prédire des événements et comportements futurs. C’est cet éclairage sur le comportement du client qui doit guider la manière dont les produits et services sont packagés et proposés à la vente. En 2011, cette motivation a incité une banque britannique pionnière à adopter le crowdsourcing pour le lancement d’un site dédié, sorte de laboratoire, pour collecter les avis et recommandations du plus grand nombre sur les thématiques suivantes : concepts pour la refonte du site web, codes QR, outil de comparaison de prêts immobiliers et l’idée même du laboratoire en soi. Même si le laboratoire est aujourd’hui fermé, les idées proposées ont recueilli quelque 4.158 commentaires et 1.345 évaluations dès le premier mois. De nombreux fournisseurs de services financiers se sont inspirés de ce projet innovant pour prendre eux aussi le train de l’intelligence collective.
Dans un monde piloté par la donnée, la combinaison de solutions analytiques avancées et du crowdsourcing devient incontournable pour les fournisseurs de services financiers. C’est le moyen pour eux d’extraire une véritable valeur ajoutée sur des quantités de données toujours plus importantes, d’améliorer la connaissance client pour optimiser les interactions avec le marché y compris leurs prestations de services, d’améliorer l’expérience client et de prolonger la valeur du client tout au long de son cycle de vie.