En appui de votre lecture, vous pouvez télécharger le support de cette présentation sur http://www.forumdecideo.com/file/97869/
Voici quelques exemples de radars où, globalement, les parts de marché d’une banque sont comparées par rapport au groupe. Dans le cas présent, l’on remarque qu’elles sont meilleures sur tous les produits sauf les cartes bleues.
Voici également des analyses de progression et de production de crédit. Nous utilisons beaucoup les cadrans magiques, que l’on a appris de nos amis chez Gartner, pour positionner les banques : une position en haut à droite signifie que la banque est très bien positionnée ; une position en bas à gauche implique une marge de progression. Voici un exemple sur les clients actifs et leur progression : l’on note que certaines banques, qui partaient avec un stock de clients actifs très important, continuent à avoir une grosse progression sur les clients actifs. Le symbole est à chaque fois le même par établissement, peu importe le tableau de bord dans lequel on se trouve. Les chartes graphiques facilitent l’appropriation. Des choses sont donc proposées au niveau de la stratégie, du marketing, de la finance et des risques. Ce périmètre est assez complet.
Une partie dynamique a été ajoutée. Voici quelques exemples sur l’analyse de notre clientèle des particuliers, où le groupe, comme tout groupe bancaire, s’est doté d’une segmentation de type 1, 2, 3, 4, 5, 6, 7, en fonction, par exemple, du rattachement à tel type de portefeuille, et de la cible de tel type d’action marketing.
Voici un exemple d’interface graphique qui accède à des données extrêmement fines où il est possible de se positionner sur un choix mono ou multi établissements, de choisir ses analyses de segment et de s’intéresser à certains segments. Ces segments peuvent être affinés pour voir un niveau de clientèle beaucoup plus précis, une période d’analyse de manière à projeter, ensuite, des indicateurs et mesures. Un indicateur est ce que l’on veut mesurer. Une mesure est la façon dont je vais mesurer. Par exemple, je peux être en stock fin de mois en indicateur/mesure valeur fin de mois tout en étant en mesure en suivi de progression depuis un an. Il s’agit du même indicateur, mais de deux mesures distinctes.
L’approche est très graphique, les évolutions étant davantage visibles sur un graphique que sur un tableau de chiffres, avec la capacité d’accéder aux données de détail. S’agissant de notre exemple, la question était de savoir si, sur notre segmentation de clientèle des particuliers, la distribution était homogène dans le temps. Si l’on choisit l’ensemble des segments et que l’on opère une ventilation par segment, l’on se rend compte qu’effectivement, sur nos 7 segments de clientèle, la distribution est plutôt stable dans le temps. Si l’on souhaite connaître le profil de nos nouveaux clients par rapport à cette segmentation de groupe, l’on choisira un flux brut de conquête constituant, globalement, nos entrées en relation, que l’on va ventiler par segment. L’on constate que la distribution n’est pas la même, le premier segment (la clientèle des jeunes) se retrouvant davantage présent à chaque début d’année, en raison du phénomène « étrennes » que l’on retrouve en janvier, qui génère des ouvertures de compte. Cela crée une distorsion en chaque début d’année, une forme de saisonnalité. La question, au niveau du groupe, est de savoir si la situation est identique au niveau de chacune des Banques Populaires. L’on passe alors sur un plan d’analyse multi-établissements et l’on se rend compte qu’effectivement, pour certains établissements, la part bleue n’est pas identique sur le début d’année. Deux phénomènes l’expliquent : le premier est que, en fonction de la distribution géographique, la proportion de jeunes varie en fonction des régions de France, la Côte d’Azur étant peut-être différente du Nord. Pour autant, il existe également des stratégies différentes. Car, faisant ce constat, certaines banques, à une époque, ont réalisé des actions vis-à-vis des jeunes en début d’année. Constatant que ce phénomène était naturel, elles ont reporté leurs actions sur des mois d’avril et mai. Elles ont donc finalement deux pics au cours de l’année : l’un, naturel, en janvier et un second, provoqué grâce aux actions marketing. Au niveau du stock, l’on peut également regarder si ce phénomène se retrouve. Si l’on constate quelques écarts liés à la démographie, la situation est beaucoup plus simple.
On peut aller très loin et très finement dans la segmentation de clientèle, jusqu’à regarder le comportement de nos clients professionnels, des agriculteurs, parmi eux, des maraîchers. Les temps de réponse entre chaque clic sont compris entre 5 et 10 secondes, alors qu’avant, plusieurs heures étaient nécessaires pour avoir ce type d’analyse, par des requêtes assez lourdes dans les entrepôts de données.
L’apport de l’entrepôt i-BP est très clair : un accès direct à un entrepôt colossal (65 téraoctets de données), avec d’excellentes performances. S’ajoute à cela, dans notre contexte groupe, l’importance des vues transverses, nous évitant de répliquer ces 65 téraoctets dans nos infrastructures. Les requêtes sont effectuées sur les mêmes données en une seule passe pour l’ensemble des banques avec un même modèle de données, des référentiels qui restent encore à harmoniser, mais sur lesquels ces couches de transcodification sont appliquées.
Voici également des analyses de progression et de production de crédit. Nous utilisons beaucoup les cadrans magiques, que l’on a appris de nos amis chez Gartner, pour positionner les banques : une position en haut à droite signifie que la banque est très bien positionnée ; une position en bas à gauche implique une marge de progression. Voici un exemple sur les clients actifs et leur progression : l’on note que certaines banques, qui partaient avec un stock de clients actifs très important, continuent à avoir une grosse progression sur les clients actifs. Le symbole est à chaque fois le même par établissement, peu importe le tableau de bord dans lequel on se trouve. Les chartes graphiques facilitent l’appropriation. Des choses sont donc proposées au niveau de la stratégie, du marketing, de la finance et des risques. Ce périmètre est assez complet.
Une partie dynamique a été ajoutée. Voici quelques exemples sur l’analyse de notre clientèle des particuliers, où le groupe, comme tout groupe bancaire, s’est doté d’une segmentation de type 1, 2, 3, 4, 5, 6, 7, en fonction, par exemple, du rattachement à tel type de portefeuille, et de la cible de tel type d’action marketing.
Voici un exemple d’interface graphique qui accède à des données extrêmement fines où il est possible de se positionner sur un choix mono ou multi établissements, de choisir ses analyses de segment et de s’intéresser à certains segments. Ces segments peuvent être affinés pour voir un niveau de clientèle beaucoup plus précis, une période d’analyse de manière à projeter, ensuite, des indicateurs et mesures. Un indicateur est ce que l’on veut mesurer. Une mesure est la façon dont je vais mesurer. Par exemple, je peux être en stock fin de mois en indicateur/mesure valeur fin de mois tout en étant en mesure en suivi de progression depuis un an. Il s’agit du même indicateur, mais de deux mesures distinctes.
L’approche est très graphique, les évolutions étant davantage visibles sur un graphique que sur un tableau de chiffres, avec la capacité d’accéder aux données de détail. S’agissant de notre exemple, la question était de savoir si, sur notre segmentation de clientèle des particuliers, la distribution était homogène dans le temps. Si l’on choisit l’ensemble des segments et que l’on opère une ventilation par segment, l’on se rend compte qu’effectivement, sur nos 7 segments de clientèle, la distribution est plutôt stable dans le temps. Si l’on souhaite connaître le profil de nos nouveaux clients par rapport à cette segmentation de groupe, l’on choisira un flux brut de conquête constituant, globalement, nos entrées en relation, que l’on va ventiler par segment. L’on constate que la distribution n’est pas la même, le premier segment (la clientèle des jeunes) se retrouvant davantage présent à chaque début d’année, en raison du phénomène « étrennes » que l’on retrouve en janvier, qui génère des ouvertures de compte. Cela crée une distorsion en chaque début d’année, une forme de saisonnalité. La question, au niveau du groupe, est de savoir si la situation est identique au niveau de chacune des Banques Populaires. L’on passe alors sur un plan d’analyse multi-établissements et l’on se rend compte qu’effectivement, pour certains établissements, la part bleue n’est pas identique sur le début d’année. Deux phénomènes l’expliquent : le premier est que, en fonction de la distribution géographique, la proportion de jeunes varie en fonction des régions de France, la Côte d’Azur étant peut-être différente du Nord. Pour autant, il existe également des stratégies différentes. Car, faisant ce constat, certaines banques, à une époque, ont réalisé des actions vis-à-vis des jeunes en début d’année. Constatant que ce phénomène était naturel, elles ont reporté leurs actions sur des mois d’avril et mai. Elles ont donc finalement deux pics au cours de l’année : l’un, naturel, en janvier et un second, provoqué grâce aux actions marketing. Au niveau du stock, l’on peut également regarder si ce phénomène se retrouve. Si l’on constate quelques écarts liés à la démographie, la situation est beaucoup plus simple.
On peut aller très loin et très finement dans la segmentation de clientèle, jusqu’à regarder le comportement de nos clients professionnels, des agriculteurs, parmi eux, des maraîchers. Les temps de réponse entre chaque clic sont compris entre 5 et 10 secondes, alors qu’avant, plusieurs heures étaient nécessaires pour avoir ce type d’analyse, par des requêtes assez lourdes dans les entrepôts de données.
L’apport de l’entrepôt i-BP est très clair : un accès direct à un entrepôt colossal (65 téraoctets de données), avec d’excellentes performances. S’ajoute à cela, dans notre contexte groupe, l’importance des vues transverses, nous évitant de répliquer ces 65 téraoctets dans nos infrastructures. Les requêtes sont effectuées sur les mêmes données en une seule passe pour l’ensemble des banques avec un même modèle de données, des référentiels qui restent encore à harmoniser, mais sur lesquels ces couches de transcodification sont appliquées.
Autres articles
-
Teradata lance des cas d’usage d’IA générative à démarrage rapide grâce à l’intégration d’Amazon Bedrock
-
Oracle Database@Azure disponible dans de nouvelles régions et avec de nouveaux services pour répondre à la demande mondiale
-
Teradata nomme Louis Landry au poste de Chief Technology Officer
-
Teradata AI Unlimited pour Microsoft Fabric est désormais disponible en avant-première via Microsoft Fabric Workload Hub
-
World Quality Report 2024 : 68% des entreprises utilisent désormais l'IA pour améliorer l'ingénierie de la qualité