"Le modèle de la banque de détail se transforme. Les portes d'entrée se multiplient. Il y a le conseiller en agence, le digital, le centre de relation client. Le risque avec l'utilisation des canaux à distance est que la relation client se distende, devienne plus froide", expose Bertrand Cozzarolo, co-directeur de la stratégie, du digital et de la relation client, banque de détail en France de la Société Générale. Le groupe bancaire veut donc profiter du big data, de l'augmentation des puissances de calcul et des algorithmes de machine learning pour réintroduire une notion de proximité dans la relation qu'elle entretient avec ses clients. Démonstration en trois initiatives concrètes.
Identifier les clients attirés par la concurrence
Avant : Les clients de la Société Générale sont soumis à des offres concurrentes. Pour déterminer la probabilité qu'un client parte, la banque a établi un score. "Avant notre modèle fonctionnait avec un nombre limité de variables, comme le nombre de produits détenu, le nombre d'opérations sur le compte", expose Bertrand Cozzarolo.
Après : Depuis un an et demi, la banque a adopté une nouvelle approche basée sur des algorithmes d'intelligence artificielle en collaborant avec une start-up dont l'identité reste confidentielle. "Le modèle prend désormais en compte des centaines de variables et il n'y a plus un modèle, mais "n" modèles appliqués à "n" populations", explique Bertrand Cozzarolo. "Avec cette approche, la performance a été multipliée par 4", affirme-t-il. Cela signifie que lorsque la banque contactait les 100 personnes d'une liste établie à partir de l'ancien modèle, 10 personnes comptaient effectivement quitter la banque. Désormais, 40 personnes de cette liste de 100 clients prévoient de partir. Avec cette analyse plus fine, la banque est ainsi en mesure de "retenir" davantage de clients. Après une phase de test, la solution est passée à l'industrialisation.
Prêter à plus de clients… sans prendre plus de risques
Avant : Pour octroyer des crédits, la Société Générale s'appuie, comme les autres banques, sur un score qui prend en compte une douzaine de variables (ancienneté de la relation, montant des revenus, montant des actifs) qui sont ensuite pondérée. "Un des sujets est : est-ce qu'aujourd'hui je n'écarte pas à tort des clients à qui je devrais prêter ?" s'interroge Bertrand Cozzarolo.
Après : Pour gagner en efficacité, les équipes ont adopté une approche qui couple big data et intelligence artificielle. "Avant nous partions avec une idée préconçue en cherchant des variables. Grâce à la puissance de la machine, on part sans a priori : c'est la puissance de calcul qui détermine quelles sont les variables les plus pertinentes", détaille Bertrand Cozzarolo. Le modèle obtenu offre une analyse du risque plus fine et permet de donner un score vert à des clients qui précédemment étaient exclus du crédit.
Le challenge pour les équipes était aussi d'être capable d'expliquer comment le modèle fonctionnait, de sortir du concept de "boîte noire". "Quand on est dans le marketing, il suffit de démontrer que ça marche. Ce qui compte, c'est le résultat. Dans le risque d'octroi de crédit, il faut démontrer que cela marche là, mais que cela fonctionnera aussi s'il y a une crise économique", commente-t-il. Le projet est aujourd'hui en phase de R&D.
Se rapprocher des clients sur le terrain
Avant : Jusqu'à présent, la Société Générale s'appuyait sur la conviction et l'expérience des acteurs terrain pour choisir l'implantation de ses dispositifs physiques (agences, distributeurs, espaces en libre-service, espaces pro, etc.)
Après : Désormais, la banque tente d'éclairer ces acteurs terrain par une approche basée sur la data. "Nous regardons où habitent nos clients, quelle est la distance moyenne entre leur lieu d'habitation et là où nous souhaitons nous implanter. Nous analysons aussi les flux en regardant les usages de leur carte de crédit pour identifier la localisation la plus pratique pour eux", détaille Bertrand Cozzarolo.
Source : L'Usine Digitale