Expertises

3 cas d'usage du big data pour les banques et les assureurs.

Des datas, encore des datas, toujours plus de datas !  Gros pourvoyeurs par définition, les banques et les assurances sont riches d'un capital encore insuffisamment exploité en la matière. Or, pour ces deux secteurs bousculés par l'évolution des pratiques (et dans un contexte général encourageant la mobilité), une meilleure exploitation des données constituerait un avantage concurrentiel indéniable, notamment en matière d'acquisition, de lutte contre les fraudes et d'appréciation des risques...

Mieux exploiter le capital data pour mieux anticiper

Les banques et assureurs disposent d’une multitude de données inexploitées sur leurs clients, leurs activités ou même leur environnement, disséminées, consciemment ou non, à chaque instant par les différents acteurs de leur écosystème. Le volume et la vélocité des données vont continuer de croître dans les prochaines années avec la multiplication des objets connectés et l’accélération de la dématérialisation des activités. La maîtrise de ses données, c’est-à-dire leur captation, leur traitement et leur exploitation efficaces et en temps voulu, représente un gisement d’opportunités pour les banques et les assureurs pour acquérir de nouveaux clients, améliorer leur offre de services ou même renforcer la sécurité de leurs transactions financières.

Si la préoccupation de maîtrise de l’information n’est pas nouvelle, son interprétation a grandement évolué ces dernières années du fait de l’explosion de la production et des échanges de données, pour la plupart externes et non structurées, et des évolutions technologiques logicielles, passant de l’automatisation des tâches opérationnelles (« on-premise software »), au cloud computing, jusqu’à l’apparition récente de logiciels prédictifs.

Il ne s’agit plus d’exploiter un capital informationnel issu des ERP et SI internes de l’entreprise, en temps différé et pour des objectifs de pilotage mais bien d’identifier, d’explorer et d’analyser les signaux faibles d’une information de masse (volume), endogène et exogène (variété), modélisable et extensible (élasticité) afin d’anticiper, en temps réel (vélocité, fast data) et par de puissants algorithmes auto-apprenants, des actions futures et ainsi faciliter la prise de décision en interne.

Cas n°1 : l’acquisition et la rétention de clients  

De nombreuses études le démontre : 40% des français seraient prêts à quitter leur banque et leur compagnie d’assurance. Cette volonté est appuyée par un contexte réglementaire favorisant la mobilité des clients (loi Hamon sur la résiliation des contrats d’assurance, loi Macron sur le dispositif d’aide à la mobilité bancaire…). Les banques et les assureurs doivent ainsi repenser leur approche en matière d’acquisition et de rétention de clients afin de développer une connaissance 360° du client et ainsi mieux comprendre et anticiper les motivations derrière l’acquisition, la modification ou la résiliation d’un contrat bancaire ou assurantiel.

En matière de connaissance clients, l’approche classique des banques et des assureurs repose actuellement sur l’échantillonnage et l’exploitation par un SGBD (Système de Gestion des Bases de Données) de données structurées et disponibles en interne (données CRM, paiements par carte, consultations des comptes etc.). Or, on estime aujourd’hui à plus de 80% la part des données clients non structurées et disséminées par ces derniers sur le web (données sémantiques issues des réseaux sociaux, log du parcours client sur le web etc.), auprès des pouvoirs publics (données sociodémographiques en open data) ou même de l’entreprise (enquêtes, données conversationnelles téléphoniques etc.). Le recours aux techniques de monitoring et de Big Data par le marketing pour rassembler, croiser et analyser ces données de masse permet de réaliser une analyse plus poussée des comportements actuels d’un individu dans le but de « probabiliser » ses futures décisions d’acquérir, de modifier ou de quitter un contrat et ainsi de proposer au moment opportun une réponse adaptée à ses besoins.  

Le développement d’une composante prédictive au marketing permet ainsi d’optimiser le timing, le ciblage et le choix du canal des campagnes marketing, d’anticiper les sorties ou changements de contrat (départs à la retraite etc.), et de personnaliser et contextualiser les offres de services proposées (tarification à l’usage, offres d’accompagnement alignées sur le parcours de vie du client etc.)

Cas n°2 : la lutte contre la fraude

La fraude aux transactions financières et le piratage des données personnelles constituent des fléaux grandissants, causant chaque année des millions d’euros de perte pour les banques et les assureurs (plus de 400 millions d’euros de préjudice pour les banques françaises estimés en 2015 selon l’Observatoire Banque de France). Malgré la multiplication des initiatives et techniques de sécurisation des transactions, les fraudeurs paraissent avoir toujours un coup d’avance.

Or, de nombreuses données portent en elles des signes de comportements anormaux, précurseurs d’une situation de fraude, et sont aujourd’hui accessibles aux banques et aux assureurs (déclarations de sinistres, données financières, profils transactionnels des victimes, profils psychologiques des fraudeurs en interne etc.). L’enjeu est de savoir faire parler ces données, c’est-à-dire de créer les connexions entre les différentes informations afin d’identifier et de caractériser les déclencheurs d’une situation de fraude et ainsi d’imaginer et de proposer les réponses adaptées à chaque situation. Par exemple, enclencher automatiquement une vérification supplémentaire pour les demandes de virement enregistrées les veilles de jours fériés (pics de fraude). 

L’utilisation des techniques d’analyse prédictive des données permet ainsi aux banques et aux assureurs de détecter les tentatives de fraude avant même qu’elles ne se produisent, de réduire drastiquement le temps de réponse par des actions réactives et de faciliter les prises de décisions. Il s’agit donc de passer d’une approche curative, coûteuse et consommatrice de temps, à une approche préventive.

Cas n°3 : l’optimisation des modèles de notation et d’appréciation des risques

Les systèmes de back-testing utilisés actuellement par les banques et les assureurs pour évaluer la performance de leurs modèles de notation interne et d’appréciation du risque comportent de nombreuses limites : données parfois obsolètes (ex : états financiers) et/ou pas toujours disponibles (ex : fonctionnement du compte accessible uniquement aux banquiers prêteurs), temps de calcul longs, rigidité des modèles inadaptée aux exigences d’évolutions des algorithmes afin de prévoir toujours au mieux le défaut etc.

L’avènement du cloud public et des technologies prédictives Big Data offrent aujourd’hui de nouvelles possibilités pour pallier ces problèmes. Par l’apport d’informations ouvertes et actualisées, la possibilité d’injecter et de traiter de grands volumes de données et le test rapide de différents algorithmes de scoring, et ce de manière itérative, ces technologies permettent d’optimiser les calculs de PD et de LGD, et ainsi d’améliorer la performance et la robustesse des modèles de notation tant pour les banques en méthode avancée (IRBA) que pour l’ensemble du secteur financier dans le cadre de la mise en place des IFRS 9 et des modèles de dépréciation associés.

Conclusion

Pour notre cabinet conseil, l’analyse prédictive et l’exploitation de l’intelligence des algorithmes sont en voie de devenir des impératifs pour les directions SI, Marketing et Risques de nombreuses banques et assureurs. En effet, la capacité à faire parler et transformer des données en décisions, et ce en temps réel, constitue un élément différenciant clef pour les banques et les assureurs soucieux de préserver leur santé financière et leur avantage compétitif, à l’heure où les clients sont de plus en plus mobiles, volatiles et exigeants. Parmi les principaux défis à relever, se posent notamment les questions de l’adaptation des organisations, des cultures et des modèles de management aux exigences de transversalité et d’expérimentation des projets data-driven.



ALLONS PLUS LOIN ENSEMBLE !

Alenium Consultants, en partenariat avec Dataiku, accompagne ses clients (banques, compagnies d’assurance, mutuelles etc.) dans leurs projets de valorisation des données dans les domaines du marketing prédictif, de l’amélioration de la gestion du risque et de l’expérience utilisateur.

> Vous souhaitez en savoir plus sur le conseil en management et innovation ? Venez rendre visite à nos consultants au sein de nos bureaux à Paris ou contactez-nous via notre page Contact.

> Notre cabinet de consulting recrute ! Rejoignez Alenium Consultants dès maintenant : consultez nos offres d’emploi pour un poste de consultant junior ou senior et embrassez une carrière de consultant au sein de notre équipe d’experts.