Banque et Big Data : une révolution à l’horizon

Nous avons régulièrement abordé sur ce blog le thème de la transformation digitale des banques. Mais nous n’avons toutefois pas encore abordé le lien entre la banque et les Big Data. Le 16 mars dernier se tenait une conférence CCM Benchmark sur les Big Data et la valorisation des données bancaires. Les Big Data ont fait couler beaucoup d’encre, mais il est encore tôt pour les voir révolutionner les usages des entreprises. Gartner les avait d’ailleurs placés il y a quelques années au stade du « gouffre des désillusions » dans son « Hype Cycle ». Toutefois, cela n’empêche pas les banques de s’intéresser à l’exploitation de la masse de données bancaires qu’elles possèdent, avec évidemment beaucoup de précaution concernant la sécurité et l’ « anonymisation » de ces données, réflexe ultra important dans un secteur aussi sensible. En effet, les amateurs d’innovation que nous sommes verront malheureusement les nombreuses possibilités offertes par les Big Data se heurter aux réalités du terrain. Légalement contraintes, la prudence fait partie de l’ADN des banques et il est souvent difficiles pour elles d’innover sans la crainte de sortir du cadre légal, contrairement aux géants du Web s’approchant de ce domaine avec beaucoup moins de frilosité (et de préoccupations concernant cadre légal). Voici une approche sur la problématique avec nos trois intervenants, Bruno Van Haetsdaele, Gilles Nectoux et Benoit Gruet.

Banque et Big Data : des données internes et externes

Pour commencer, il est important de savoir de quelles données nous parlons et de connaître leur provenance. Selon Bruno Van Haetsdaele, CEO de Linxo, les données dont disposent les banques proviennent de deux types de sources :

  • Les données internes, qui sont les données classiques possédées par la banque: dès la transaction, la banque collecte le montant, la date, l’heure, et le point de vente. Cela permet par exemple de mieux connaître une zone de chalandise. La banque possède en outre les données de transactions du client, son solde, l’évolution de son compte, son épargne… Ces données internes sont selon Gilles Nectoux, CEO de Plebicom, à la fois riches et pauvres :
  •  Riches, car il s’agit de données dont personne d’autre que la banque ne dispose
  • Pauvres, car elles ne sont pas détaillées : on ne peut par exemple pas connaître le contenu d’un panier acheté par un client.
  • Les données externes, provenant de prestataires : on raccroche par exemple les transactions à un commerçant physique via un croisement de données (SIRET, objet social, etc.). L’intérêt de ces données est ainsi de les recroiser avec les données internes pour mieux « coller au monde physique ».
Banque et Big data : Un passage dangereux sur une falaise
Le chemin reliant la banque et les Big Data est difficile à prendre et demande beaucoup de précaution.

A quoi servent ces données ?

A cette question, les intervenants de la table ronde expriment la même idée : le but est avant tout d’offrir un service utile au client.

Selon Bruno Van Haesdaele, « les données permettent à l’utilisateur de mieux comprendre ce qui se passe sur son compte ».  Les dépenses sont catégorisées (supermarché, loyer…) et des algorithmes prédictifs sont mis en place pour anticiper l’évolution du solde : un client recevra ainsi un message du type « vous avez 800 euros sur le compte, mais il y a un risque de découvert dans 5 mois ».

Grâce à ces algorithmes, la banque peut voir là où l’utilisateur dépense le plus et ainsi proposer des offres pertinentes qui se déclinent en deux catégories :

  • Les offres de fidélisation : Par exemple un client de Castorama se voit offrir via son compte un coupon de réduction ;
  • Les offres de conquête : Ici, le but est de faire changer le client de fournisseur. Par exemple, Leroy Merlin offre un coupon à un client de Castorama.

Selon Benoît Gruet, CEO de CDLK, ces données permettent d’accomplir le rêve de tout marketeur : analyser le comportement du client par rapport à ses attentes. Ce comportement est généralement fondé sur du déclaratif (sondages, questionnaires…) : ici, on peut le vérifier par les transactions.

Ces données ont donc une valeur exceptionnelle par rapport aux autres car elles offrent une vue objective. Lire la suite

Banque et Big Data : une révolution à l’horizon was last modified: avril 11th, 2016 by Cédric Jeanblanc

Le Crédit Agricole accélère sa transformation digitale

Les 100 agences « Active » du Crédit Agricole

Fin décembre 2015, le Crédit Agricole Ile-de-France a fêté sa 100ème agence rénovée «Active». L’occasion pour le groupe de revenir sur les avancées digitales et humaines de ses nouvelles vitrines. Cet investissement chiffré à 250 millions semble destiné à redonner goût à l’agence physique à des clients de plus en plus présents sur internet. En effet, selon la Banque de France, le nombre d’agences bancaires en France est passé de 39 800 à 37 600, et leur fréquentation au moins une fois par mois se situe désormais autour de 17% de la population contre 62% en 2007. Des changements rapides liés au digital mettent donc à mal le système d’agences bancaires physiques, et le Crédit Agricole n’échappe pas à la règle : la banque a dû supprimer 50 agences l’année dernière (2015) selon le JDD. Peut-on aller jusqu’à prévoir la fermeture de la dernière agence en 2025, comme l’imagine Philippe Herlin dans cet article ? Le Crédit Agricole semble confiant en investissant notamment dans la formation et dans la transformation physique des agences. Il est clair que ces bouleversements importants – à l’instar de ce qui s’est passé au Royaume Uni qui a vu 50% de ses agences disparaître depuis 1990 (Chris Skinner) – vont avoir un impact non négligeable sur les femmes et les hommes des banque. Ces défis, qui ne font qu’arriver chez nous, vont se faire sentir nettement dans les mois qui viennent, car la France est un des pays d’Europe, selon les chiffres donnés par Chris Skinner, qui a encore le plus d’établissements bancaires par tête d’habitant derrière Chypre et l’Espagne*. 

Aux Pays-Bas aussi les agences ferment à marche forcée
Aux Pays-Bas aussi les agences ferment à marche forcée (the finanser in Chris Skinner’s blog)

Cependant, on peut légitimement se poser la question de savoir si ces défis, que l’on nomme digitaux, ne sont pas en fait essentiellement humains. Ils pourraient même, c’est notre avis, rappeler ce qui a été connu et vécu dans les télécommunications à la fin des années 1990, époque où la notion de « client » (vs. celle d’usager) a fait son entrée, avec une concurrence accrue et le reclassement de bon nombre de personnels dans des postes de conseil au client (avec les connaissances qu’on connaît dans ce secteur quand ce n’est pas bien géré). C’est sans doute là que le digital jouera le plus grand rôle, dans l’accompagnement en formation, en information et l’accompagnement opérationnel et technique, pour soutenir l’évolution de tous ces personnels bancaires qui vont se trouver face au client, non plus dans une agence, mais aussi sur le terrain, à distance et sur des centres d’appels décentralisés. La transformation (digitale) ne fait que commencer, les changements innombrables qui la composent également. Voyons dans ce retour de terrain le plan d’action du Crédit Agricole avec tous les chiffres et les retours de la banque sur cette expérience des agences « Active ».

* « La France a le plus grand nombre d’agences bancaires en Europe à la fin de l’an dernier [2013] avec 38 450 agences, soit une agence pour 1 709 habitants, devancée seulement par l’Espagne et Chypre. Cette dernière avait un ratio de 1 agence pour 1 265 habitants ». ( Chris Skinner, Digital Bank)

Le Crédit Agricole passe à la banque à valeur ajoutée

« Les attentes de nos clients évoluent, ils sont de plus en plus autonomes dans leurs opérations au quotidien. Leurs demandes vis-à-vis des agences, c’est avant tout du conseil, de la valeur ajoutée. Nous avons voulu que nos agences soient extrêmement transparentes, et que l’accueil soit le plus proche possible de nos clients », déclare  Bertrand Chevallier, directeur général adjoint du Crédit Agricole.

Banque Active - Crédit Agricole
CRÉDIT AGRICOLE – AGENCE DE VERSAILLES CENTRE – ©ERANIAN

En effet, ces dernières années, les modes de consommation ont beaucoup évolué, notamment sous l’impact des nouvelles technologies, et la banque ne fait pas exception : on constate une baisse des visites en agence et un accroissement des échanges dématérialisés. Tout l’enjeu consiste donc pour les acteurs du secteur bancaire à adapter leur organisation pour satisfaire pleinement ces nouvelles attentes. Le Crédit Agricole d’Ile-de-France a ainsi décidé d’investir massivement pour transformer chacune de ses agences en agence « Active » (pour Accueil, Conseil, Territoire, Innovation, Valeur et Ecoute) :

  • création d’agences plus chaleureuses,
  • développement des compétences des conseillers,
  • outils de communication de pointe …

Lire la suite

Le Crédit Agricole accélère sa transformation digitale was last modified: mars 9th, 2016 by Isabelle Lefaucheur

Comment combattre la fraude bancaire avec les Big Data

[NDLR] Nous avons eu la chance de rencontrer Thomas Gerbaud l’année dernière lors d’une réunion sur les Big Data. Nous en avions d’ailleurs profité pour l’interviewer sur son métier de data scientist. Il nous arrive souvent de décrire les data sous un angle marketing dans ce blog, et celui de nos clients et partenaires. Il serait faux cependant de croire que seul le marketing est concerné par cette révolution de la donnée. On peut bien entendu et surtout les utiliser aussi à titre préventif dans le cadre de la détection de la fraude bancaire par exemple. Dans la mesure où cet aspect de la détection des fraudes, dans le domaine bancaire et dans le ecommerce, peut également être vu comme un avantage concurrentiel ou une constituante du service : nous avons donc demandé à Thomas de traiter ce sujet. Nous vous livrons donc ses réflexions sur ce sujet dans le billet suivant.

Comment combattre la fraude bancaire avec les Big Data

Par Thomas Gerbaud, CEO Ocean Data, Fondateur de Mantiq et Data Scientist

Exemple basé sur une situation réelle – bien évidemment. Je me garderai donc bien de donner toute formation d’indication chiffrée.

La banque X travaille avec Tracfin (Traitement du renseignement et action contre les circuits financiers clandestins), comme toutes les autres. En tant qu’organisme financier, elle a l’obligation légale de participer activement à la lutte contre le blanchiment d’argent. Toute entrée d’argent suspecte doit donc être notifiée au régulateur. Cela représente un coût certain, essentiellement humain et en temps. Une perte sèche, au mieux compressible. Des outils de détection existent, bien sur, souvent basés sur des filtres ad-hoc. Le souci, c’est que ces outils sont fondamentalement idiots.

A l’heure où l’intelligence artificielle titille les experts du Go, et alors qu’aucun être humain n’a battu un supercalculateur aux échecs depuis 2006 (voir ce très bon article du Monde), est-il encore nécessaire de fixer les seuils de déclenchement d’alertes à la main ? Ne pourrait-on pas injecter un peu d’intelligence dans les routines de détection de fraude ? Questions légitimes. Réponse affirmative.

fraude bancaire
les big data arriveront-ils à allumer la petite lumière de l’intelligence des outils de détection la fraude bancaire ?

Détection de fraude : pour une approche plus futée… et plus efficace

Je me propose d’illustrer, dans ce billet, les limites de la détection par filtres, et de présenter une approche plus futée. Et plus efficace !

La détection par filtre consiste à modéliser un comportement suspect, puis à le détecter ; c’est-à-dire décrire le comportement en terme d’observables (par exemple, un virement rond supérieur a 5000e, ou un dépôt de liquide atypique), et placer des filtres sur les opérations. Cette approche est efficace si le nombre de règles est suffisant, et si tous les cas sont couverts. L’intelligence réside donc dans la conception et l’ordonnancement des filtres, qui sont voués à se multiplier pour embrasser la multiplicité des situations qui seront, selon le contexte, suspectes ou non. Trop larges, ces filtres provoquent des avalanches de faux-positifs; trop restrictifs, ils ne détectent rien. Si, pratiquement parlant, cela fonctionne quand même, au prix d’une certaine complexité, cette approche n’est intellectuellement pas satisfaisante. Puisque l’approche descriptive suppose une certaine ressemblance dans les comportements suspects, ressemblance que l’on traduit par des règles simples, pourquoi ne pas pousser la démarche et laisser l’ordinateur détecter ces motifs tout seul ? Lire la suite

Comment combattre la fraude bancaire avec les Big Data was last modified: février 18th, 2016 by Thomas Gerbaud