Libérer la puissance de l’IA : remodeler les services financiers

Libérer la puissance de l’IA : remodeler les services financiers

Horodatage: 17 novembre 2023, 10 h 30
Libérer la puissance de l'IA : remodeler les services financiers PlatoBlockchain Data Intelligence. Recherche verticale. Aï.

L'IA est un sujet brûlant et de nombreux articles sont publiés affirmant que les sociétés de services financiers qui n’adoptent pas l’IA aujourd’hui risquent de devenir obsolètes demain. Cependant, comme c'est souvent le cas pour de nombreux battages médiatiques, l'adoption de l'IA par l'industrie pourrait ne pas se dérouler aussi rapidement qu'on le prévoit généralement. À titre d’exemple, depuis deux décennies, les experts prédisent l’obsolescence des banques utilisant d’anciens systèmes mainframe. Pourtant, même après 20 ans, de nombreuses banques s’appuient toujours sur des applications bancaires de base essentielles construites sur des technologies mainframe existantes, et ces banques restent aussi fortes (sinon plus fortes) qu’elles l’étaient il y a vingt ans.

Cela étant dit, l’IA est là pour rester et une adoption progressive est essentielle. Comme indiqué dans mon blog, « La bonne solution : évaluer la valeur commerciale avant d'adopter l'IA/ML » (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), il est crucial que les banques choisissent judicieusement leurs batailles en matière d’IA, plutôt que de mettre en œuvre l’IA pour le plaisir.

Il est donc impératif de créer une liste complète des cas d’utilisation de l’IA dans le secteur des services financiers. À mon avis, nous pouvons classer tous les cas d’utilisation de l’IA dans le secteur des services financiers en deux groupes principaux:

Groupe 1 : Gestion plus efficace des données non structurées

Cette catégorie se concentre sur la collecte, l'analyse et le traitement des données qui ne peuvent pas être clairement structurées dans une base de données SQL. Il s'agit généralement de données provenant de documents, de discours ou d'images, provenant souvent de tiers comme le gouvernement ou de services clients non numériques qui doivent être transformés en format numérique. Ces cas d’usage visent avant tout à réduire les coûts, car le traitement de données non structurées peut être très gourmand en ressources. L’essor de l’IA rend de plus en plus possible l’automatisation de ces processus.

Voici quelques exemples:

  • Gestion des documents KYC et KYB: Traitement des images de cartes d'identité, de publications gouvernementales ou de statuts d'entreprises pour mieux comprendre les clients et les structures de l'entreprise.

  • Gestion d'identité: similaire à KYC/KYB mais axé sur l'authentification continue et la signature de transactions, en utilisant des données non structurées telles que les images de cartes d'identité, l'identification biométrique (comme le visage et les empreintes digitales) et l'identification comportementale.

  • Gestion de la marque et de la réputation: Surveiller l'opinion des clients et des médias à l'égard de l'entreprise pour réagir aux campagnes marketing et faire face à la publicité négative. Cela se fait en surveillant les médias traditionnels et les médias sociaux (comme les commentaires, les likes, les partages, les opinions...) et d'autres sources d'informations (par exemple les enregistrements des centres d'appels) pour identifier le sentiment et les tendances des clients.

  • Gestion des réclamations: Automatisation du traitement des sinistres avec des données non structurées, telles que des photos d'objets assurés endommagés et des rapports d'experts en assurance.

  • Chatbots et centres d'appels automatisés: Utiliser l'IA pour catégoriser et étiqueter les interactions clients, répartir efficacement les interactions, proposer des modèles de réponse standard et même automatiser entièrement les réponses sur différents canaux de communication (courrier, appel téléphonique et boîte de discussion).

  • Analyse des sentiments sur les e-mails, les sessions de chat, les enregistrements vocaux et vidéo et les résumés non structurés de communication pour comprendre les commentaires des clients et les interactions employé-client.

  • Gestion des dépenses et des factures: Conversion des documents financiers en données structurées pour un traitement automatique (par exemple en les réservant correctement dans la bonne catégorie comptable).

Groupe 2 : Meilleures prédictions et allocation des ressources

Dans le secteur des services financiers (comme dans tout autre secteur), les ressources telles que les personnes et l’argent sont rares et doivent être allouées de la manière la plus efficace possible. L’IA peut jouer un rôle crucial en prédisant où ces ressources sont les plus nécessaires et où elles peuvent générer la plus grande valeur ajoutée.

Notes: L'attention d'un client peut également être considérée comme une ressource rare, ce qui signifie que toute communication ou offre doit être hautement personnalisée pour garantir que la capacité d'attention limitée du client est utilisée de manière optimale.

Ces cas d'utilisation peuvent être classés en deux sous-catégories :

Cas d'utilisation indépendants du secteur

  • Segmentation des clients sur la base des données disponibles (par exemple, profilage des clients, analyse des modèles de transactions, comportement passé et immédiat des clients…) pour déterminer les meilleurs moyens possibles (meilleure combinaison de canaux) et le style de communication (optimisation des contacts) et allouer des ressources aux clients ayant le potentiel le plus élevé revenus futurs.

  • Détection de désabonnement pour identifier et fidéliser les clients risquant de partir. En allouant des ressources supplémentaires à ces clients, comme des employés contactant le client ou offrant certaines incitations (par exemple des remises ou de meilleurs taux d'intérêt) pour empêcher le client de se désintéresser.

  • Identifier les meilleurs prospects et opportunités de vente: à partir d'une liste de leads, identifiez ceux qui sont les plus susceptibles de devenir client, mais également quels clients existants peuvent être le mieux ciblés pour des actions de cross-sell et d'up-sell.

  • Prédire les évolutions de l’offre et de la demande, par exemple, identifier l'emplacement optimal des distributeurs automatiques ou des succursales, prédire le nombre d'interactions de support client attendues pour garantir une dotation optimale en personnel de l'équipe de support client ou prédire la charge sur l'infrastructure informatique pour optimiser les coûts de l'infrastructure cloud.

  • Meilleure action suivante, meilleure offre suivante ou moteur de recommandation pour des interactions client personnalisées, c'est-à-dire prédire quelle action, produit ou service est le plus susceptible d'intéresser un utilisateur à un moment donné. Permettre un accès facile à ce processus peut aider le client ou tout autre utilisateur (comme les employés internes) à atteindre son objectif plus rapidement, entraînant ainsi une augmentation des revenus et une réduction des coûts.

  • Moteur de tarification pour déterminer le prix optimal d’un produit ou d’un service.

Cas d'utilisation spécifiques au secteur des services financiers

  • Moteur de notation de crédit pour évaluer la solvabilité et prendre des décisions de prêt efficaces. Ce moteur a pour objectif de prédire la probabilité de défaut et la valeur estimée de la perte en cas de défaut, afin de déterminer si un crédit doit être accepté ou non. Il s’agit également d’un problème de prédiction, qui garantit que l’argent de la banque est dépensé de la manière la plus efficace possible.

  • Moteur de détection de fraude pour identifier et prévenir les transactions financières frauduleuses, y compris la fraude en ligne (cybermenaces) et la fraude aux paiements. Le moteur prédit si le comportement réel d'un utilisateur correspond au comportement attendu (prédit). Dans le cas contraire, il s’agit probablement d’un cas de fraude. Ces moteurs contribuent à réduire les pertes de revenus, à éviter les dommages à la marque et à offrir une expérience client en ligne fluide.

  • Robo-conseil des services pour créer des portefeuilles d'investissement optimaux basés sur les tendances du marché, le portefeuille d'investissement actuel et les contraintes du client (comme le profil de risque, les contraintes de durabilité, l'horizon d'investissement…​).

    • Moteur de détection AML détecter (et arrêter) le blanchiment d’argent et les activités criminelles dans les transactions financières.

    • Moteur de gestion du risque de liquidité pour optimiser les flux de trésorerie. Il s’agit d’un service qui peut être proposé aux clients, mais qui est également nécessaire en interne à la banque. La banque doit garantir une liquidité suffisante dans son bilan pour couvrir tous les retraits, mais également prévoir les besoins physiques en espèces pour approvisionner les distributeurs automatiques et les agences.

Au-delà de ces cas d’usage de l’IA orientés business, ne négligeons pas l’usage interne de l’IA pour améliorer la productivité des employés. Les outils d'IA générative comme ChatGPT peuvent aider divers départements, tels que les ventes, le marketing et l'informatique, à augmenter leur productivité.

Comme indiqué dans mon blog « The Right Fit : Assessing Business Value before Adopting AI/ML » (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), la première catégorie (c’est-à-dire « Traitement plus efficace des données non structurées ») recèle à mon avis le plus grand potentiel, même si elle nécessite des compétences en IA très spécifiques et des modèles d’IA complexes. Par conséquent, de nombreuses sociétés de services financiers sont susceptibles d'utiliser des modèles pré-entraînés pour cette catégorie de cas d'utilisation.

Les cas d'utilisation de la deuxième catégorie (c'est-à-dire « Meilleure prédiction et meilleure allocation de ressources rares ») sont également prometteurs et peuvent donner des résultats plus rapidement que les cas d'utilisation de la catégorie 1. Cependant, leur valeur ajoutée par rapport aux algorithmes traditionnels basés sur des règles est pas toujours garantis, ils manquent souvent de transparence et sont difficiles à affiner. En conséquence, ces cas d’utilisation de l’IA semblent souvent plus prometteurs qu’ils ne le sont en réalité.

Dans de nombreux cas, les banques n’auront pas besoin d’investir directement dans l’IA, car de nombreuses solutions logicielles existent déjà, offrant non seulement des modèles d’IA, mais englobant également le flux de travail et la logique métier qui les entourent.
Pour chaque cas d'utilisation, les sociétés de services financiers peuvent en fait choisir entre trois options:

  • Option 1 : Construire un modèle à partir de zéro en utilisant des plateformes comme AWS SageMaker ou GCP AI Platform. Cela signifie que l'entreprise doit identifier un bon ensemble de données de formation, mettre en place un modèle et former le modèle elle-même. Par exemple, KBC a construit une grande partie de son assistant virtuel (appelé Kate) entièrement en interne à l'aide des technologies GCP AI.

  • Option 2 : En utilisant pré-formé des modèles basés sur le cloud qui sont facilement déployables et adaptables, tels qu'AWS Fraud Detector, AWS Personalize ou des versions personnalisées de ChatGPT (cfr. annonce d'OpenAI pour introduire un nouveau concept de GPT) pour des cas d'utilisation spécifiques.

  • Option 3 : Acquérir solutions logicielles complètes qui incluent des modèles, des écrans, des flux de travail et des processus d'IA internes. De nombreuses solutions existent dans le secteur des services financiers, telles que Discai (qui commercialise les modèles d'IA construits en interne par la banque KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

Le choix de l'option dépend des besoins spécifiques de l'entreprise de services financiers. Comprendre les capacités et les limites des modèles d'IA, disposer d'une stratégie de données solide et savoir comment rendre les données disponibles pour des modèles et des outils externes sont des étapes cruciales pour une société de services financiers cherchant à adopter l'IA. Ces étapes sont généralement plus importantes que d’avoir des connaissances internes approfondies en IA.

L’adoption de l’IA dans le secteur des services financiers est clairement une nécessité pour rester compétitif et répondre aux demandes des clients. La bonne approche (construire ou acheter), combinée à des cas d’utilisation bien réfléchis, peut ouvrir la voie à un parcours IA réussi.

Découvrez tous mes blogs sur https://bankloch.blogspot.com/

Horodatage:

Plus de Fintextra