C’est un fait : face à l’émergence des néobanques et des fintechs, les banques commerciales françaises doivent se transformer. Un impératif qui vaut aussi pour leur autorité de tutelle, la Banque de France. Celle-ci devant assurer sans accroc les trois grandes missions qui lui sont confiées : la stratégie monétaire, la stabilité financière et le service économique à la collectivité.
Un rapide état des lieux du secteur bancaire laisse souvent apparaître des systèmes construits sur un socle robuste qui, au fil du temps, ont dérivé vers une structure aux données silotées. Ce n’est pas là une situation exceptionnelle ; elle est vécue par de nombreuses industries. La solution naturelle est de choisir une plateforme technologique robuste, permettant le nettoyage des données, leur mise en qualité et, surtout, leur catalogage. Une bonne utilisation des données passe par une connaissance approfondie de celles-ci, de leur « fraîcheur », de leur disponibilité et par une gouvernance adaptée, coconstruite avec les métiers.
Gagner la confiance des métiers
Toute entreprise de transformation nécessite de travailler en confiance avec les métiers. Cette confiance doit donc se mériter et, surtout, se conserver. La plateforme technologique choisie doit être en mesure à la fois de traiter des tâches industrielles avec un engagement de qualité de service, mais aussi de l’analytique moins prédictible et à la durée plus aléatoire. L’important étant de pouvoir affecter une priorité en fonction des tâches et de leur niveau de service pour éviter des chevauchements néfastes.
Concernant l’analytique, deux exemples illustrent bien les besoins des banques :
– la lutte contre le blanchiment de l’argent : il s’agit d’analyser des masses considérables de données pour en tirer des signaux faibles, permettant de découvrir des comportements à risque ou pouvant devenir déviants ;
– l’évaluation du risque climatique : la masse des données est tout aussi importante et peut provenir de sources externes multiples (Météo France, par exemple).
Au cours de ces dernières années, les banques ont su maîtriser le développement puis le déploiement des outils d’intelligence artificielle. Après les prototypes, les établissements sont passés aux solutions opérationnelles permettant d’améliorer trois grands domaines : la relation avec les clients, l’identification des risques, la lutte contre le blanchiment d’argent et le financement du terrorisme. Certains observateurs mentionnent aussi l’adaptation à la réglementation. Toutefois, cette dernière n’est pas vue comme une contrainte, mais plutôt comme un guide facilitant les bonnes pratiques d’exploitation.
Certes, le numérique augmente certains risques. Mais, dans le même temps, il fournit des outils indispensables à leur identification et leur contrôle. Prenons le risque cyber. La fragmentation des chaînes de distribution et les demandes de dématérialisation des relations bancaires accroissent nécessairement la potentialité d’attaques. Le recours aux nouvelles technologies est un prérequis pour développer des solutions de sécurité performantes. L’intelligence artificielle détecte mieux les attaques et traite plus rapidement les contenus suspects.
Une approche étape par étape
Toute transformation numérique implique de pouvoir conserver l’existant du système d’information pour le rendre plus fluide et non de faire table rase du passé. Cette évolution passe par des Proofs of Concept (PoC), capables de déterminer la validité de la nouvelle solution et, à terme, de valider la pertinence des choix technologiques. Il ne s’agit pas de réaliser un big bang, mais une évolution maîtrisée.
Les mises en production sont réalisées par paliers, chaque palier constituant un état stable et répondant aux besoins avérés. Si de nouveaux besoins apparaissent sans que le premier palier ne puisse y répondre (cible moins de 20 % des cas), alors des décisions stratégiques s’imposent : un nouveau palier est défini, évalué, soumis à décision et, le cas échéant, construit et mis en production. Ce mode d’évolution itératif permet à la fois une réponse adaptée aux besoins des clients, mais aussi une meilleure maîtrise budgétaire et technologique des solutions.
Pour la gouvernance des données, deux rôles doivent être établis : celui de propriétaire des données et celui de gestionnaire des données, le bras armé du premier. Le propriétaire des données appartient à chaque métier. Il définit la politique d’utilisation des données. Enfin, pour mener à bien cette transformation numérique, les équipes concernées doivent bénéficier d’un sponsorship au plus haut niveau. Le comité de direction doit être impliqué au plus près.
Privilégier les bons choix
et l’économie des ressources
Intelligence artificielle et machine learning, utilisées pour optimiser l’expérience client en temps réel, doivent stimuler un ensemble de critères clés dans la gestion du parcours client : l’engagement, la fidélité, le NPS (Net Promoter Score) et le chiffre d’affaires par clients. L’objectif, lorsque formulé sur le papier, est simple. Les clients doivent considérer leur banque comme un partenaire de leurs besoins financiers individuels, et non plus comme un simple fournisseur générique d’applications bancaires mobiles.
Ce souci de l’expérience client doit être conjugué avec les ressources ad hoc pour la transformation numérique, afin de stimuler l’innovation et la créativité. Tout le monde ne peut pas s’improviser Data Scientist. Néanmoins, une bonne culture analytique peut se propager rapidement dans un établissement. Comment ? En offrant un bon choix en termes d’interfaces – visuelles et de programmation – pour que spécialistes de la donnée, cadres et analystes commerciaux puissent analyser divers scénarios.
Notons que l’analyse est un continuum. Elle va du reporting à la visualisation en passant par les statistiques et les techniques avancées, dont l’analyse de texte et le deep learning. Les établissements doivent pouvoir choisir parmi ces techniques, tant pour leur situation actuelle que pour les prochaines étapes de leur transformation. Élément vital de l’analyse, les données structurées et non structurées sont exploitées en permanence. Leur taille ne cesse d’augmenter. Une bonne plateforme technologique doit être capable de les traiter à l’échelle, pour envisager sereinement les prochaines années.
