Client à 360° pour les services financiers

Comprendre vos clients, apprendre leurs comportements et prédire leurs besoins

Les entreprises de services financiers, en particulier celles du secteur de la consommation, telles que les banques de détail, les émetteurs de cartes de crédit, les sociétés de gestion de patrimoine privées et les compagnies d'assurance, ont besoin de renseignements sur leurs clients, leurs marchés, leurs produits, etc. pour mener des campagnes marketing réussies, des ventes croisées et incitatives, et accompagner efficacement leurs clients tout au long de leur relation. Certains cas d'utilisation, tels que l'élaboration de recommandations de produits et la prévision et la réponse aux besoins des clients lors de la résolution d'un problème de satisfaction, nécessitent une intelligence en temps réel. D'autres requièrent la collecte des données appropriées pour l'entraînement des modèles afin de générer des informations pouvant être utilisées pour améliorer le marketing, les ventes, les opérations et, surtout, l'expérience client.

Dans tous ces cas d'utilisation, les connaissances des clients sont essentielles. Le concept d'une vue à 360 degrés du client s'est considérablement développé, passant d'une compréhension de base des nombreuses interactions qu'un client a avec une entreprise à une compréhension approfondie et détaillée de chaque client en tant qu'individu avec des comportements, des désirs et des besoins uniques qui dépassent leurs interactions avec les services financiers. De nos jours, les clients s'attendent à ce que chaque interaction soit facile, pratique et intuitive, qu'il s'agisse d'une demande de prêt, de remboursement auprès d'une assurance ou de l'ouverture d'un compte courant, et ils souhaitent une expérience cohérente et aisée, qu'il s'agisse d'interagir en ligne via une application ou en personne.

Les clients très satisfaits sont deux fois et demi plus susceptibles d'ouvrir de nouveaux comptes ou d'adopter de nouveaux produits avec leur banque actuelle que ceux qui sont simplement satisfaits. Alors que les banques continuent d'investir pour répondre aux attentes croissantes de leurs clients, elles ont du mal à suivre le rythme des autres secteurs de la vente au détail, freinés par des infrastructures informatiques héritées et de données cloisonnées qui posent des problèmes de qualité et de lignage des données. Même pour les établissements qui offrent une meilleure expérience client que la moyenne, en général, seuls les deux tiers des clients évaluent leur expérience comme excellente.

Pour répondre aux attentes de leurs clients, les organisations de services financiers doivent continuer à relever les défis causés par les données cloisonnées dans l'infrastructure héritée, tout en utilisant simultanément le machine learning, l'intelligence artificielle et les données client à 360 degrés pour passer de la réaction à la prédiction. Pour les entreprises qui y parviennent, les récompenses peuvent être importantes. Selon une analyse McKinsey, les banques de détail américaines classées dans le quartile supérieur pour l'expérience client ont connu une croissance significativement plus élevée des dépôts au cours des trois dernières années par rapport à leurs pairs, grâce à leur capacité à attirer de nouveaux clients et à renforcer les relations avec leurs clients actuels.

Faire en sorte que votre connaissance du client compte grâce au machine learning

L'architecture suivante démontre comment la plateforme de données Oracle est conçue pour aider les entreprises de services financiers à mettre en place des analyses avancées, le machine learning et l'intelligence artificielle à toutes les données disponibles afin de fournir les informations nécessaires pour créer des expériences client personnalisées, instantanées et pertinentes. Cela leur permet de se concentrer sur un engagement proactif, en les aidant à exécuter sans faille chaque point de contact tout au long du cycle de vie du client, de l'ouverture des achats et des comptes à l'intégration, à l'expansion des relations et au traitement de la prestation de services ou des demandes de remboursement auprès de l'assurance

Cette image montre comment utiliser la plateforme de données Oracle pour les services financiers afin de bénéficier d'une vue à 360 degrés des activités des clients. La plateforme comprend les cinq piliers suivants :

1. 1.Sources de données et repérage
2. 2.Connexion, ingestion et transformation
3. 3.Sauvegarde, tri et création
4. 4.Analyses, apprentissage et prévision
5. 5.Mesures Agir

Le pilier « Sources de données et repérage » inclut deux catégories de données.

1. 1. Les enregistrements d'entreprise (données internes) comprennent les transactions par carte de crédit, les dépôts, les retraits, les informations de compte, les données CRM, les données de gestion de cas, les flux d'événements ATM et les données de site.
2. 2. Les données tierces incluent les flux sociaux.

Le pilier « Connexion, ingestion et transformation » comprend quatre fonctionnalités.

1. 1. Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.
2. 2. L'ingestion par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.
3. 3. La capture des données de modification utilise OCI GoldenGate et Oracle Data Integrator.
4. 4. L'ingestion de flux utilise OCI Streaming et Kafka Connect.

Les quatre fonctionnalités se connectent de manière unidirectionnelle à la capacité de stockage/lac de données cloud dans le pilier « Sauvegarde, tri et création ».

De plus, l'ingestion de flux est connectée au traitement de flux au sein du pilier « Analyses, apprentissage et prévision ».

Le pilier « Sauvegarde, tri et création » comprend quatre fonctionnalités.

1. 1. Le dépôt de données de service client 360 utilise Autonomous Data Warehouse et Exadata Cloud Service.
2. 2. Le stockage/lac de données cloud utilise OCI Object Storage.
3. 3. Le traitement par lots utilise OCI Data Flow.
4. 4. La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud/lac de données est connecté de manière unidirectionnelle au dépôt de données de service. Il est également connecté de manière bidirectionnelle au traitement par lots.

Une fonctionnalité se connecte au pilier « Analyses, apprentissage et prévision » : le dépôt de données de service se connecte de manière unidirectionnelle aux fonctions d'analyse et de visualisation, d'IA et de machine learning, et de manière bidirectionnelle à la fonction d'analyse en continu.

Le pilier « Analyses, apprentissage et prévision » comprend quatre fonctionnalités.

1. 1. L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.
2. 2. Les services d'IA utilisent Oracle Digital Assistant, OCI Language, OCI Speech et OCI Vision.
3. 3. Le machine learning utilise OCI Data Science, Auto ML et Oracle Machine Learning Notebooks.
4. 4. Les analyses de flux utilisent OCI GoldenGate Stream Analytics.

Le pilier « Mesures et réactions » comprend trois consommateurs : les tableaux de bord et de rapports, les applications et les modèles de machine learning.

Le tableau de bord et les rapports incluent la segmentation des clients et la valeur vie client.

Les applications englobent des recommandations personnalisées et une analyse de l'attrition.

Les modèles de machine learning comportent l'analyse des sentiments ainsi que l'analyse des ventes croisées et incitatives.

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Il existe trois principales façons d'injecter des données dans une architecture pour permettre aux entreprises de services financiers de créer une vue à 360 degrés de leurs clients.

• Pour lancer notre processus, nous devons inclure nos transactions client. Les données transactionnelles comprennent les dépôts et les retraits ; ces données sont hautement structurées et maîtrisées dans les applications et systèmes bancaires de base ou opérationnels. Ces ensembles de données comprennent souvent d'importants volumes de données souvent sur site. Dans la plupart des cas, l'ingestion par lots après le traitement de la source est généralement la plus efficace. Ces données sont généralement ingérées selon un calendrier spécifique, par exemple toutes les heures à 30 minutes ou tous les jours à 14 h (les périodes sont parfois plus longues que pour les processus complexes).
• Les données clients issues des systèmes de relation client et d'expérience nécessitent généralement peu de transformation ou d'agrégation pendant l'ingestion. Elles peuvent être gérées uniquement via un processus de capture de données de modification pour capturer les modifications apportées aux ensembles de données initialement chargés en masse. D'autres données peuvent provenir de systèmes opérationnels, de clics sur le Web, de flux de réseaux sociaux et de flux de données clients tiers.
• L'ingestion de diffusion en continu permet d'assimiler les données lues à partir d'indicateurs situés dans des succursales via l'IoT, les communications d'une machine à l'autre et d'autres moyens. Les vidéos peuvent également être consommées de cette façon. En outre, dans cet exemple, nous avons l'intention d'analyser et de réagir rapidement aux sentiments des consommateurs en analysant les messages sur les réseaux sociaux, les réponses aux messages internes et les messages de tendance. Les messages/événements de média social (application) seront assimilés avec la possibilité d'effectuer une transformation/agrégation de base avant de stocker les données dans le stockage cloud ou un lac de données. Des analyses de flux supplémentaires peuvent être utilisées pour identifier la corrélation entre des événements et des comportements de consommateurs, et des modèles identifiés peuvent être renvoyés (manuellement) pour qu'OCI Data Science examine les données brutes.

La persistance et le traitement des données reposent sur trois (voire quatre) composants.

• Les données brutes incluses sont sauvegardées dans le stockage cloud. Nous utiliserons OCI Data Flow pour le traitement par lots de ces données transmises en continu désormais persistantes, telles que des tweets (JSON), des emplacements de données, des données de capteurs de balises et des applications, des données de géocartographie et des données de référence de produit. Ces ensembles de données traités sont renvoyés au stockage cloud pour persistance, conservation et analyse ascendantes, et finalement pour chargement sous forme optimisée dans le dépôt de données de service. Selon les préférences en matière d'architecture, vous pouvez également effectuer cette opération avec OCI Big Data Service en tant que cluster Hadoop géré.
• Nous avons créé des jeux de données traités prêts à être rendus persistants sous forme relationnelle optimisée pour le traitement et les performances des requêtes dans le dépôt de données de service. Nous pouvons ainsi recenser et renvoyer les principaux produits et hashtags des consommateurs qui peuvent être affinés avec les données de localisation, d'inventaire et de produit des systèmes d'entreprise.

La capacité d'analyser, d'apprendre et de prévoir repose sur deux technologies.

• Les services d'analyse et de visualisation fournissent des analyses descriptives (description des tendances actuelles avec des histogrammes et des graphiques), des analyses prédictives (prédiction des événements futurs, identification des tendances et détermination de la probabilité de résultats incertains) et des analyses prescriptives (recommandations d'actions appropriées, conduisant à une prise de décision optimale), permettant aux institutions de services financiers de répondre à des questions telles que
  • Notre activité de vente additionnelle correspond-elle aux prévisions des campagnes et l'activité d'engagement client a-t-elle changé en conséquence ?
  • Quels sont les produits qui suscitent le plus d'engagement client ? Quelles sont les différences entre les produits et services les plus vendus d'un service ?
  • Voyons-nous la « fatigue du canal » et, si tel est le cas, cela amène-t-il les clients à se désengager du canal ?
• Outre l'utilisation d'analyses avancées, les modèles de machine learning sont développés, entraînés et déployés. Ces modèles sont accessibles via des API, déployés dans le dépôt de données de service ou intégrés dans le pipeline d'analyses de diffusion en continu OCI GoldenGate.
• Nos règles et politiques de gouvernance peuvent être appliquées à nos données et modèles conservés, testés et de haute qualité, et peuvent être exposées en tant que produit de données (API) au sein d'une architecture de maillage de données à des fins de distribution dans l'ensemble des entreprises de services financiers.

Répondre aux attentes des clients grâce à l'intelligence automatisée

En exploitant toutes les données disponibles tout au long du cycle de vie de chaque client, y compris les données structurées, semi-structurées et non structurées, et en appliquant des analyses big data avancées, le machine learning et l'IA à un enregistrement complet des interactions client précédentes, les entreprises de services financiers peuvent

• Concevoir et proposer des expériences client personnalisées, instantanées et pertinentes.
• Intégrer des données tierces et secondaires pour améliorer l'expérience client et utiliser les analyses pour prédire (et influencer) le comportement des clients.
• Utiliser l'IA pour recommander les actions les plus appropriées à entreprendre, en fournissant des interactions client plus cohérentes et des résultats client affinés.
• Faire évoluer les activités de conseil et de vente, de la réactivité à la proactivité en tirant parti des robots-conseils à la fois pour fournir des outils en libre accès et pour aider les salariés à mieux servir les clients.
• Comprendre l'historique de chaque client, anticiper ses besoins et s'assurer que son expérience, à chaque étape de son parcours, dépasse ses attentes.