CONSEILLERS BANCAIRES, ET SI L’IA ÉTAIT VOTRE PROCHAIN COLLÈGUE?
Décembre 2018 – Lecture 8 minutes
Nos banques françaises illustrent parfaitement ces faits. Qui a déjà réellement ouvert un compte en banque en quelques clics ? Qui a eu un accord de prêt immobilier en moins de 48h ? En effet, contraintes par des SI lourds et complexes et des procédures sécuritaires et règlementaires strictes, elles peinent à proposer des expériences fluides et sans coutures. Mais cela, c’était avant que l’IA n’arrive à la rescousse du conseiller !
Le secteur bancaire : une digitalisation partielle
Le « tout » digital a rattrapé les banques traditionnelles qui se retrouvent dans un écosystème plus compétitif. Le paysage bancaire a considérablement changé ces dernières années puisqu’il a vu plusieurs vagues d’acteurs frapper à la porte : banque en ligne (Boursorama, BforBank, Hello Bank…), fintech (Lydia, Leetchi…), néo-banques (Revolut, N26…) ou encore des acteurs initialement non bancaires (Orange Bank). Ces nouveaux entrants ont accéléré la transformation des banques traditionnelles qui n’ont pas eu d’autre choix que de s’adapter (parcours client simplifiés, nouveaux moyens de paiements, rapidité de traitement des demandes…).
Dans leurs transformations, les banques ont bien mesuré l’importance de l’accessibilité aux services et produits. Elles ont lancé des projets pour rénover les expériences clients lors des entrées en relation : ouvertures de compte courant, de compte épargne et d’assurance vie, ou bien de demande de crédit.
La digitalisation bancaire reste cantonnée au site web ou à l’app mobile : le traitement en back-office reste souvent long et aléatoire, pour ne pas dire archaïque.
Digitalisés en façade, les processus de souscription restent, le plus souvent, lourds pour toutes les banques, qu’elles soient en ligne ou traditionnelles. En effet, chaque nouvelle demande client nécessite des pièces administratives justifiant l’identité, le domicile, les revenus…
Ces procédures sont très aléatoires en matière de délai : une ouverture de compte en 4 jours pour les banques les plus réactives à plus de 15 jours pour les plus longues ; et les délais de demande de crédit sont eux, encore bien plus longs et opaques.
Dans ce domaine, les banques en ligne – malgré l’image que l’on en a et qu’elles entretiennent – ne sont guère plus rapides et ont des processus internes similaires aux banques traditionnelles. Ceci s’explique à la fois par le fait que la règlementation bancaire est stricte et que les banques souhaitent prendre le temps de vérifications, souvent manuelles, pour réduire les risques.
Des difficultés à tenir les belles promesses…
Le traitement des pièces justificatives fait partie du quotidien du conseiller bancaire. Cette action demande au conseiller une lecture, une compréhension et une re-saisie informatique des données client avant de statuer sur l’acceptation ou non de la demande formulée. C’est un travail méticuleux auquel s’ajoute une étape primordiale qui consiste à s’assurer de l’authenticité et de la conformité du dossier afin de prévenir toute fraude.
Fortement manuel, l’enchainement de ces mêmes tâches pour chaque demande est chronophage et sans transparence. Le client n’a pas de visibilité sur l’avancée de son dossier. L’absence éventuelle de certaines pièces ajoute un délai supplémentaire dû à un enchainement d’allers-retours, qui augmente l’impatience et la frustration, tant côté conseiller que côté client. Et que dire quand la réponse attendue est … négative.
Vous l’aurez compris – ou peut-être même vécu – le risque de frustration est, ici, très grand.
L’heure de la transformation a sonné !
- Le RPA (Robotic Process Automation) permet d’automatiser l’ensemble ou une partie du processus et des différentes actions du conseiller. Très simple, cela consiste à parcourir un arbre de décision et d’enchaîner des actions en fonction des critères et données en entrée, réalisant ainsi des séries de tâches pré-paramétrées.
- L’OCR (Optical Character Recognition) est une solution de numérisation et de retranscription textuelle de documents. Quel que soit le format d’un document (papier, scan, image, pdf…), chaque mot, chaque lettre et chaque chiffre seront retranscrits.
- L’IA (Intelligence Artificielle) via l’analyse sémantique et/ou l’analyse d’images apporte une valeur de compréhension et livre les informations d’analyse nécessaires pour les prises de décisions tout au long du processus.
L’IA ne va pas changer notre monde … enfin si, mais pas toute seule
L’automatisation des process est sous-tendue par le RPA. L’OCR transforme les données textes en données numériques. L’IA collecte les données dans les documents numérisés qui vont être utilisées pour déclencher le bon processus!
ANALYSE D’IMAGE. Ces solutions étudient les formes graphiques d’un document. La première étape est de reconnaitre le type de pièce, ce qui permet d’identifier les zones dans lesquelles l’information est contenue grâce à un zoning préalablement établi sur le document. Une fois, la zone identifiée, l’OCR entre en jeu pour extraire numériquement la donnée textuelle contenue dans la zone.
Le pré-requis est donc d’avoir des documents normés et sur lesquelles des zoning et algorithmes de reconnaissance peuvent être définis.
Au-delà de la captation de données, ces solutions d’analyse d’image sont très efficaces pour détecter la fraude sur la falsification de pièces justificatives car ils sont entraînés à reconnaître des modèles graphiques très précis. Ainsi, toute modification, même minime, d’un document (police, emplacement, espacement, spécimen, couleur…) est mise en évidence.
Prenons l’exemple d’une carte d’identité à analyser. Première étape : il s’agit d’appliquer des méthodes de Machine Learning (un très grand nombre de pièces est étudié) pour entraîner les algorithmes à reconnaitre qu’il s’agit d’une pièce d’identité. Seconde étape : identifier les zones d’informations classiques de la pièce en extrayant une partie de son contenu (nom, prénom, date de naissance, MRZ…). Après des tests et entraînements itératifs, la solution sera en mesure de reconnaitre toute nouvelle carte d’identité et d’en extraire l’information souhaitée.
Et nos convictions dans tout cela ?
- Les modèles de reconnaissance d’image sont plus précis s’ils sont établis et entrainés sur un volume important de données. La mise à disposition d’un nombre important de documents et de formats de documents est indispensable.
- Des solutions performantes basées sur le zoning savent à présent reconnaître des documents standards. Leur implémentation dans un SI bancaire est à envisager.
- Ces solutions sont en outre pertinentes pour détecter la fraude sur la falsification de pièces justificatives.
ANALYSE SEMANTIQUE. Les solutions sont par nature complètement différentes de l’analyseur d’image : elles analysent le texte d’un document et doivent extraire des données par une « compréhension » du langage naturel et une mise en contexte (exemple célèbre : comprendre que dans un texte en anglais le mot Apple parle de l’entreprise plutôt que du fruit).
Deux approches technologiques existent : le moteur de règles et le Machine Learning.
Le moteur de règles adopte une approche purement linguistique et identifie des patterns (modèles) de données qui seront ensuite reconnus dans un document. Si nous prenons l’exemple de la reconnaissance d’une adresse postale, nous apprenons à la solution qu’une adresse est composée d’un numéro suivi du mot « rue » ou « boulevard » ou « avenue » etc. puis d’un nom. Une fois ce pattern appris et entrainé, la solution sera en mesure de reconnaitre et d’extraire une adresse postale contenue dans un document.
Le machine learning (ML pour les intimes) est basé sur une approche statistique. Elle consiste à entrainer des algorithmes à reconnaître des données qui sont sémantiquement proches (même structure et similarité syntaxique…). L’indexation de ces dernières permettra de les valoriser (indiquer si c’est un nom, une adresse ou une date de naissance). Cela nécessite un apprentissage profond réalisé par phases itératives.
En synthèse, l’approche par moteur de règles permettra de fiabiliser rapidement une solution mais nécessite un travail amont long et fastidieux d’identification de l’ensemble des patterns à reconnaître. À l’inverse, la méthode de Machine Learning nécessite un jeu de données très important et un temps relativement long pour réaliser un apprentissage fiable mais elle offre une reconnaissance plus fine et plus proche du langage naturel (pas toujours normé sous forme de pattern).
En ce qui concerne la détection de la fraude, des contrôles via des croisements de données peuvent facilement être opérés, soit au sein même d’un dossier ou plus encore via des services tiers (open API).
Et nos convictions dans tout cela ?
- Pas de surprise c’est de l’IA, donc il faut collecter un nombre important de documents et de formats de documents.
- Opter pour un OCR de qualité. L’OCR est garant de la bonne retranscription des documents. Sa qualité est indispensable pour pouvoir, par la suite, extraire les données exactes grâce à l’analyse sémantique
- Choisir un analyseur sémantique basé sur du Machine Learning dès lors que les pièces ne sont pas « normés ». Même si le ML nécessite beaucoup de données en entrée, la programmation d’un réseau de neurones est plus rapide, mobilise moins d’experts métier que dans le cas des moteurs de règles et il est possible d’étendre le champ d’apprentissage à moindre coût.
Finies les lenteurs administratives ! Accélérez vos processus !
Les technologies sont aujourd’hui matures et permettent de mettre en œuvre une automatisation partielle ou complète de processus de traitement de demandes avec pièces justificatives. Néanmoins seules, elles ne résolvent pas les problèmes si elles sont mises en œuvre sans réflexion préalable.
La priorité est avant toute chose le conseiller. Avant de penser technologie, il faut repenser leurs parcours, identifier les irritants, les pertes de temps, les tâches répétitives et celles sans valeur ajoutée. Et c’est seulement après cela, que les solutions appropriées doivent être mises en œuvre, qu’elles soient basées sur de l’Intelligence Artificielle ou sur de simples algorithmes.
C’est la garantie de construire une solution adaptée au quotidien du conseiller et lui offrir une expérience fluide et efficace. Par répercussion, le client profite d’un service plus satisfaisant et plus rapide, y compris pour des processus complexes qui nécessitent une interaction avec sa banque.
Finalement, ces changements transforment le rôle du conseiller bancaire et par ricochet la relation client. Déchargé des tâches répétitives et sans valeur ajoutée, le conseiller retrouve son rôle d’expert bancaire et permet, également, de répondre plus rapidement aux attentes de ses clients. Ainsi, l’amélioration et l’automatisation des processus opérationnels permettent d’apporter de la flexibilité et de la valeur dans la relation client.
En d’autres termes, c’est un alignement des promesses pour un jeu conseiller-client gagnant-gagnant!
