Les Smart Data dans les banques et assurances

-
Avec les taux d’intérêt à des niveaux très bas, la sécurisation du PNB (produit net bancaire) et la recherche d’une meilleure rentabilité client sont devenues les priorités des banques et assurances. Les données sont un levier important pour améliorer la connaissance client et accroître l’efficacité opérationnelle. En particulier, l’anticipation de certains événements (sinistres ou moments de vie tels qu’un déménagement, une naissance d’enfant, un départ à la retraite) sont des opportunités essentielles pour proposer de nouveaux services et ainsi développer les cross-selling (Ventes croisées / Offres complémentaires) et up-selling (Montée en gamme).

Un autre phénomène intimement lié capte l’attention de nombreuses entreprises du secteur : l’attrition client. Traduisant le comportement d’un client qui quitte sa banque / son assurance, l’attrition est un phénomène complexe présentant des causes très diverses, comme :
  • Des causes sociodémographiques : situation sociale, maritale, professionnelle
  • Des causes psychographiques : valeurs, style de vie
  • L’apparition d’un « moments de vie » : achats de voiture ou de logement, mariage…
  • Le sentiment d’indifférence voire d’insatisfaction à l’égard des services souscrits ou de la relation client-entreprise.
La réalité est complexe car l’attrition est généralement due à la conjonction de plusieurs facteurs simultanés. Comprendre les critères qui amènent les clients à devenir des churners peut s’effectuer au moyen de deux approches complémentaires. L’étape préalable étant de définir, pour les clients actuels, ceux qui font preuve d’attrition (ce qui suppose avoir une définition claire de ce qu’est l’attrition en termes de mesure), et d’avoir un échantillon d’apprentissage avec des variables nettoyées et enrichies.

La première approche, non supervisée, consisterait à effectuer une segmentation du groupe des churners de la base. Cette segmentation commence généralement par une réduction dimensionnelle (visant à réduire le nombre de variables à manipuler) faite au moyen d’ACP (Analyse en Composantes Principales : analyse factorielle utilisée lorsque les variables sont numériques) ou d’ACM (Analyse des Correspondances Multiples : analyse factorielle utilisée lorsque les variables sont catégorielles) suivie des techniques de partitionnement (ex : K-Means, cartes de Kohonen) et/ou de regroupement hiérarchique (ex : CAH Classification Ascendante Hiérarchique). On fait ainsi émerger un certain nombre de clusters (ou segments) qui définissent les grandes typologies de churners, et que l’on caractérise pour les rendre plus opérationnels.

En complément de cette approche, on procède usuellement à des techniques de scoring (supervisé) à l’échelle individuelle. Grâce aux technologies actuelles, on confronte les traditionnelles méthodes de régression logistique et analyse discriminante à des techniques plus précises comme les random forests ou le gradient boosting. Il convient néanmoins de veiller à la répartition de la base d’apprentissage en termes de churners / non-churners. En cas de trop fort déséquilibre, on peut précéder ces modèles par une one-class SVM visant à écarter les grandes masses de non-churners pour rééquilibrer la base.

Tous ces modèles, théorisés il y a de nombreuses années, voient enfin leur mise en pratique concrète grâce à la multiplicité des sources de données clients et la puissance des frameworks exécutant les algorithmes.

A. Augey


Posts les plus consultés de ce blog

Quantum AI - Part 2 - The dice have been cast!

-
Image
Previously, in the Quantum AI column, we have seen that quantum computing would theoretically enable some complex machine learning algorithms to be executed in a “reasonable” time (less than several years…). But what is so different about quantum computers compared to today’s computers? The purpose of this article is not to go into theoretical details but to simply illustrate – as faithfully as possible – the fundamental differences between classical and quantum computers, especially with a quantum algorithm example. Understanding the bit concept with the coin analogy To understand why calculations are potentially much faster in a quantum computer, let’s recall the general functioning of conventional computers. They use bits to code information and are made of electronic circuits so that, when the current flows through the circuit, the bit is worth 1, otherwise the bit is worth 0. You can also consider the electrical voltage rather than the current, the approach will remain the...
Lire la suite

Quantum AI - Part 3 - The rise of the AIs

-
Image
Previously, in the Quantum AI column, we have seen that quantum computing would theoretically be able to significantly increase the execution speed of some Machine Learning algorithms. This is due to the phenomena at the core of such computers (like states superposition, qubits entanglement, superposed states decoherence, immediate wave function collapse) that enable parallel calculations by storing several (superposed) information within a single particle. By considerably speeding up algorithmic processing, quantum will make AI solve new problems. Some people go even further and say it could enable the design of an artificial brain as efficient as that of humans, especially able to integrate abstract concepts such as consciousness and feelings. The question that then arises is whether quantum AI would be more likely to become “strong AI” (artificial general intelligence)… First of all, what is human intelligence? Before looking at the complementarities between quantum and strong ...
Lire la suite

IA Quantique - Partie 4 - Le rôle clé du DataOps

-
Image
Cet article est le quatrième d’une chronique sur l’IA quantique. Précédemment, on a pu voir que : Partie 1 : l’informatique quantique permettra d’accélérer sensiblement l’exécution de certains algorithmes de machine learning et de traitements cryptographiques ; Partie 2 : les phénomènes quantiques (superposition et intrication) responsables de la parallélisation intrinsèque des calculs ne peuvent être exploités que pendant une très courte période dans des conditions d’isolation strictes (problème de décohérence) ; Partie 3 : malgré toutes ses promesses, l’IA quantique ne sera probablement pas en mesure de donner naissance à une conscience artificielle ou une prétendue IA forte ; Dans ce nouveau chapitre, je souhaite vous partager mon point de vue sur la mise en oeuvre théorique d’un dispositif quantique de production en entreprise. Cela peut par exemple être un processus décisionnel (BI) ou de machine learning reposant sur une infrastructure composée à la fois de machines c...
Lire la suite