IA Quantique | Quantum AI

Pionnières de l’analytique par l’importante quantité de données disponibles et par les enjeux financiers sous-jacents, les entreprises du secteur bancaire et de l'assurance s’interrogent encore sur la véritable valeur ajoutée de l’intelligence artificielle (IA) dans leurs processus décisionnels. L’intelligence artificielle est un ensemble de théories et de techniques visant à doter les machines de capacités d’apprentissage et de raisonnement, analogues en certains points à celles des humains. Or le machine learning, c'est-à-dire l'apprentissage automatique, et le traitement du langage naturel (NLP), les deux composantes principales de l’intelligence artificielle, sont a priori particulièrement adaptés à la valorisation des données et à l’automatisation de certains processus métiers du secteur bancaire (?).  1. Périmètre de l'intelligence artificielle (source : Saagie) Résumer des amas complexes de données Le machine learning revêt un double intérêt. Il p

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, p

Mouvement majeur au sein de la transition énergétique, le développement des Smart grids et du Big Data se traduit aujourd’hui de manière concrète pour le consommateur par le déploiement de matériel Machine-to-Machine, au travers de compteurs communicants tels que Linky pour l'électricité et Gazpar pour le gaz naturel. Ces smart meters captent et transfèrent un nombre important de données, qui peuvent présenter un caractère personnel. En effet, la granularité fine des données telles que la consommation d'énergie permet parfois – via des statistiques et des algorithmes – d'identifier la situation et les habitudes de vie des consommateurs : horaires, comportements, etc. Si la sensibilité au caractère privé d’une donnée est fortement déterminée par des facteurs politico-sociologiques, elle est aussi dépendante d’une relation de confiance mutuelle entre parties prenantes. Actuellement, il émerge une prise de conscience à l’échelle européenne et française de l’importance de la s

La différenciation sur un marché de commodités tel que la fourniture d'électricité ou de gaz est complexe et nécessite une segmentation marketing fine. Or, les segmentations des principaux fournisseurs de gaz et d'électricité sont aujourd’hui comparables, voire identiques, traduisant la difficulté qu'ont ces groupes à se différencier. Cependant, l'arrivée des compteurs communicants tel que Linky, dont le déploiement officiel a démarré le 1er décembre 2015, couplée à la démocratisation et sophistication des techniques d'analyse de données – connue sous l'appellation de data science – pourrait bien changer la donne. Avec ces futures données, transmises presque en flux continu et en temps réel, les fournisseurs pourront faire évoluer leur segmentation et leur ciblage. La question n'est pas uniquement de savoir quelle offre proposer… mais aussi de savoir à qui la proposer. Panorama des macro-segmentations chez les fournisseurs d'électricité Il est d&#