Les bouleversements du marché des services financiers des dernières années à travers  notamment l’arrivée de nouveaux entrants (Fintech, GAFA, etc.) ont incité les acteurs de ce secteur à réévaluer la compétitivité de leur modèle opérationnel. De plus, l’évolution des besoins et des attentes de la clientèle (rapidité, instantanéité et disponibilité) a déclenché une course à l’automatisation chez ces acteurs. En effet, afin d’optimiser les coûts tout en améliorant la performance, l’objectif de ces entreprises est d’automatiser leurs processus.

Dans cette optique, la RPA (robotic process automation) a montré son importance dans l’automatisation des tâches répétitives [1]. Celle-ci est une solution d’intégration de type IHM (Interface Homme-Machine) qui est considérée comme une alternative aux autres solutions d’intégrations (transferts de fichiers, messages, services, etc.). Au sein de certaines fonctions (comptabilité, achat, compliance, etc.), elle permet de réduire les coûts, jusqu’à 80 % [2], en robotisant les tâches manuelles à faible valeur ajoutée, de diminuer les risques d’erreur en minimisant les interventions humaines et d’optimiser l’utilisation des ressources humaines (jusqu’à 90 % d’économie de temps [2]) en réorientant les collaborateurs vers des tâches à forte valeur ajoutée.

Cependant, cette solution tactique est contraignante pour l’évolution globale des systèmes d’information (fortes adhérences entre applicatifs, dette technique, etc.). Il convient de prendre en compte ces limitations et de considérer d’autres technologies plus performantes. L’intelligence artificielle (IA) va au-delà des limites de la RPA et offre la possibilité d’automatiser des tâches à plus haute valeur ajoutée grâce à ses différentes fonctions (machine learning, natural language processing, etc.).

Évaluation du risque pour les acteurs du marché financier

L’IA permet aux assurances de trier et d’analyser un volume important de données collectées sur les différents points de contact avec leurs clients. Notamment à l’aide de nouvelles technologies comme les bracelets et d’autres capteurs individuels (IoT : Internet of Things / objets connectés), la collecte permanente de données en temps réel apporte aux assureurs une compréhension complète des comportements de leurs assurés [3]. De cette manière, il est plus aisé pour ces acteurs de mesurer les risques associés à l’activité et de proposer des produits adaptés.

Les banques se tournent également vers des nouvelles sources de données, notamment les échanges téléphoniques et l’utilisation des réseaux sociaux afin d’obtenir une évaluation plus précise de la solvabilité de leurs clients pour améliorer la rentabilité des prêts [3]. À l’aide de l’exploitation de ces données, l’IA permet une évaluation du risque de crédit plus rapide et moins coûteuse et rend les évaluations de prêts de qualité accessible à un plus grand nombre de personnes.

Certaines FinTech développent également une approche algorithmique permettant d’utiliser l’analyse des données non-classiques pour fournir des cotes de crédit. Par conséquent, il devient possible de mesurer avec une précision accrue la solvabilité d’un plus grand nombre de clients.
Lenddo est une Fintech qui illustre ce type de pratique : en traitant des données non-traditionnelles provenant des réseaux sociaux (identité, historique d’employeurs, etc.) et des opérateurs téléphoniques, elle évalue la solvabilité des consommateurs des marchés qui ne bénéficient pas ou peu de services bancaires. Dans ce contexte, Lenddo met sa technologie à disposition des banques ainsi qu’à d’autres acteurs souhaitant accorder des crédits aux consommateurs [4].

L’IA a également montré son importance dans le trading. A l’aide du big data et du machine learning (ML), les traders sont désormais capables de mieux gérer leurs risques d’activité. En effet, grâce aux algorithmes de calcul de plus en plus efficaces, précis et rapides, l’IA est susceptible de trouver la meilleure stratégie.

La capacité prédictive de l’IA aide également à anticiper des changements peu prévisibles dans le comportement du marché. Les hedge funds, par exemple, exploitent les capacités prédictives de l’IA afin d’identifier de nouvelles tendances sur les marchés et définir la prochaine carte à jouer.
De plus, certains hedge funds, à l’instar d’Aidiya, ont complètement automatisé leurs processus par l’IA qui réalise les transactions en toute autonomie sur les marchés financiers [3].

Réglementation du marché et lutte contre les activités criminelles

Dans le cadre des réglementations plus strictes, les banques et assurances sont confrontées aux lourdes amendes en cas de non-conformité. Selon Thomson Reuters, la complexité des processus de contrôle de compliance a coûté plus de 10 milliards de dollars aux banques depuis 2013 [5]. Par conséquent, il devient nécessaire de mettre en place un système de conformité réglementaire efficace. En utilisant l’IA, les banques et assurances peuvent accéder plus facilement à une base complète d’informations réglementaires centrée sur les services financiers et ainsi avoir la capacité de rechercher et suivre le contenu réglementaire en temps réel. Ceci leur permet une adaptation plus efficace aux évolutions réglementaires du marché.

Ces réglementations (KYC, LCB-FT, etc.) ont pour objectif de permettre aux acteurs des services financiers de lutter contre des activités criminelles de plus en plus sophistiquées. Selon les Nations Unies, moins d’1% des flux illicites sont gelés ou saisis et jusqu’à 5 % du PIB mondial représente des transactions de blanchiment d’argent [3]. Ces chiffres montrent qu’un développement d’algorithmes capables d’analyser des volumes de données importants en temps réel est primordial. Ces algorithmes doivent être en mesure de nous alerter sur les transactions frauduleuses ou soupçonnées illicites permettant ainsi de réduire un nombre de réclamations encore trop important.

Dans un premier temps, la détection de fraude était basée sur des paramètres prédéterminés. Dans ce contexte, le système rejette toute transaction correspondant à des critères précis (ex: création de compte dans un maximum des dernières 24 heures, territoire à haut risque, la demande de transaction dépasse 1000 dollars). Cependant, ce type de détection est facilement contourné par les criminels qui sont capables de créer des milliers de comptes en utilisant des robots afin d’identifier les limites du système [4].

Comparé à une détection de fraude basée sur des règles prédéterminées, le Machine Learning permet aux IA de s’adapter et d’apprendre du comportement frauduleux afin de l’identifier. Par exemple, Mastercard a développé Decision Intelligence qui prend des décisions en temps réel fondées sur les données et adaptées selon le compte à vérifier. Avec des seuils d’alertes et de refus définis, cette IA est capable de détecter les comportements d’achat anormaux afin d’éviter les vols et les réclamations de transactions frauduleuses [3]. Paypal utilise également l’IA pour analyser le comportement individuel de paiement de ses clients afin de le comparer aux modèles de fraude identifiés. Par conséquent, l’IA arrive à identifier les transactions frauduleuses et à bloquer celles-ci. Grâce à la fonction Machine Learning, l’IA est également susceptible d’identifier de nouveaux modèles de fraude. Les contrôles sont effectués en temps réel et, grâce à l’efficacité du système, le taux de transactions frauduleuses de PayPal n’est que de 0,32%, bien en dessous de la moyenne du secteur qui s’élève à 1,32% [4].

Automatisation des fonctions conseil à la clientèle

Avec une évolution forte de la quantité des données clients collectée, les banques peuvent maintenant proposer des assistants virtuels et chatbots capables d’offrir de meilleures réponses aux besoins des clients avec des analyses rapides et prédictives. De plus, grâce au Machine Learning et en capitalisant sur les feedbacks, ils proposent des conseils personnalisés et un accompagnement individualisé aux clients et soulagent ainsi les conseillers qui peuvent se focaliser sur d’autres tâches. C’est ainsi tout à la fois l’expérience client et collaborateur qui sont améliorées.

Wavestone a notamment contribué à la mise en place d’un chatbot pour Orange Bank afin que celle-ci réponde d’une façon instantanée et sans interruption aux demandes et interrogations des clients. Dans ce cadre, Bank of America a également lancé son assistant virtuel Erica en 2017 [4]. Il permet, grâce à ces fonctionnalités prédictives, d’alerter les utilisateurs de potentielles problématiques de gestion de compte et de leur proposer des conseils pour mieux les gérer.

En général, la mise en place de ces assistants virtuels et chatbots a permis de réduire la charge des collaborateurs avec une baisse des volumes de chats et d’appels de -40 % [4]. L’automatisation de la plupart des tâches répétitives sans véritable valeur ajoutée pour le client va permettre aux collaborateurs de se concentrer sur l’enchantement client pour booster la fidélisation et in fine augmenter les revenus.

Automatisation et données privées – quelles conséquences pour le consommateur ?

L’automatisation intelligente est un atout indispensable pour les acteurs du secteur financier afin de s’adapter aux nouveaux besoins du marché.  Cependant, le manque de transparence sur le fonctionnement des algorithmes utilisés – notamment dans l’évaluation du risque de crédit – conduit les clients à s’interroger sur l’utilisation de leurs données personnelles. De plus, certaines zones grises posent également des soupçons de discriminations cachées.

Néanmoins, les problématiques liées à l’automatisation ainsi qu’à la collecte des données personnelles sont aujourd’hui arrivées au sein du débat public – notamment suite aux scandales Facebook des dernières années (le cas Cambridge Analytica et diverses fuites de données utilisateurs). Avec l’entrée en vigueur du nouveau règlement européen RGPD, le 25 Mai 2018, les banques et assurances doivent fixer dans leurs conditions générales de vente les finalités d’utilisation de ces données personnelles et obtenir le consentement pour chacune [6].

Sources:

[1] SARNO, A: “12 INNOVATIVE USE CASES FOR RPA IN FINANCE & ACCOUNTING”, 2018

[2] ACCENTURE: “ROBOTICS PROCESS AUTOMATION”, 2018

[3] MINDTITAN: “ARTIFICIAL INTELLIGENCE IN FINANCE AND BANKING, 2018”

[4] MARKETLINE: “THE FUTURE OF ARTIFICIAL INTELLIGENCE IN BANKING, 2017”

[5] VERGEOT, A: “ROBOTIC PROCESS AUTOMATION : QUELS IMPACTS POUR LES ENTREPRISES ? ”, Panthéon-Sorbonne, Paris, 2017

[6] DERMANE, Y: “RGPD : QUE PEUT-ON ENVISAGER APRÈS UN AN DE CHANTIER ? ”, 2018