De la contrainte réglementaire à l’avantage concurrentiel

kyc-machine-learning

L’inflation réglementaire et la volumétrie des données constituent de nouveaux enjeux pour les banques de détail. En effet, ces dernières voient leur processus de collecte d’informations client, qualification des risques ou encore de détection de crimes financiers s’alourdir au détriment de l’expérience client.

Si à première vue la contrainte réglementaire apparaît comme un frein à la création de valeur, elle pourrait rapidement devenir un avantage concurrentiel pour les enseignes qui sauraient s’y conformer en se transformant notamment grâce aux RegTech (Regulatory Technology).

Tour d’horizon des possibilités et gains à tirer de la mise en conformité.

L’automatisation d’une partie des opérations de collecte, mise à jour et sécurisation des données génèrent des gains de productivité

Lorsqu’un particulier ou une entreprise souhaite ouvrir un compte, des nombreux justificatifs lui sont demandés afin de prouver son identité et ses activités. Les opérations de collecte et vérification de ces pièces sont fastidieuses et n’offrent que peu de valeur ajoutée lors des interactions avec le client.

Des RegTech offrent des possibilités d’accélération de ces opérations :

  • En centralisant et sécurisant les données collectées grâce à l’utilisation de la blockchain. En effet, la création d’un pool de donnée garantit le management de la volumétrie et des sources et réduit le nombre d’aller-retour entre parties prenantes.
  • En automatisant la validation des justificatifs, la vérification des informations fournies et l’enrichissement avec des donnés externes (informations accessibles grâce au numéro de SIREN par exemple).
    • Cette automatisation peut se faire grâce aux solutions de Machine Learning* capables de lire des documents et valider l’authenticité d’une pièce (reconnaissance optique, analyse de la police des caractères et des éléments spécifiques comme les 2D-Code utilisés chez EDF). Ces solutions permettent également de croiser des données structurées ou non structurées pour assurer la cohérence globale du dossier.
    • De plus, l’intégration de méthodes d’appariement probabiliste (probabilistic matching) permet d’identifier et fusionner les doublons sur un même dossier et de détecter d’éventuelles tentatives de fraudes sur des dossiers distincts.
    • Par ailleurs la capacité de croiser des données en temps réel permet de mettre à jour les indicateurs de risques.

L’automatisation de ces étapes permet de combiner une puissance de gestion des informations et une mise à jour instantanée dégageant ainsi du temps aux conseillers et équipes commerciales pour approfondir la relation client.

Les données récoltées et agrégées constituent un atout marketing

Le recours au Machine Learning pour les opérations KYC (Know Your Customer) offre une vision client 360 enrichie en temps réel et affine la qualification des prospects (lead scoring) et l’identification des besoins clients.

La stratégie marketing évolue alors passant de la segmentation à l’hyperpersonnalisation et répond à un enjeux client crucial puisque 44% des consommateurs français passent à la concurrence chaque année (1), 69% souhaitent que l’entreprise se rappelle des échanges passés et 67% se disent sensibles à des offres faites en fonctions de leurs préférences (2).

Forte de l’ensemble des informations collectées et agrégées l’équipe marketing sera à même d’adresser un contenu pertinent et personnalisé via le canal le plus adapté lors de ses campagnes emailing.

De même, les conseillers et équipes commerciales peuvent offrir un niveau supérieur de conseil et de personnalisation de leurs offres afin de mieux accompagner leurs clients : offres promotionnelles, co-construction de démarche projet en anticipant l’appétence risque..

La réponse aux contraintes réglementaires apportée par les RegTech permet de consolider les profils clients et d’augmenter le volume des ventes grâce à la personnalisation de 19% en moyenne (3).

Les RegTech permettent de combler non seulement le manque à gagner marketing mais aussi celui généré par la fraude et le blanchiment (3.500 milliards de dollars par an au niveau mondial en 2013).

La puissance de traitement de l’information accélère la détection des crimes financiers

L’implémentation d’une solution d’intelligence artificielle/Machine Learning adresse aussi les problématiques d’identification des crimes financiers.

En effet, le Machine Learning ne s’appuie pas sur des règles (rule based) mais sur un modèle évolutif basé sur les informations et opérations clients (pattern based). Cela permet ainsi de faire apparaître la récurrence des liens entre certains acteurs, sociétés ou bénéficiaires invisibles dans le dossier client.

L’analyse des échanges en temps réel – une centaine d’opérations analysées à la seconde – facilite le screening, la remontée d’alerte et la détection d’opérations de blanchiment (schtroumphage, faux procès, endossement, prêt adossé).

*Le Machine Learning est un type d’intelligence artificielle qui repose sur l’apprentissage d’un modèle statistique permettant de générer une analyse prédictive.

(1) Source Accenture
(2) Podium relation client, TNS KANTAR, 2018 TNS Kantar
(3) The realities of Online Personnalisation, Ecoconsultancy 2013

Auteur: Marie Bisson

Partager cet article :