Au-delà des codes MCC : Pourquoi la catégorisation précise des transactions est l’avenir des banques

Les codes de catégories de commerçants (MCC), initialement conçus comme une norme universelle pour la catégorisation des transactions, ont longtemps servi de référence pour la classification des transactions dans le secteur bancaire. Cependant, leurs limites ont créé des défis qui ont un écho dans les opérations bancaires, l'expérience client et les initiatives de durabilité.

Cet article épingle les failles critiques des codes MCC dans les banques modernes, explore leur rôle dans l'analyse et la durabilité, et souligne l'impact transformateur de la catégorisation enrichie sur la gestion financière personnelle (PFM).

Que sont les codes MCC ?

Les codes MCC sont des nombres à quatre chiffres utilisés pour classer les commerçants selon le type de biens ou de services qu'ils offrent. Les processeurs de paiement, les banques et les institutions financières se fient à ces codes pour classer les transactions, suivre les dépenses et évaluer l'activité des commerçants. Alors qu'ils ont été conçus pour simplifier le suivi des transactions, ce système peine aujourd'hui à répondre aux besoins d'une économie axée sur le numérique qui valorise les services personnalisés et les données beaucoup plus précises.

Notre étude précédente a révélé que les codes MCC fournissent souvent une catégorisation trop large, ce qui limite leur utilité pour des informations financières plus approfondies. Si les codes MCC fonctionnent dans les cas où ils sont universellement appliqués chez tous les commerçants, ils ne répondent pas aux exigences d’une gestion financière personnalisée, d’une analyse des risques et d’efforts de durabilité qui sont des piliers clés de la banque numérique moderne.  

Pourquoi les codes MCC ne suffisent pas

Voici les principales raisons pour lesquelles les codes MCC ne sont plus adaptés aux besoins bancaires actuels :

Les MCC sont trop vagues : Les codes MCC classent les transactions sous des étiquettes génériques, comme « Restauration », qui ne fait pas la différence entre les achats occasionnels de café et les expériences culinaires de luxe.

Le saviez-vous ? En comparant une catégorisation strictement basée sur les MCC avec une catégorisation plus complexe, qui tient compte de multiples facteurs, nous avons découvert que seulement 63 % des transactions étaient correctement catégorisées en fonction de leur code MCC.

Les MCC ne correspondent pas à l’intention de l’utilisateur : Les catégories ne reflètent pas l'intention réelle derrière les dépenses des consommateurs (par exemple comment le consommateur paie pour le produit ou le service). Par exemple, les restaurants classiques et les restaurants de luxe sont classés dans la même catégorie, ce qui rend difficile pour les clients de suivre leurs habitudes avec précision. Les paiements récurrents peuvent également ne pas être correctement étiquetés comme un paiement se produisant chaque mois.

Le saviez-vous ? Les abonnements deviennent un mode de paiement courant de nos jours, les clients payant régulièrement pour des supports de toutes sortes. Dans cette optique, l’étiquette abonnement devient obligatoire puisque les MCC ordinaires sont incapables de fournir un contexte important.

Les MCC passent à côté des nuances du comportement des consommateurs : Comme nous l’avons vu avec des catégories comme « Vendeurs de carburant », il n’y a pas de différence entre les stations-service classiques et les bornes de recharge pour véhicules électriques et il manque une donnée importante sur les clients à l’ère des technologies vertes.

Ces points sont détaillés dans notre étude. Si vous souhaitez approfondir la question de savoir pourquoi ces problèmes sont importants, vous pouvez explorer les arguments individuels liés à chacun de ces défauts.

Les systèmes modernes de catégorisation, tels que le framework à quatre niveaux de Tapix, surmontent ces limites en décomposant les données de transaction en plusieurs niveaux :

1. Niveau de catégorie : Groupes généraux (par ex., « Restauration » ou « Vente au détail »). ‍
2. Niveau de sous-catégorie : Distinctions particulières (par ex., « Cafés » ou « Restauration rapide »). ‍
3. Niveau du commerçant : Identification des commerçants en particulier (par ex., « Starbucks »). ‍
4. Niveau d'article : Informations détaillées sur les articles achetés (par ex., « Latte »).

Impact réel des MCC dans les applications bancaires

Passons maintenant des détails techniques des codes MCC ayant des conséquences concrètes pour les utilisateurs et les banques. Voici trois cas d’utilisation clés qui démontrent comment les nuances des codes MCC impactent l’ergonomie des applications bancaires :

Historique des transactions et gestion financière personnelle (PFM)

Pour les utilisateurs qui essaient de gérer efficacement leurs finances, les codes MCC fournissent un aperçu très limité de leurs habitudes de dépenses. Voici un exemple pratique :

MCC standard : Sarah, une jeune étudiante, ouvre son application bancaire et voit ses transactions de restauration classées sous une seule étiquette « Restauration ». Elle ne sait pas si elle dépense trop pour des cafés ou si elle s’adonne trop souvent à des restaurants haut de gamme. Ce manque de précision la laisse perplexe quant à ses habitudes de dépenses et rend la gestion efficace de son budget plus difficile.

‍Catégorisation améliorée : Grâce à l’enrichissement des données des transactions, les transactions de Sarah sont divisées en sous-catégories spécifiques comme « Restauration – Café », « Restauration – Restauration rapide » et « Restauration – Restauration de luxe ». Avec cette clarification, Sarah remarque qu'elle dépense 150 $ par mois en café et 200 $ en cuisine raffinée. Avec cette information en main, elle peut fixer des objectifs réalistes, réduire là ce qu’il faut et se sentir plus en contrôle de ses finances.

Le résultat ? L'utilisateur de l'application se sent plus en contrôle et utilise plus fréquemment la plateforme PFM pour gérer ses finances. Des études indiquent que les consommateurs qui comprennent bien leurs habitudes de dépenses ont tendance à maintenir des soldes de compte plus élevés et à effectuer des transactions par carte plus fréquentes. Neontri explique comment une catégorisation améliorée des transactions affecte la précision et l'efficacité des données, conduisant à une meilleure analyse financière et à des rapports intelligents pour une budgétisation et une gestion financière plus efficaces.  

Analyse : Cote de crédit et comportement du client

Les banques se fient beaucoup aux données de transaction pour évaluer les risques, prendre des décisions de prêt et analyser le comportement des clients. Le fondement de ces processus est le système de catégorisation des transactions en place. Traditionnellement, les banques se sont appuyées sur les codes de catégories de commerçants (MCC) pour catégoriser les paiements, mais ces grandes catégories de haut niveau se révèlent de plus en plus insuffisantes pour une analyse financière efficace.

MCC standard : Lorsque l'on utilise les codes MCC, les habitudes de dépenses peuvent être occultées, ce qui rend plus difficile pour les banques d'évaluer la situation financière réelle d'un client. Une personne qui dépense 2 000 $ en appareils électroniques peut sembler être un emprunteur à haut risque, mais s'il s'agit d'un achat ponctuel qui ne fait pas partie de ses habitudes de dépenses habituelles, la catégorisation du MCC ne reflétera pas cette nuance. Il en résulte soit un score injustement élevé, soit une incapacité à détecter les anomalies pouvant indiquer une détresse financière.

‍

‍Avec une catégorisation améliorée : Grâce à des données plus spécifiques, les banques peuvent développer des cotes de crédit plus personnalisés. Par exemple, une personne qui dépense fréquemment pour « Restauration – Restauration rapide » pourrait être signalée comme étant à risque plus élevé si elle dépense excessivement par rapport à son revenu, alors qu'une personne dont les dépenses se limitent à « Restauration – Restauration de luxe » peut être considérée comme quelqu'un qui a le revenu discrétionnaire pour supporter de telles dépenses. En décomposant plus efficacement les catégories, les banques peuvent tenir compte de nuances dans le comportement des clients qui seraient autrement perdues.

L'historique des transactions brutes n'est pas toujours comme il le paraît. C’est pourquoi les données améliorées offrent aux banques plus d’options pour comprendre le véritable comportement de l’utilisateur et évaluer le risque avec précision. Dans cette optique, atteindre 100 % de couverture est quasiment impossible pour plusieurs raisons :

1. Questions relatives à la vie privée : Certains commerçants occultent intentionnellement leur identité. Par exemple, un paiement sur une plateforme comme Pornhub peut apparaître comme « PH », « HJK78KF2 », ou même « GYM MEMBERSHIP », ce qui rend difficile de déterminer la véritable nature de la transaction.
2. Configurations incorrectes du terminal : Les opérateurs multi-franchises, comme le groupe Alshaya, utilisent les mêmes configurations de terminaux pour plusieurs marques. Cette configuration rend difficile l'attribution précise des transactions à des marques spécifiques.
3. Descriptions imprécises et localisations trompeuses : De nombreux terminaux utilisent des descriptions génériques comme « FAST FOOD », « SHOP BERLIN », ou même « JOHN DOE », en particulier dans des endroits comme les centres commerciaux. Ces vagues étiquettes occultent l'identité réelle du commerçant.
4. Terminaux de faible valeur : Statistiquement, 25 % des terminaux génèrent 99 % des transactions. Enrichir les 75 % restants de terminaux, qui représentent une activité minimale, n'est souvent pas rentable.

Les effets d’entraînement d’une catégorisation renforcée vont au-delà de l’expérience client, influençant directement les indicateurs clés de performance (KPI) des banques. Par exemple :

• Utilisation des fonctionnalités en profondeur : Les utilisateurs qui obtiennent des informations plus claires sur leurs dépenses ont tendance à explorer et à utiliser plus de fonctionnalités des applications bancaires. Une banque peut constater que les utilisateurs qui reçoivent régulièrement avec des informations détaillées sur la catégorisation de leurs achats interagissent avec plus de fonctionnalités dans l'application que ceux qui s'appuient sur des MCC standard, créant ainsi un engagement client plus profond.
• Délai moyen avant la première transaction : Une expérience simplifiée alimentée par une catégorisation plus précise peut réduire le temps nécessaire aux nouveaux utilisateurs pour effectuer leur première transaction. Les temps d'intégration plus rapides se traduisent souvent par une satisfaction et une confiance accrues. Cette règle est assez connue : la simplicité paie.
• Délai d'exécution (TAT):  Une catégorisation améliorée des données améliore l'efficacité opérationnelle en réduisant le temps nécessaire au traitement des transactions ou au règlement des différends. La capacité d’une banque à mener à bien ses processus rapidement et avec précision est un bon indicateur de sa santé opérationnelle.
• Utilisateurs actifs mensuels (MAU) : Des informations détaillées sur les transactions encouragent les utilisateurs à revisiter plus fréquemment les applications bancaires. Un taux de MAU plus élevé reflète une fidélité accrue de la clientèle et un engagement constant, tous deux essentiels pour la croissance à long terme.

Développement durable : Catégorisation de l'empreinte carbone

Alors que les préoccupations environnementales ne cessent de croître, les entreprises – en particulier les institutions financières – sont de plus en plus pressées de soutenir les initiatives en matière de développement durable. L'un des aspects les plus importants de cette démarche est d'aider les consommateurs et les entreprises à comprendre et à suivre leur empreinte carbone. Cela est important non seulement pour respecter les normes réglementaires, mais aussi pour répondre à la demande croissante des consommateurs en produits et services respectueux de l'environnement.

‍Le saviez-vous ? Selon une étude d’EY,61 % des consommateurs estiment avoir besoin de plus d’informations pour faire de meilleurs choix lorsqu’ils font leurs achats de façon durable, soulignant la nécessité de l’éducation et des ressources pour prendre des décisions plus faciles en matière de protection de l’environnement.

MCC standard : Les codes MCC n'ont jamais été conçus dans un souci de développement durable. Ils classent les transactions en fonction des grands types de commerçants, mais ils ne tiennent pas compte de l'impact environnemental des dépenses de consommation. La catégorie « Vendeurs de carburants » ne distingue pas les carburants à fortes émissions des énergies propres, ce qui rend impossible pour les banques de suivre avec précision l’impact environnemental de leurs clients.

‍Avec une catégorisation améliorée : Les banques peuvent dépasser les limites des codes MCC pour offrir une vision plus détaillée et précise de l’impact environnemental de leurs clients. En catégorisant les transactions avec plus de précision, les banques peuvent suivre des types d'achats spécifiques, comme la distinction entre les carburants conventionnels et les sources d'énergie à faibles émissions comme l'électricité pour les véhicules électriques ou les biocarburants renouvelables, ou même différents types de transport.

Les petites et moyennes entreprises (PME) jouent un rôle important dans l'économie mondiale et leur transition vers des pratiques durables est essentielle pour atteindre des objectifs environnementaux plus larges. Cependant, de nombreuses banques, malgré leurs intentions, ont du mal à accompagner efficacement les PME dans cette voie.

L'absence de produits financiers adaptés répondant aux besoins particuliers des PME constitue un obstacle majeur. Bien que les grandes entreprises aient souvent accès à d'importantes options de financement écologique, les PME peuvent avoir du mal à trouver un financement approprié pour leurs initiatives de durabilité. De plus, la complexité et le fardeau administratif des nouvelles règles de déclaration durable peuvent être écrasants pour les petites entreprises, ce qui pourrait ralentir leurs progrès vers des pratiques plus écologiques.  

D’autre part, les budgets limités, le manque d'expertise et les contraintes opérationnelles rendent souvent difficile l'adoption de pratiques écologiques efficaces par les PME. Les banques elles-mêmes peuvent jouer un rôle crucial en fournissant non seulement un soutien financier, mais aussi de l'éducation et des ressources pour aider les PME à s'y retrouver dans les complexités de la durabilité.

Le résultat ? En adoptant une catégorisation renforcée et en développant des stratégies de soutien sur mesure, les banques peuvent aligner leur offre sur les initiatives de financement durable, ouvrant ainsi de nouvelles opportunités pour soutenir les clients et les PME écoresponsables. Cette approche répond aux exigences réglementaires et des consommateurs tout en faisant évoluer les entreprises vers une économie plus durable, au bénéfice de toutes les parties prenantes concernées.

Prêt à en savoir plus ?
‍Découvrez comment Tapix peut transformer vos données de transaction.

Le futur : Une meilleure catégorisation sans frais supplémentaires

La portées des codes MCC est limitée, mais des solutions comme la catégorisation améliorée de Tapix offrent une approche beaucoup plus précise et exploitable. Et le meilleur ? Ces solutions n'entraînent aucun coût supplémentaire pour les banques tout en fournissant un ensemble de points de données beaucoup plus riche qui peut être utilisé dans une variété de cas d'utilisation, de la détection de fraude et de notation de crédit à la durabilité et aux outils de PFM.

Pour plus de détails sur les avantages que ces solutions peuvent apporter à votre banque, consultez les offres de Tapix.