FR
Vous n'avez pas envie de lire ? Écoutez la version audio en anglais.
Avec la technologie qui progresse lentement, les données commencent à êtreau cœur de chaque transaction, décision et stratégie au sein de la banque.Qu’il s’agisse de recommander des produits financiers aux utilisateurs oud’automatiser les processus décisionnels, les banques s’appuient sur lesdonnées pour comprendre leurs clients et offrir une expérience transparente.
Mais que se passe-t-il lorsque les données sont inexactes?
Le coût est bienplus élevé que vous ne le pensez. Et cela vaut le double pour la banquenumérique, où l’inexactitude des données peut gravement compromettre lepotentiel de croissance et d’engagement de la banque envers ses clients.
Imaginez que la banque numérique fonctionne avec des suppositions. Sansdonnées précises, chaque recommandation, chaque interaction devient un coupdans le vide. Plus la banque est numériquement native, plus elle dépend dedonnées propres et précises pour fonctionner efficacement. De la catégorisationdes transactions à l'analyse du comportement des utilisateurs, la précisioncompte. Il ne s’agit pas seulement de stocker d’énormes quantités de données ;il s’agit de savoir à quel point ces données sont précises et comment ellesinforment tout, des services à la clientèle aux opérations de backend.
Un domaine clé où les inexactitudes des données font fréquemment surfaceest l'historique des transactions. Par exemple, les transactions mal classéesconduisent souvent les clients à mal interpréter leurs habitudes de dépenses.Une banque peut étiqueter un achat de 150 € dans une épicerie locale comme unedépense de restaurant simplement parce que le processeur de paiement ducommerçant utilise un code de catégorie de commerçant (MCC) obsolète.
Cette inexactitude frustre les utilisateurs, qui initient desrétrofacturations parce que les détails incomplets de la transaction leslaissent confus, les conduisant à signaler des achats qu’ils ne reconnaissenttout simplement pas. Ce processus engendre également des coûts opérationnelssupplémentaires pour les banques, car la gestion des rétrofacturations peutexiger beaucoup de ressources et de temps. Cette question a même attirél'attention de Mastercard, qui a introduit il y a quelque temps un mandat visanten partie à améliorer la qualité des données de transaction afin de réduire cesincidents. Avec les applications de banque numérique prospères sur l'engagementclient, ces erreurs apparemment petites ont de grandes implications.
À plus grande échelle, l’inexactitude limite directement la capacité d’unebanque à exploiter les données pour augmenter ses revenus. Imaginez la puissancede données de transaction précises associées à des modèles basés sur l'IA quipeuvent faire des offres sur mesure. Les banques peuvent vendre des produitsfinanciers, vendre des services croisés ou offrir des conseils pertinents. Maisles données précises sont à la base de tout cela. Des données inexactesentraînent des recommandations erronées, des occasions manquées et une pertepotentielle de la confiance des clients.
Comprendre le comportement des clients est essentiel pour établir laconfiance et stimuler l'engagement. La différence entre une banque quitravaille avec des données enrichies et une banque qui traite des informationsbrutes et non traitées est la différence entre une précision adaptée et desinformations génériques et obsolètes. Les données brutes et non enrichies necomprennent généralement que les détails les plus élémentaires de latransaction : date, montant et description cryptique du commerçant, souventassociés à un code de catégorie de commerçant (MCC) obsolète ou incorrect. Enrevanche, les données de transaction enrichies offrent une vue plus complète,précise et conviviale. Grâce à l'enrichissement, les données brutes sonttransformées en informations détaillées et catégorisées qui clarifientl'historique des transactions. Ce processus consiste à nettoyer et à enrichirles dossiers avec des noms de commerçants pertinents, des emplacements précis,des logos, une catégorisation précise et bien plus encore.
Grâce à l’amélioration des profils financiers de leurs clients, les banquespeuvent offrir des services tels que la notation de crédit basée sur des données plusintelligentes, offrant une image plus précise de la santé financière du client.Plutôt que de se contenter d’évaluer les transactions passées d’un utilisateur,les profils enrichis tiennent compte de modèles comportementaux etdémographiques plus larges. Cela permet aux banques de peaufiner les offres decrédit, en veillant à fournir le bon produit à la bonne personne au bonmoment.
Voyez comment les données non enrichies peuvent montrer un style de viecomplètement différent par rapport à des informations enrichies et précises surl'historique des paiements et les habitudes de dépenses du client.
Examinons plusieurs scénarios spécifiques où l’inexactitude des donnéespeut avoir des conséquences négatives pour les banques :
Les campagnes croisées sont un outil puissant pour les banques, leurpermettant de proposer des produits complémentaires aux clients existants. Parexemple, un utilisateur avec un volume élevé de transactions dans le voyagepourrait être le candidat idéal pour une carte de crédit de voyage. Certainescampagnes ciblées peuvent avoir un meilleur taux de conversion. Cependant,lorsque les banques se fient à des données inexactes, ces campagnes échouent.Imaginez un utilisateur qui magasine principalement dans des magasins locaux,mais qui est mal classé parmi les acheteurs internationaux.
Il reçoit soudain des offres non pertinentes pour une assurance voyageinternationale ou des services de change, ce qui entraîne frustration etdésengagement. La plateforme Dateio montre comment, lorsqu’elles sontbien réalisées, des campagnes ciblées basées sur des données de transactionpeuvent augmenter l’engagement et générer des taux de conversion plus élevés.Mais la condition préalable est la précision des données.
Qu'est-ce que ça veut dire ?
Imaginez que vous ayez 3millions d'utilisateurs. Vérifions le tableau pourvoir comment les données exactes influent sur le résultat !
Chaque campagne ciblée devrait concerner 12 % des utilisateurs, soit 360000 personnes. Cependant, avec des données précises, vous constateriez que lacampagne est réellement pertinente pour 14 % des utilisateurs, soit 420 000personnes. Si le taux de conversion de la campagne est de 5 %, alors pour lapertinence initiale de 12 %, 18 000 utilisateurs se convertiraient. Avec 14 %de pertinence, 21 000 utilisateurs se convertiraient. Si votre chiffred'affaires par utilisateur est de 1 €, les 3 000 conversions supplémentaires àpartir de données précises entraîneraient 3 000 € de revenus supplémentaires.Des données inexactes, en revanche, signifieraient une occasion manquée pources revenus supplémentaires.
Les chatbots IA gèrent de plus en plus une grande partie des interactionsavec les clients. Cependant, sans données de qualité pour alimenter cesmodèles, l'ensemble du système est à peu près inutile. Les chatbots ont besoind'informations et d'un contexte clients précis pour fournir des solutionssignificatives. Si les données sont inexactes, les clients peuvent être dirigésvers des FAQ non pertinentes ou recevoir des recommandations défectueuses, cequi nuit à la confiance dans le service. Comme le souligne notre article surles chatbots IA, l’IA a besoin d’un flux constantde données précises pour fonctionner de manière optimale. Sans lui,l'efficacité et l'efficience de ces outils d'IA sont réduites.
Qu’est-ce que cela signifie : Les chatbots IA comptentbeaucoup sur des données précises pour fournir une assistance pertinente.Imaginez que votre banque serve 500 000 utilisateurs par mois via un chatbot,et que 20 % de ces interactions soient affectées négativement par des donnéesinexactes, conduisant à 100 000 interactions insatisfaisantes. Si chaqueinteraction infructueuse représente un risque de désintéressement ou de pertede confiance évalué à 0,50 € par interaction, le coût total des donnéesinexactes dans les interactions avec les chatbots pourrait atteindre 50 000 €par mois. En utilisant des données enrichies et précises, les banques peuventréduire considérablement ces coûts et améliorer la satisfaction de leursclients.
Tout est question de détails maintenant, donc les banques offrent auxclients des informations sur la façon dont leurs dépenses affectentl'environnement. Par exemple, une empreinte carbone. Ces initiatives permettentaux utilisateurs de prendre des décisions plus écoresponsables. Cependant,lorsque les données qui sous-tendent ces informations sont inexactes, la valeurde ces services diminue. Les bonnes informations sur l'empreinte carbone sont basées sur des données enrichies,permettant aux utilisateurs de voir un reflet précis de leur impactenvironnemental. Des données précises rendent ces efforts de durabilitésignificatifs et crédibles.
Modèle vitrine - Basésur le modèle général de l'UE. Exemple de 50 € dépensés. Par exemple, une transaction de 50 € dans le cadre d’un MCC « transport »général pourrait indiquer une estimation élevée des émissions de carbone,peut-être autour de 49,8 kg d’eCO2. Cependant, lorsque les donnéessont enrichies pour préciser le commerçant et le type de transaction, l'impactenvironnemental réel devient plus clair. Ces 50 € pourraient être dépensés pourune série de modes de transport : une visite d’une station de ski avecseulement 5,6 kg de CO2e, un trajet en bus à 25,5 kg de CO2e,ou un trajet en vélo en libre-service, qui ajoute seulement 2,3 kg de CO2e.Cet infime détail permet aux utilisateurs de mieux comprendre l'impactécologique de leurs choix de dépenses en soulignant, par exemple, la différencesignificative entre le vélo et le taxi.
Les données brutes sur les transactions sont souvent désordonnées,incomplètes et difficiles à interpréter. Avant même de commencer à vous soucierde la précision, vous devez vous assurer que les données sont utilisables.C'est là que l'enrichissement des données entre en jeu. Les données amélioréesoffrent une clarté, un contexte et une précision qui font défaut aux donnéesbrutes. En traitant et catégorisant les historiques de paiement, les banques peuvent construire uneimage beaucoup plus claire du comportement des clients
Grâce à des historiques de transactions enrichis, les banques peuventoffrir aux utilisateurs des informations financières complètes, éliminant laconfusion et les conjectures que les données brutes apportent souvent. L'openbanking amplifie encore cette situation en connectant divers flux de données,mais là encore, la clé pour exploiter ces possibilités est de s'assurer que lesdonnées sont propres et précises.
En fin de compte, des données inexactes coûtent aux banques non seulementen termes de perte de revenus, mais aussi de perte de confiance etd'engagement. Tirer parti de données enrichies garantit que vos servicesbancaires numériques répondent aux attentes des consommateurs modernes tout enpermettant aux technologies de pointe comme l'IA de fonctionner à leur pleinpotentiel.
.webp)
Michal Maliarov
Senior insider
