Banques: augmenter les dépots grâce à l'IA

Comment les banques et les coopératives de crédit peuvent augmenter leurs dépôts grâce à l'IA L'acquisition de dépôts est coûteuse et frustrante. Plus d'un quart des nouvelles relations de dépôt ont disparu en un an. Les progrès des logiciels d'intelligence artificielle ont permis aux institutions financières communautaires de l'utiliser pour stimuler l'acquisition, les ventes croisées et la rétention. Mais ils doivent d'abord comprendre ce qui est nécessaire pour l'appliquer. L'IA n'est toujours pas «plug and play». La concurrence pour les dépôts d'institutions géantes, d'une part, et les fintechs agressives, d'autre part, ont mis les institutions financières communautaires traditionnelles sur la défensive. Tant les grandes banques que les startups ont pu capitaliser sur des campagnes très ciblées guidées par des outils d'intelligence artificielle. Ces efforts basés sur l'IA peuvent générer des résultats positifs sans nécessairement nécessiter le paiement de taux élevés. N'importe qui peut payer des dépôts, mais cet argent reste rarement en l'absence d'une autre raison ou relation. Et la dépense n'est généralement pas soutenable pour les institutions avec des réseaux d'agences à coût élevé. Les banques communautaires et les coopératives de crédit peuvent désormais prendre une page du manuel des fintechs et améliorer l'efficacité et la rentabilité de leurs efforts d'acquisition et de conservation des dépôts. La plupart des fintechs ne construisent pas elles-mêmes des modèles d'IA, observe Keith Henkel, fondateur et PDG de FI Works. Ils achètent généralement des applications dotées de processus de modélisation de l'IA intégrés. Les institutions financières communautaires peuvent faire de même. Henkel prévient toutefois de ne pas avoir l'idée que les banques et les coopératives de crédit peuvent simplement acheter l'IA sur étagère et commencer à l'appliquer. Il faut des compétences particulières, la technologie et la préparation des données pour le faire fonctionner, même lorsqu'il est intégré au CRM ou à d'autres applications marketing. Il est également peu probable que cela fonctionne pour les institutions qui ont trop peu d'interactions avec les clients pour remplir correctement les modèles. Plus vous avez de données, mieux vous êtes dans le jeu de l'intelligence artificielle », a déclaré Henkel lors d'un webinaire parrainé par The Financial Brand. Avec ces réalités notées, les banques communautaires et les coopératives de crédit n'ont vraiment pas d'autre choix que d'envisager une plus grande utilisation de l'IA. Les dépôts sont la pierre angulaire des institutions bancaires et le coût d'acquisition a grimpé en flèche ces dernières années, les institutions faisant des offres de dépôts avec des incitations de 200 $ à 300 $ ou même plus selon le produit. Malgré de telles incitations, rien ne garantit que l'institution acquiert les bonnes personnes, observe Henkel. Le taux d'attrition moyen des nouveaux comptes après six à 12 mois est de 28%, dit-il, et peut atteindre 35%. De plus, 65% des clients acquéreurs de dépôts se révèlent être des ménages à service unique, en moyenne. Toutes ces choses peuvent être attaquées avec un bon plan stratégique soutenu par l'analyse et l'intelligence artificielle », déclare Henkel. (contenu sponsorisé) (CONTENU SPONSORISÉ) L'apprentissage automatique est l'endroit idéal pour l'IA pour la plupart des institutions financières Avant de présenter plusieurs exemples spécifiques de la façon dont l'IA peut aider les institutions financières communautaires, Henkel a évoqué la confusion qui rend le sujet difficile pour de nombreux cadres bancaires. L'IA est un terme générique qui peut signifier beaucoup de choses différentes, dit-il. Les gens associent souvent l'IA à des haut-parleurs intelligents comme Echo d'Amazon ou Google Home, ou à des voitures autonomes. Ce sont en fait des utilisations sophistiquées de l'IA, mais à l'autre extrémité du spectre se trouvent l'analyse des données et l'analyse prédictive, qui ne sont en réalité que l'application des mathématiques et des statistiques utilisées depuis longtemps dans le secteur bancaire par les émetteurs de cartes de crédit et les grandes institutions financières. Dans l'ensemble », explique Henkel, pensez à l'intelligence artificielle comme un ensemble de technologies qui apprennent les modèles à partir des données.» Logiciel de segmentation simple, analyse prédictive, exploration de données, automatisation de processus robotique, apprentissage automatique et apprentissage en profondeur sont tous des termes qui relèvent de l'IA. "En utilisant les scores du modèle de l'IA au lieu de la segmentation classique basée sur l'âge, les banques et les coopératives de crédit utilisent la science pour déterminer ce dont quelqu'un pourrait avoir besoin par rapport à simplement lancer des offres." L'apprentissage automatique (ML), qui utilise des algorithmes avancés combinés à une puissance de calcul accrue, est actuellement le plus pertinent pour les applications bancaires, explique Henkel. Avec l'intégration du ML dans les applications CRM, les banques et les coopératives de crédit peuvent commencer à cibler les individus sur la base des scores du modèle d'IA au lieu d'une segmentation classique basée sur l'âge. Fondamentalement », explique Henkel, vous utilisez la science pour déterminer ce dont quelqu'un pourrait avoir besoin par rapport à simplement lancer des offres, ce qui arrive trop souvent.» Lire la suite: Tactiques d'engagement client à l'ère de la banque pandémique Alors que l'exigence de distanciation sociale pour les banques et les coopératives de crédit est désormais une réalité, elles sont poussées à répondre à la demande croissante de solutions numériques. Jeudi 23 avril à 14h HNE Saisissez votre adresse e-mail professionnelle Comment mettre l'IA au service des petites et moyennes institutions Le succès des modèles d'IA dépend dans une large mesure de la bonne question à poser et de la poser sous une forme à laquelle le modèle peut répondre, explique Henkel. Le processus commence par un responsable du commerce de détail ou du marketing qui comprend le problème commercial. Cela pourrait simplement être: Comment pouvons-nous vendre plus de produits de dépôt à des clients qui n'ont qu'un CD? À partir de là, l'institution a besoin d'une personne possédant les connaissances et les compétences nécessaires pour utiliser les modèles d'IA, pour commencer à créer des questions plus spécifiques à modéliser et à rassembler les données nécessaires pour alimenter le modèle. Si une banque ou une coopérative de crédit veut savoir quels produits et services ses clients sont les plus susceptibles d'acheter, dit Henkel, elle peut construire un modèle autour de ses clients existants en posant la question: quel ménage est susceptible d'ajouter le produit X au cours des prochains six mois en fonction des clients qui l'ont ajouté au cours des six derniers mois? » Ce que vous faites essentiellement, c'est essayer de faire correspondre le segment de clients qui n'ont pas le produit avec ceux qui l'ont ajouté récemment », explique Henkel. Ce processus est souvent appelé modélisation similaire », note-t-il. À la fin du processus, les institutions financières se retrouvent avec un score, rachat de crédit La Réunion qui est appliqué à chaque individu dont les données sont dans le modèle. La prochaine étape consiste à réfléchir à la façon de déployer ces informations - comment cibler des ménages spécifiques pour des actions de marketing. Les bonnes données sont vitales pour l'intelligence artificielle Tout cela nécessite qu'une banque ou une coopérative de crédit ait deux choses: 1. les bonnes compétences pour non seulement mettre en place les bonnes questions pour le modèle, mais déployer les résultats, et 2. de très bonnes données. 80% à 90% des efforts pour utiliser l'IA comme celle-ci consistent à rassembler les données », observe Henkel. C'est un défi, ajoute-t-il, car toutes les institutions financières ont des silos de données et des composants de système de base différents, ce qui entrave l'utilisation efficace des données. De plus, il est souvent nécessaire d'améliorer les données dont vous disposez en interne avec des données externes, notamment en ce qui concerne les campagnes d'acquisition auprès des prospects. Enfin, dit Henkel, un œil humain qualifié doit examiner les données pour être sûr qu'un modèle peut les comprendre - à la recherche de tout ce qui ne semble pas correct. «Des données propres sont essentielles. Ne commencez même pas si vous ne l'avez pas. C'est là que de nombreux projets d'IA échouent. » Lire la suite: Exemples d'acquisition, de vente croisée et de conservation Si tout cela semble être beaucoup de travail, rappelez-vous que les grandes banques et les fintechs sont déjà bien en avance sur la plupart des institutions financières communautaires dans l'utilisation de l'IA, ce qui ne fera qu'augmenter leur avantage concurrentiel. Mais tout aussi important, l'utilisation des scores d'apprentissage automatique pour l'acquisition de clients, la vente croisée et la rétention peut être très rentable. Dans un cas cité par Henkel, une banque de 4 milliards de dollars a utilisé un score généré par l'IA comme base pour proposer différentes offres de produits à différents ménages. La banque a utilisé le publipostage, mais elle a également demandé à des banquiers de succursales individuelles d'appeler des personnes qui avaient des scores plus élevés pour essayer de conclure l'affaire. La campagne a généré 25 millions de dollars de nouveaux dépôts, selon Henkel. Pour convertir les prospects en nouveaux clients, la même banque a utilisé l'IA pour l'aider à identifier les caractéristiques clés de ses meilleurs clients, puis à établir des scores parmi les prospects indiquant des caractéristiques similaires. Ici, l'institution a dû utiliser des données tierces pour que les prospects les notent. Cette campagne a généré 50 millions de dollars en nouveaux CD et comptes du marché monétaire. Améliorer la fidélisation de la clientèle est un défi analytique plus difficile car une banque ou une coopérative de crédit étudie les données historiques des transactions, note Henkel. Une institution avec laquelle il a travaillé a examiné les comptes-chèques fermés, notant ceux qui avaient reçu des dépôts réguliers et ceux qui ont montré un arrêt régulier des dépôts. L'idée était de pouvoir prédire les comptes actifs risquant de fermer. Le timing est tout, note Henkel. Vous recherchez des personnes avec des scores à un point où vous pouvez toujours être en face de leur décision de partir. » Dans le cas qu'il a décrit, l'institution a constaté une baisse de l'attrition d'environ 23% en utilisant la notation basée sur l'IA. Tout cela doit être intégré à vos processus marketing », pour que l'IA réussisse, déclare Henkel. Chaque institution doit comprendre comment obtenir les scores entre les mains de son personnel de vente afin que lorsqu'un client entre dans une succursale ou appelle au téléphone ou par chat, le banquier de détail soit armé de réponses et de données pour aider à convertir un contact en plus qu'une simple réponse à une question.