- Banque privée
- Gestion Patrimoine
- Data Science
- Customer Analytics
- Account Management
- Fidélité client
Notre client
Notre client, Julius Bär, a lancé au printemps 2018 sa propre start-up de Data Science et son laboratoire d’innovation sous le nom de « Target Insights », dont les objectifs sont d’utiliser plus efficacement les données disponibles – pour améliorer le service à la clientèle, par exemple – et de promouvoir une culture axée sur les données (ou data-driven). En plus de déterminer et de mettre en œuvre des scénarios d’analyse fructueux, un autre objectif clé est de renforcer les connaissances et l’expérience en interne.
Principaux challenges
Dans le secteur de la gestion de patrimoine, les relations avec les clients sont particulièrement complexes. C’est pourquoi une compréhension approfondie de ces relations et un niveau élevé de connaissance des clients sont des facteurs de différenciation importants.
Au début du projet, nous avons dû faire face à deux défis majeurs :
- Le timing : alors que le laboratoire interne de Data Science et d’innovation était encore en phase de création, le premier projet pilote était sur le point d’être implémenté.
- La résistance des utilisateurs : les responsables de comptes étaient sceptiques quant aux données et ne pouvaient pas se contenter de se fier aux résultats des analyses effectuées. Il était important pour eux de savoir comment les résultats étaient constitués et générés.
Notre approche
Pour faire du projet de Data Science de notre client un succès, nous avons :
- impliqué dès le début les personnes en contact avec les clients et les experts des services concernés ;
- sélectionné un scénario d’analyse à valeur ajoutée ;
- effectué des sous-tâches d’acquisition de données, d’exploration, de prétraitement, de développement de modèles, de tests et d’implémentation ;
- formé les responsables de comptes à l’utilisation du système dans le cadre de plusieurs sessions de coaching approfondi.
Bénéfices
- Acceptation des utilisateurs : au moyen d’une composante explicative générée automatiquement, les responsables de compte reçoivent des informations sur chaque ensemble de données spécifiques au client, à partir desquelles l’algorithme de prévision calcule ses recommandations.
- Amélioration continue des modèles : les responsables de comptes du siège zurichois de Julius Bär utilisent régulièrement les recommandations fournis par l’algorithme. Ils participent à l’amélioration de la qualité des modèles de prévision utilisés en faisant des retours sur la pertinence des recommandations d’actions.
L’expérience acquise dans le cadre de ce projet a déjà été utilisée pour créer des modèles de prévision distincts pour d’autres établissements.
Retour client
“De nombreux projets de Data Science restent bloqués au stade pilote parce que les résultats analytiques intermédiaires sont considérés comme un succès. La Data Science 2.0 signifie qu’il faut se concentrer le plus tôt possible sur la mise en œuvre opérationnelle et que la réussite d’un projet ne peut être évaluée que si un système de traitement analytique est utilisé régulièrement.”
Grâce à nos
Auteur
