Projets

RCI Bank (groupe Renault) améliore sa vision client avec le Machine Learning

Jean-Charles Gemin (à droite), chef de programme Big Data chez RCI Bank & Services, a présenté hier 4 cas d'usage de machine learning. A ses côtés, Eric Delfosse, directeur des ventes Analytics chez Oracle France. (crédit : LMI/MG)

Pour obtenir une vision consolidée des produits et services détenus par ses clients, RCI Bank & Services - l'activité bancaire du groupe Renault - a accéléré l'agrégation de ses données grâce à l'apprentissage machine. Les solutions analytiques d'Oracle lui permettent également de classifier les verbatims de ses clients, d'améliorer son scoring et de répondre plus vite aux milliers d'emails reçus chaque jour.

PublicitéEn 2016, RCI Bank & Services - l'activité financière de Renault (avec Dacia et Renault Samsung Motors) - a financé l'acquisition de plus de 1,5 millions de véhicules avec une présence dans 36 pays. Pour mieux connaître ses clients à travers l'analyse des données collectées, dont beaucoup sont non structurées - à l'instar des contacts établis via les centres d'appels ou par mail - la banque s'est appuyée sur des solutions analytiques exploitant des technologies d'apprentissage machine. Jean-Charles Gemin, chef de programme Big Data chez RCI Bank & Services, a présenté hier plusieurs des cas d'usage mis en place. Il est intervenu sur l'événement Oracle Analytics organisé au stade U Arena de Nanterre, recouvert en ce 6 février 2018 d'un épais manteau neigeux.

Jusqu'à présent, la banque du groupe Renault ne disposait pas d'une vue consolidée des produits et services (financement direct, location, épargne...) détenus par ses clients. Son projet de vision à 360 degrés consistait donc à la créer afin de pouvoir assurer un meilleur suivi, améliorer le ciblage des actions et pouvoir réaliser des analyses sur l'ensemble des données associées à chaque client. Les fonctions de machine learning apportées par les outils analytiques d'Oracle sont d'abord utilisées pour réaliser le regroupement des données et la déduplication. L'apprentissage s'appuie sur les actions effectuées par les data stewards qui, à travers les interfaces proposées, interviennent pour décider de l'ajout ou du retrait de telles ou telles données, ou de privilégier certaines sources. « Nous avons des algorithmes de duplication et de merge qui sont auto-apprenants, qui se mettent à jour en temps réel et qui s'enrichissent », a expliqué hier Jean-Charles Gemin.

Classification des verbatims clients, optimisation du storing

Un deuxième cas d'usage recourt à l'analyse textuelle pour la classification des verbatims clients, importante dans le monde bancaire. Tous les trois mois, à partir d'enquêtes téléphoniques, des réactions sont collectées auprès de 10 000 clients à travers 15 filiales de RCI Bank & Services. « L'objectif est de pouvoir analyser ces verbatims et de comprendre les exceptions, les causes de mécontentement », a exposé le chef de programme Big Data de la banque. « Dans les premières phases, nous avons fait une sous-traitance et une classification humaine de tous ces textes. C'était extrêmement long et fastidieux et cela allait un peu à l'encontre de nos envies de rapidité et d'industrialisation », a-t-il relaté. Après deux vagues réalisées ainsi, RCI a collecté ces classifications qui ont été réparties en une soixantaine d'axes indiquant, par exemple, que le client a trouvé le service rapide et puissant, ou bien qu'il était mécontent, ou encore qu'il a trouvé les taux de crédit trop élevés, etc. « A partir de la 3ème vague, ce sont nos algorithmes d'advanced analytics tournant sur Oracle qui nous permettent dorénavant de faire ces classifications de façon automatique », a indiqué Jean-Charles Gemin.

Publicité Chez RCI Bank & Services, l'apprentissage machine est également utilisé pour l'amélioration du scoring. La financière du groupe Renault fait du scoring et du datamining depuis 25 ans dans les domaines du risque, de l'octroi de crédits et du recouvrement, rappelle son chef de programme Big Data. « Le machine learning nous aide à améliorer notablement les performances de ces algorithmes », souligne-t-il. A cela s'ajoute l'enrichissement des données. La banque travaille par exemple en ce moment sur un score portant sur les toutes petites entreprises en France sur lesquelles il existe très peu de données. Les algorithmes analytiques n'étaient donc pas très performants. Après avoir enrichi ces données avec des informations récupérées sur Internet et sur les réseaux sociaux, les gains obtenus sont assez importants, constate le chef de programme Big Data. Historiquement, les modèles de scoring utilisés sont en régression logistique avec des tests de Wald et des performances qui se réduisent régulièrement. « Avec le machine learning, l'objectif était de faire en sorte que les modèles soient toujours mis à jour en temps réel pour que la performance ne chute pas », a pointé hier Jean-Charles Gemin en citant en exemple « tous les mois, nos modèles d'octroi sont revus pour garder la performance optimale ».

Des milliers d'e-mails à traiter par jour

Un dernier cas d'usage est mis en place, de nouveau sur du text analytics. « Encore une fois, nous sommes dans l'optimisation de process et dans l'analyse d'e-mails », a exposé Jean-Charles Gemin en insistant sur l'importance de cette application compte-tenu du nombre d'emails reçus chaque jour. A titre d'exemple, il cite le nombre de courriels reçus chaque mois par la filiale italienne de RCI Bank, de l'ordre de 35 000 à 40 000. « Nous avons constaté depuis un ou deux mois que la proportion entre les emails et le téléphone s'était inversée. Nous avons maintenant plus d'emails que d'appels ». Or, un courriel exige à peu près trois fois plus de temps de traitement qu'un appel. Le recours à l'analyse de texte permet de déterminer s'il s'agit de réclamations ou de demandes, et de déterminer la nature de ces demandes. S'agit-il d'un changement de RIB ou d'adresse, par exemple. L'information est extraite, comparée aux bases de données, mise à jour en temps réel. Un mail de réponse est ensuite constitué et envoyé au client. Une réponse plus rapide permet d'augmenter la satisfaction et de réduire les risques d'attrition.

RCI Bank disposait déjà des infrastructures pour mettre en oeuvre ces projets. « Le fait d'avoir des machines à disposition a accéléré ces étapes », a reconnu le chef de programme Big Data en n'omettant pas non plus l'accompagnement d'Oracle pour franchir les étapes techniques les plus complexes.