Comment les banques peuvent utiliser les dernières analyses de texte de l’IA pour améliorer la fidélisation de leurs clients

Par Dan Somers, PDG de Warwick Analytics (www.warwickanalytics.com)

Une grande banque britannique cherchait à améliorer la fidélisation de sa clientèle. Elle utilisait déjà les outils analytiques les plus récents, notamment l’écoute sociale, l’analyse des sentiments et une grande équipe de science des données, mais elle connaissait des limites et ne faisait pas suffisamment de progrès.

La banque était désireuse de trouver plus d’occasions d’améliorer la fidélisation de ses clients et de réduire leurs coûts d’exploitation en acquérant plus d’informations sur les clients. Ils ont également été intéressés de voir quels commentaires en ligne leurs principaux concurrents recevaient.

La banque a invité Warwick Analytics, spécialiste de l’analyse de texte IA, à effectuer des analyses à l’aide de sa plateforme automatisée d’analyse de texte PredicX.

Voici quelques résultats clés de l’analyse :

• 200 millions de livres sterling par an d’atténuation du roulement ont été identifiés grâce aux possibilités opérationnelles
• 240 millions de livres sterling par année d’atténuation du roulement ont été identifiés grâce aux possibilités de CX
• Opportunités d’économie de 20 millions de livres par an grâce à l’automatisation
• Possibilités tactiques permanentes identifiées pour l’efficacité et la propension du marketing

L’ analyse

PredicX a analysé les Tweets associés à la banque et à 23 de leurs concurrents, sur une période de 3 mois.

L’ analyse des sentiments peut présenter des problèmes avec précision, contexte et sentiments multiples. La technologie les surmonte en utilisant les dernières technologies de l’apprentissage automatique et de l’IA pour classer par « concepts » au lieu de « mots-clés ». Le résultat est un modèle hautement ajusté, construit en une seule journée, avec des milliers de classes qui captent les signaux de problèmes, le sentiment des clients et, plus important encore, les intentions des clients.

L’ automatisation est optimisée avec la fonctionnalité « humain-in-the-loop », ce qui signifie qu’elle ne demande l’apport humain que lorsqu’elle a besoin de validation et qu’elle s’entraîne ensuite dans les coulisses.

Principales constatations

L’ analyse automatisée a permis de constater plusieurs possibilités clés d’amélioration et d’économies :

Tout d’abord, les sujets clés de la conversation ont été classés puis répartis en plusieurs catégories de signaux détaillés et statistiquement pertinents. Le service et le service à la clientèle sont apparus comme les sujets les plus courants pour la majorité des banques.

L’ IA a ensuite classé l’intention détaillée des clients d’obtenir une compréhension plus approfondie que l’analyse de sentiment existante était en mesure de fournir. Les banques les plus grandes affichaient le taux de roulement le plus élevé, les challengers et les échelons intermédiaires se sont mieux performés. Les banques de supermarchés avaient généralement un faible taux de roulement, mais un plaidoyer négatif très élevé, représentant une clientèle qui ne sont pas tous satisfaits à 100%, mais beaucoup plus fidèles. En décomposant les causes profondes de l’effraction des clients, il était évident que le service à la clientèle, la fermeture des succursales et des guichets automatiques ainsi que les taux d’intérêt ont tous causé le plus grand ralentiment sur le marché.

Le montant des efforts déployés par les clients à pour mettre en place de nouveaux produits a également été analysée. Les comptes courants, les comptes d’entreprise et les hypothèques sont associés au taux de roulement le plus proportionnel, tandis que les comptes courants et les hypothèques étaient les plus difficiles à mettre en place (les services auxiliaires tels que les comptes d’actions, les services notaires, etc. sont également très négatifs mais très faibles).

Pour les équipes du service à la clientèle, il semblait y avoir des schémas distincts de roulement et de commentaires basés sur l’heure de la journée et le jour de la semaine, indiquant des possibilités de ressourcement du service à la clientèle.

Enfin, la banque a pu obtenir une analyse croisée des marchés qui et quand les clients marchaient avec leurs concurrents. Cela met en évidence les situations où différentes banques sont fortes ou vulnérables et peuvent présenter des opportunités de marketing tactiques, c’est-à-dire cibler des clients potentiels et augmenter la propension au changement.

Conclusion

Un certain nombre de recommandations clés à l’intention de la banque ont été identifiées uniquement par cette analyse :

• On estime que 20 % du taux de roulement est causé par des incidents, ce qui représente un maximum d’opportunités.
• 10% d’amélioration est c. £200m revenus par an composé annuel

Le taux

• de roulement comparable de la catégorie, par exemple à l’échelle nationale, est inférieur de 25 %.
• Potentiellement une opportunité supplémentaire de 10 %, soit environ 200 millions de livres sterling avec des améliorations
• Les services bancaires en ligne et mobiles sont un enjeu clé et provoquent un désordre direct
• Le sentiment est médiocrant. Il ne semble pas corrélation avec le taux de roulement pour le marché
• Les facteurs de roulement sont principalement le service à la clientèle, les fermetures de succursales, les offres marketing,
• taux d’intérêt et problèmes de vulnérabilité
• L’ alerte précoce peut aider à prédire le roulement tactique et intercepter les coloriers probables
• 28 % des Tweets et potentiellement toutes les requêtes non vocales peuvent être automatisés. Cela pourrait être £20m pa économie
• Les services bancaires aux entreprises, les comptes courants et les services auxiliaires ont le taux de roulement le plus élevé,
• et l’assurance le plus négatif plaidoyer

Les

• hypothèques, les comptes courants, les économies et les découverts entraînent le plus d’attrition.
• Opportunité d’améliorer le parcours
• Il existe des modèles distincts et des possibilités de changer la planification des services à la clientèle
• au cours de la semaine et du jour pour réduire le taux de roulement et les coûts

Il est clair de voir comment l’adoption de la dernière machine learning pour l’analyse de texte peut présenter beaucoup plus d’informations, un niveau beaucoup plus profond, que l’analyse traditionnelle des sentiments et l’analyse de texte. Plus significativement, il est en mesure de corréler ces signaux avec des problèmes opérationnels afin de réduire les coûts et d’améliorer la fidélisation des clients.

Grâce aux dernières technologies, ce niveau d’information peut être configuré en quelques jours, livré en temps quasi réel et sans avoir besoin d’un Data Scientist pour maintenir le modèle.