80 % des données sont généralement considérées comme des données non structurées et ne sont pas utilisées pour la prise de décision. Découvrez les quatre informations qui vous échappent si vous n'utilisez pas ces 80 % de données.
Les banques et les prestataires de services financiers se sont lancés dans la digitalisation en investissant massivement dans les systèmes bancaires et la transformation digitale. En tant que propriétaires de ces plateformes de plus en plus numérisées, ils ont réalisé le potentiel de l'information, précieuse mais inexploitée, que leurs systèmes ont accumulée au fil du temps. Dans l'article suivant, les auteurs expliquent pourquoi il est essentiel que les banques commencent à exploiter les données non structurées et où trouver de potentiels domaines d'application.
Il est courant dans les banques (et dans d'autres industries) que l'analyse commerciale soit effectuée à l'aide d'outils et de systèmes conventionnels (c.-à-d. des bases de données relationnelles) pour traiter toute forme de données structurées. Toutefois, la grande majorité des données recueillies ne sont ni utilisées ni utilisables car elles ne sont pas structurées et sont dispersées à travers l’entreprise. Par conséquent, on estime que plus de 80% des données ne peuvent pas servir de base à la compréhension des affaires ou à la prise de décisions1. Cependant, l'attitude envers les données non structurées a commencé à changer. Les banques réfléchissent à la façon dont elles peuvent combiner leur transformation digitale et l'analyse de données pour en tirer pleinement parti dans le cadre de leurs activités. Cela ne peut se faire qu'en incluant dans l'analyse les données les plus pertinentes.
Les actualités, les réseaux sociaux, les systèmes CRM, les rapports financiers, les notes d'appel, les échanges d’emails, communiqués de presse, et de nombreuses autres sources font partie des ensembles inexploités de données non structurées. En les intégrant, la prise de décision conventionnelle passera à un niveau supérieur, la prise de décision ultra-informée.
Des recherches traditionnelles par mots clés, aux informations contextuelles en temps réel
Il n'y a pas si longtemps encore, le monde des données structurées et celui des données non structurées étaient plus ou moins séparés. En fait, seul le premier a été directement utile pour les analyses automatisées ou semi-automatisées. Par conséquent, le second ne fait traditionnellement pas partie du processus décisionnel des entreprises.
Les données structurées reposent sur des champs définis par des types de données, des restrictions d'entrée et d'autres paramètres assignés. Il est facile de les saisir, d’y accéder et de les analyser. La technologie et les systèmes permettant de manipuler des données structurées existent depuis plusieurs décennies.
En revanche, les données non structurées proviennent d'un éventail beaucoup plus large de sources[1] qui sont généralement constituées de texte mais peuvent également contenir des nombres. Il en résulte des irrégularités et des ambiguïtés qui rendent l'utilisation des programmes traditionnels plus difficile pour en extraire de l’information utile.
Dans leur quête d’informations basées sur des données non structurées, les entreprises sont généralement confrontées à une série de défis :
- Les données non structurées ne sont pas atteignables par les moteurs de recherche d'entreprise traditionnels.
- Les technologies traditionnelles de recherche par mots-clés n'ont qu'une valeur limitée car elles exigent que l'utilisateur sache exactement ce qu'il recherche et qu'il utilise les bons mots-clés pour le trouver.
- Trop de temps est consacré à des recherches inefficaces et imprécises.
- Divers systèmes d’entreprises et plateformes CRM sont utilisés, ce qui signifie que les données structurées et non structurées sont dispersées à travers l’entreprise.
Utiliser les capacités des Fintechs pour traiter les données volumineuses (non structurées) devient de plus en plus populaire à mesure que les API se développent et permettent le transfert des données vers un système cognitif. Cela signifie qu'une institution financière n'a pas nécessairement besoin d'avoir une expertise interne en matière d'intelligence artificielle, ni que tous ses systèmes soient parfaitement intégrés.
La recherche cognitive représente une nouvelle génération qui utilise des algorithmes sophistiqués pour augmenter la pertinence des résultats. La nature des recherches passe d’une pertinence fondée sur les occurrences de mots clés à la compréhension de l'intention des utilisateurs en observant les comportements et en détectant les schémas afin de retourner des informations pertinentes[1]. Structurer des données et y rechercher des relations peut apporter une valeur commerciale supplémentaire considérable. De plus, il est possible de créer de la valeur en utilisant des outils analytiques intelligents en combinaison avec l'apprentissage machine. Entrainer ces algorithmes avec l'expertise précieuse des analystes peut changer la donne et permettre à une banque de se différencier et mener à des décisions d'investissement encore plus avisées. Les outils permettant d'exploiter le potentiel complet des données existent déjà.
Pourtant, les banques et les sociétés de services financiers ne sont pas reconnues pour leur capacité à adopter de nouvelles technologies. Il existe un conservatisme inhérent aux institutions financières, qui a pour conséquence de rendre le changement difficile et de lier les organisations à leur infrastructure existante, rendant les investissements dans les nouvelles technologies encore plus difficiles. Cette situation a conduit de nombreuses banques à travailler sans les informations et les connaissances qui pourraient être disponibles si elles adoptaient certains des outils les plus récents et les plus innovants disponibles.
Ce qui leur manque est important. Par exemple, les solutions de filtrage et de tableaux de bord permettent la génération d’informations condensées à partir de diverses sources, ce qui donne la possibilité aux utilisateurs de se plonger dans les données et de les explorer. Les utilisateurs obtiennent une vue à 360 degrés de la situation, ses causes, les actions à entreprendre par la suite et les personnes qui devraient être impliquées dans le processus.
Examinons quelques cas d'utilisation pour voir si les solutions existantes sont suffisamment matures pour que les banques puissent exploiter la richesse des données non structurées.
Trouver les cas d’applications
L'adoption d'une approche basée sur les données peut révolutionner un large éventail de secteurs d'activités et de fonctions, des unités de vente en contact avec les clients jusqu'à l'idéation et la création de transactions sur les marchés financiers, en passant par la gestion des services informatiques et la manière dont les risques sont gérés dans les portefeuilles de crédit ou dont les clients font l'objet de vérifications dans le cadre des processus KYC.
Le défi principal des solutions CRM est d'obtenir une vue centralisée d'un client à partir de toutes les sources de données accessibles. Pourtant, la plupart des systèmes CRM ne fonctionnent qu'avec des données structurées. Les nouveaux outils des Fintechs, qui s'appuient sur des techniques de recherche cognitive, sont capables d'intégrer des données non structurées et du contenu tiers avec des données internes pour consolider en temps réel les informations du client. Ils ajoutent une structure à ces données pour fournir une compréhension complète des activités des clients et détecter de potentielles opportunités. Ils peuvent présenter l'information dans des tableaux de bord ou même l'intégrer dans un système CRM. Cela permet à l'utilisateur – le vendeur ou le chargé de clientèle – d'avoir une compréhension intime des marchés et des clients en temps réel et d'automatiser la recherche numérique afin qu'il puisse consacrer plus de temps à la présentation d’opportunités pertinentes et sur mesure aux clients.
Dans toute entreprise axée sur les relations d'affaires, être conscient des problèmes du client et bien les comprendre est un avantage certain pour un chargé de relations. Il sera perçu comme compétent pour comprendre l'entreprise du client, ses potentiels besoins futurs et le marché dans lequel le client opère. De plus, il doit également être en mesure d'utiliser ces connaissances et cette perspicacité pour recommander les meilleures offres et opportunités à chaque client. Un client se sentira vraiment valorisé si on lui dit quelles sont les meilleures offres en avance sur la concurrence.
Un deuxième domaine dans lequel les banques ont la possibilité d'utiliser des données non structurées réside dans l'idéation et l'exécution de transactions sur les marchés financiers. Il peut s'agir de l'identification précoce de nouvelles opportunités de financement dans les transactions immobilières, de l'identification des besoins complémentaires en capital parmi les entreprises clientes ou simplement d'une récupération rapide de tous les clients qui ont effectué certains types de transactions. Ces informations peuvent être extraites de notes de vente, de rapports d'appels ou de toute autre source de document texte dans les systèmes existants d'une banque ou de sources externes.
Un troisième domaine d'application est la gestion des services informatiques (ITSM). Il existe un potentiel important d'utilisation d'outils plus sophistiqués pour traiter les informations non structurées dans les tickets IT. Trouver des corrélations entre des billets similaires formulés différemment mais se rapportant à la même cause est un défi ancien et bien connu en ITSM. Des outils de recherche cognitive innovants sont capables de structurer les données des tickets informatiques et d'identifier la solution appropriée. Cela permet non seulement de réduire le temps de résolution et les coûts engendrés par les temps d'arrêt du système informatique concerné, mais cela offre également la possibilité d'automatiser le processus d'attribution des tickets. En outre, l'amélioration de la structuration des tickets peut être exploitée pour prévoir les tendances et identifier les anomalies, améliorant la planification des capacités et la gestion des ressources. Des solutions de self-service multicanaux (p. ex. chatbots) peuvent être combinées à ces outils pour fournir automatiquement aux utilisateurs les manuels et les guides appropriés afin de résoudre des problèmes plus courants et déjà résolus auparavant, comme le changement des signatures électroniques ou le traitement des problèmes réseau.
Enfin, du point de vue de la gestion des risques, la connexion d’informations externes non structurées avec les données d'analyse des risques internes permet aux gestionnaires de risques d'obtenir des informations en temps réel et des alertes précoces pour tout portefeuille d'actifs, d'entreprises ou de particuliers.
Les renseignements tirés de la sélection et de l'exploration systématiques de sources internes et externes aident un gestionnaire de risques à obtenir des informations en temps quasi réel sur les événements liés au risque, des annonces faites par les régulateurs financiers aux informations spécifiques aux débiteurs. Les exigences relatives à la compréhension du risque dans les institutions financières ne cessent de croître, et le fait de disposer d'outils adaptatifs pour répondre aux nouvelles exigences limitera les dépenses futures des entreprises.
La surveillance en temps réel des sources d'information est également cruciale dans le cadre du processus KYC pour l’analyse de la couverture médiatique. La combinaison d'un suivi proactif de la conformité et d'indicateurs de risque standardisés donne à une organisation un avantage de rapidité qui peut être décisif pour prendre des décisions en toute connaissance de cause et en temps opportun avant des événements critiques. En plus d'améliorer le calendrier et la qualité des décisions en matière de gestion des risques, de conformité ou de tâches KYC, ces nouveaux outils d'analyse de données non structurées offrent également un potentiel important de gain en efficacité des processus et de réduction des coûts dans ces fonctions. Il est possible d'automatiser dans une large mesure des tâches telles que l’analyse de la couverture médiatique pour les clients individuels à risque élevé.
Conclusion
Comme nous l'avons montré dans cet article, les possibilités d'extraire de la valeur de données non structurées sont énormes pour les institutions financières. Les principales sources de données non structurées sont les fils d’actualité, les réseaux sociaux, les transcriptions d'appels, les multiples plateformes CRM, les courriels et les notes d'appels. L'attrait et la valeur ajoutée proviennent d'une base d'information améliorée en termes de pertinence et d’actualité, qui comprend des données non structurées pour la prise de décision.
Les cas d'utilisation qui profitent de ces améliorations sont très répandus, et comprennent l'élaboration d'une vision globale de la clientèle, l'idéation et l'appariement d'opérations dans la banque d'investissement et le commerce mondial, l’analyse de la couverture médiatique dans le cadre du processus KYC et la gestion du risque client en général, l'optimisation et l’identification proactive des problèmes des services informatiques et une efficacité commerciale accrue.
D'après l'expérience des auteurs, s'il est vrai que, bien souvent, certains obstacles de nature technique doivent être surmontés avant qu'une organisation puisse utiliser des données non structurées pour la première fois, il est étonnant de voir à quelle vitesse des applications supplémentaires apparaissent et à quelle vitesse les solutions mises en œuvre sont adoptées et appréciées par l'utilisateur final.
Étant donné la quantité de données non structurées et inutilisées que les banques recueillent, une bonne gestion des données pourrait être la clé pour que les banques puissent transformer leurs activités en un monde digital. Une valeur ajoutée significative peut être débloquée en offrant aux clients et autres parties prenantes ce qu'ils attendent déjà de la part des fournisseurs de services numériques non bancaires.
1 Analyse de la percée, «Unstructured Data and the 80 Percent Rule» — Août 2008
2 Pour les besoins de cet article, nous ne faisons pas référence à d'autres catégories de données non structurées comme les images, les fichiers audio et vidéo ou les données machine.
3 www.squirro.com
