Faire fonctionner les données transactionnelles pour vous

01. Pourquoi les données transactionnelles sont importantes aujourd’hui

L’historique des transactions d’un consommateur contient des données sur combien il gagne et dépense, quand et où. C’est un ensemble de données profond qui peut raconter leur histoire pour eux; passé, présent et futur. Mais son potentiel est resté en grande partie inexploité — jusqu’à maintenant.

Les données ont toujours existé en finance, d’une manière ou d’une autre, pour aider à établir des relations et à prendre des décisions. À l’époque où la prolongation de crédit à court terme était courante, les commerçants surveillaient les achats et remboursements de leurs clients — une forme rudimentaire d’analyse du risque de crédit. Cela allait finalement mener à l’avènement du rapport de crédit à la fin des années 1800, alors que les agences commençaient à recueillir ces informations, à les résumer en notations de crédit et à les distribuer à plus grande échelle.

Au cours des 150 dernières années, les données financières sont devenues au cœur de la capacité de chaque organisation financière à faire des affaires. (Ainsi que de nombreuses organisations en dehors de la finance.)

Les données financières sont profondément ancrées dans un large éventail de processus orientés données. Elle définit qui nous sommes en tant que clients pour les institutions financières avec lesquelles nous traitons. Ça façonne comment on accède au crédit. Il facilite les vérifications d’identité KYC et la surveillance continue des fraudes.

Plus important encore, les données financières couvrent tous les grands jalons de nos vies : premier paiement de voiture ou de prêt étudiant, revenu au premier emploi, premier bébé, premier paiement de pension. À tel point que les banques sont dites détenir l’ensemble de données le plus profond et personnel sur nos vies. Pas Facebook, pas Google — les bonnes vieilles banques.

Une grande partie de ces informations est enregistrée dans des données transactionnelles.

Une grande partie de ces informations est enregistrée dans des données transactionnelles, facilement accessibles grâce à une connectivité de type banque ouverte. L’agrégation de l’historique transactionnel d’un consommateur à travers toutes les institutions financières offre une occasion unique de comprendre son profil et son comportement financiers. Aujourd’hui, même la plus petite startup fintech peut construire des produits et des processus à partir de ces données.

Propulsé par des processus (transactionnels) basés sur les données

Jusqu’à présent, les données transactionnelles se limitaient principalement aux fonctionnalités de gestion des finances personnelles (FPM), offrant aux utilisateurs finaux une visibilité sur leurs habitudes de dépenses, des outils de budgétisation et autres.

Mais son potentiel est bien plus profond — les données transactionnelles transforment la façon dont les entreprises financières accèdent, traitent et utilisent les données dans leurs opérations commerciales. L’analyse du risque de crédit, la détection des revenus et la surveillance de la fraude reposent encore fortement sur les relevés bancaires et fiscaux, les cotes de crédit et d’autres données des agences de crédit. Cela exige habituellement que les clients manquant de temps fournissent des copies de leurs documents, qui sont ensuite examinées manuellement par des analystes.

Tout le processus est lent et fastidieux. Pire encore, les sources de données traditionnelles montrent des limites. Les cotes de crédit, bien que suffisamment précises dans la plupart des cas, posent des difficultés avec plusieurs cas limites. Parmi eux, les consommateurs « invisibles au crédit » qui ont peu ou pas d’historique de crédit, ou de bons emprunteurs qui ne peuvent être statistiquement séparés des risques plus faibles. Ces consommateurs sont laissés à la porte.

Alors que le profil financier des consommateurs — leurs sources de revenus, la façon dont ils gèrent leur argent et leur crédit — évolue rapidement, les entreprises se tournent vers les données transactionnelles pour capturer toute leur histoire. Tirer parti des données transactionnelles dans leurs processus leur apporte trois avantages décisifs :

La pression monte pour adopter l’intelligence artificielle et les outils d’apprentissage automatique afin de tirer parti des données transactionnelles. Les entreprises financières se retrouvent face à la vieille question : devraient-elles construire ou acheter? Devraient-ils développer leurs propres capacités de données ou se tourner vers un partenaire technologique?

02. Donner du sens à des données désordonnées

Plus de données ne signifie pas plus de valeur. L’accès est important, mais ce n’est qu’un début. Pour devenir utiles dans un environnement d’affaires, les données transactionnelles brutes doivent être nettoyées et catégorisées avec précision.

L’outil idéal est l’enrichissement des données propulsé par l’apprentissage automatique. Comprendre avec précision les données transactionnelles brutes exige un travail spécialisé et un engagement continu, ce qui est l’un des outils que nous offrons chez Flinks. Un moteur de catégorisation des données fait face quotidiennement à de nouvelles données : nouveaux noms d’entreprise, nouvelles langues et un nombre croissant de catégories. Les data scientists ne peuvent pas cartographier définitivement les catégories et en finir.

L’utilisation de techniques d’apprentissage automatique a du sens pour un processus itératif sans fin. Le modèle doit être entraîné et constamment amélioré, ce qui fonctionne le mieux à grande échelle : lorsque les algorithmes d’apprentissage automatique ont accès à plus de données, ils peuvent apprendre plus intelligemment.

Les données transactionnelles brutes sont très désordonnées et bruyantes. C’est des millions de lignes de descriptions abrégées et parfois cryptiques de transactions, de montants et de dates — dont la plupart ne semblent pas avoir beaucoup de sens.

Pour concrètement, nettoyer une description de transaction ferait quelque chose de ce genre
[XX012345-TMHRTNS-PYMTXX] dans [TIM HORTONS].

Le nettoyage des données les rend fonctionnelles en supprimant les informations inutiles. Ça transforme ça en un format avec lequel les data scientists peuvent travailler. C’est un exercice d’équilibre : enlever trop d’informations et une description peut se transformer en une ligne vide; Enlever trop peu et votre modèle est bombardé de données inutiles et bruyantes.

Catégorisation

Des données propres sont lisibles, mais elles n’ont pas encore de signification. L’étape suivante est de la catégoriser, ce qui consiste essentiellement à trier les données dans des seaux. Ici, les data scientists utilisent une combinaison de techniques pour comprendre exactement à quoi sert une transaction.

La signification d’une transaction, et ultimement la catégorie à laquelle elle appartient, dépendent du contexte spécifique d’un cas d’usage. Les applications PFM, par exemple, doivent faire la différence entre un aller-retour à la station-service pour ravitailler un réservoir d’un trajet similaire pour acheter de la bière. Si vous effectuez un dépistage de fraude sur les demandeurs de prêt, ce n’est pas tellement le cas — vous préférez savoir si un compte montre une activité irrégulière.

Un moteur de catégorisation n’est pas une solution universelle — il doit être adapté à un cas d’usage précis.

Pourquoi vous devriez envisager de créer votre propre outil d’enrichissement de données — et pourquoi il est logique de bâtir plutôt un partenariat

Développer des capacités d’enrichissement des données nécessite une équipe dédiée à la science des données, du temps et des ressources. Tout ce travail lourd — nettoyage et catégorisation des données — transforme l’historique brut des transactions en données exploitables et enrichies. Il faut quand même définir et exécuter un plan pour le mettre en œuvre.

Même s’il peut être logique de construire le vôtre, votre temps et vos ressources seraient peut-être mieux investis ailleurs. De plus en plus d’entreprises se tournent vers les fintechs pour intégrer des produits d’enrichissement de données à leur pile technologique, afin de se concentrer sur la création de meilleurs processus, produits et expériences.

Vous ne savez pas si vous devriez construire ou acheter? Voici quelques questions à considérer :

• Êtes-vous la meilleure entreprise pour développer cet outil?
• Vos capacités analytiques internes sont-elles suffisantes pour transformer les données en informations exploitables?
• Construire votre moteur d’enrichissement de données en interne vous donne-t-il un avantage concurrentiel spécifique?
• Si vous accédez à des données transactionnelles via une connectivité de type banque ouverte, pouvez-vous traiter des volumes potentiellement élevés de données hétérogènes et non structurées?

03. Avec Attributs, chaque entreprise financière est une entreprise de données — même la vôtre

Maintenant que nous avons couvert les bases, voyons comment vous pouvez concrètement mettre en pratique les données transactionnelles.

Les données deviennent précieuses lorsqu’elles comblent les lacunes d’information et mènent à des décisions plus précises et opportunes. C’est pourquoi nous avons créé Attributes — un outil de données qui va encore plus loin en vous permettant de manipuler de grands ensembles de données propres et catégorisées afin d’extraire des informations exploitables.

Des techniques analytiques avancées comme l’intelligence artificielle et l’apprentissage automatique aident à trier et comprendre les données, mais elles ne rejettent pas aveuglément des informations pertinentes pour vous.

Ne demandez pas ce que les données peuvent vous apporter, c’est une erreur courante. Au contraire, pour tirer le meilleur parti du potentiel des données transactionnelles, vous devez d’abord identifier et avoir une compréhension claire de vos résultats souhaités. Cela vous permettra de déterminer quelles informations sont les plus pertinentes pour atteindre vos objectifs d’affaires.

Ce que vous voulez accomplir et comment vous comptez utiliser les données déterminera comment vous devriez développer vos capacités d’enrichissement de données.

Attributs : les éléments de base de vos capacités de données

Une fois que vous comprenez mieux ce que vous devez savoir sur vos clients, Attributes traite leur historique de transactions et extrait des informations pertinentes et exploitables. Cela semble trop simple pour être vrai, mais c’est vraiment le cas. Voyons comment.

Les données transactionnelles catégorisées sont placées dans un DataFrame pandas — un tableau bidimensionnel conçu pour les programmeurs Python. Lorsque les données sont structurées, elles sont faciles à manipuler. Nous regroupons, filtrons et appliquons des fonctions mathématiques pour générer des résultats agrégés : attributs de données.

Chaque attribut de données révèle un aspect du profil financier et du comportement des consommateurs de vos clients. Revenu total, solde mensuel moyen, flux de trésorerie mensuel moyen, nombre de frais de la NSF, nombre de jours avec solde négatif. La liste est longue (et encore longue).

Vous pouvez les mettre côte à côte et créer une vision précise et globale de vos clients. Vous pouvez aussi les combiner pour analyser les tendances et extraire des informations très précises.

Attributes n’est pas une boîte noire — en fait, c’est tout le contraire. Il vous permet de définir les quelques éléments qui comptent vraiment pour vous, puis de créer votre propre outil personnalisé d’enrichissement de données.

Les quatre pierres angulaires des Attributs

04. Cas d’utilisation pratiques dans les services financiers

L’intelligence des données est à l’avant-garde de toutes les grandes tendances dans les services financiers en ce moment. Alors que la plupart des idées très médiatisées semblent encore trop tardives, Attributes a des applications pratiques pour une grande variété de cas d’usage.

En utilisant des outils d’enrichissement des données, les organisations financières peuvent tirer parti des occasions d’améliorer leurs processus orientés données.

Les outils émergents d’enrichissement de données ne nécessitent pas nécessairement que vous construisiez de nouveaux processus autour d’eux. Notre propre outil d’enrichissement de données, Attributes, a été conçu en partie pour accélérer les opérations commerciales en numérisant et automatisant les tâches répétitives — celles généralement réalisées par le travail manuel, comme la collecte et le traitement des données. Les processus qui reposent fortement sur les données pour la prise de décision sont particulièrement propices à ce type d’innovation incrémentale.

Voici quelques-uns des cas d’utilisation les plus efficaces où Attributes a été déployé pour créer des résultats significatifs.

Simplifiez votre analyse du risque de crédit

L’une des applications les plus importantes de l’enrichissement des données est l’identification de la solvabilité des clients potentiels. La collecte d’informations implique souvent des agences d’évaluation du crédit et des documents que les clients potentiels doivent fournir eux-mêmes.

Les attributs des données fournissent une image à jour de la situation financière d’un client, capturant des changements qui ne se reflètent peut-être pas encore dans leur cote de crédit traditionnelle. Son flux de travail entièrement numérique facilite l’alimentation des modèles existants pour des décisions instantanées ou permet aux analystes du risque de crédit d’obtenir un profil financier global de leur client.

Stratégie clé de réussite

À mesure que les analystes du risque de crédit commencent à travailler avec un outil d’enrichissement de données qui fait tout le travail lourd pour eux, leur rôle évoluera. Il deviendra très important d’améliorer leurs compétences analytiques afin qu’ils puissent tirer parti des informations efficacement.

Automatisation de la détection de la fraude

La gestion de la fraude est un domaine extrêmement important pour les organisations financières, avec des impacts allant de la sécurité physique et numérique à la conformité réglementaire et à la fiabilité. C’est un centre de coûts majeur pour la plupart des institutions, donc minimiser les coûts liés au maintien de processus efficaces devient une priorité clé.

Pour lutter contre la fraude, les organisations s’appuient fortement sur les données de Know Your Customer ou sur les processus de surveillance. Cela peut entraîner des opérations exigeantes en main-d’œuvre et chronophages, surtout si un travail manuel est impliqué. Mais une fois les risques de fraude identifiés et priorisés, l’enrichissement des données devient l’outil parfait pour automatiser la détection de la fraude.

Automatiser la détection de fraude ne signifie pas lâcher le volant. Les attributs renvoient à la fois des informations au niveau du compte et de la transaction, augmentant la probabilité de détecter la fraude tout en limitant les faux positifs.

En utilisant les attributs de données comme système de signalement pour comprendre les activités de vos clients, vous restez responsable de décider ce qui compte comme régulier ou irrégulier. Vos experts en risques peuvent concentrer leur travail sur les comptes qui se situent en dessous de ce seuil pour des enquêtes de fraude plus efficaces.

Stratégie clé de réussite

Les flux de travail entièrement numériques facilitent le stockage des données. Gardez les attributs de données bien conservés pour référence future. Vous pouvez aussi agréger ces données pour obtenir une visibilité sur des segments entiers de vos clients ou effectuer d’autres analyses.

Optimisez vos décisions grâce à une détection complète des revenus

Vérifier le revenu réel d’un client demeure l’un des plus grands défis pour les banques et les prêteurs. Cela nuit aux affaires, puisque le revenu est souvent l’un des critères déterminants pour accorder un prêt, en plus de la cote de crédit. Les clients se voient encore demander d’entrer des informations et de fournir des documents — ce qui peut entraîner des données incomplètes, une mauvaise expérience client ou des processus manuels lourds. Sans un flux de travail numérique et des outils de données adéquats pour comprendre les sources de revenus actuelles d’un client, les décisions ne sont guère basées sur les données.

Attributes a été conçu pour différencier les revenus d’emploi et non employés et pour présenter les tendances dans les deux, vous permettant de comprendre leur situation financière actuelle et de suivre leur trajectoire.

Un rôle majeur de la détection des revenus est d’aider à évaluer l’accessibilité financière et la capacité de remboursement d’un client. Les attributs restituent également une série d’attributs de données offrant une visibilité sur les autres prêts qu’un client a déjà contractés ainsi que sur leur flux de trésorerie libre.

Stratégie clé de réussite

Les informations recueillies par la détection de revenus peuvent être utilisées pour révéler les tendances des habitudes de dépenses d’un client. Suivre de près ces tendances vous permet de détecter des changements importants dans les événements de la vie et d’agir plus rapidement.