Comment la Banque Scotia met en œuvre l'IA pour une meilleure fidélisation de la clientèle

En tant que l'une des cinq grandes banques du Canada, la Banque de Nouvelle-Écosse adopte une approche des données, de l'analyse et de l'IA destinée à mieux comprendre et servir les clients, a déclaré Grace Lee, sa directrice des données et de l'analyse. Sa charte est de faire progresser la croissance de l'entreprise, l'expérience client et l'efficacité opérationnelle grâce à l'utilisation de l'IA, de l'apprentissage automatique et des informations basées sur les données à la banque mieux connue sous le nom de Banque Scotia.

Les enjeux de la fidélisation de la clientèle sont importants : la Banque Scotia compte plus de 10 millions de clients particuliers, petites entreprises et commerciaux au Canada, ainsi que 10 millions de clients particuliers et commerciaux en Amérique latine, dans les Caraïbes et en Amérique centrale. La banque compte environ 90 000 employés et des actifs d'environ 1,2 billion de dollars.

Les deux domaines d'application de l'IA de la Banque Scotia

Au cours des deux dernières années, la Banque Scotia s'est engagée dans une stratégie d'IA très axée sur l'exécution du dernier kilomètre, a déclaré Lee. "Là où nous avons vu d'autres organisations échouer parfois à capturer leavantages de l'IA et de l'apprentissage automatique c'est que cela n'aboutit pas nécessairement toujours à des résultats pratiques », a-t-elle déclaré. "Donc, vous constaterez que parfois nous appelons cela l'IA ou l'analyse" cols bleus ", mais il s'agit vraiment de s'assurer que nous voyons le[AI]modèles à travers tout le chemin depuis le début jusqu'à[deployment into]production."

Et cela signifie que l'IA est intégrée directement dans les processus existants et offre de réels avantages aux parties prenantes, telles que la fourniture de conseils opportuns et d'offres personnalisées aux clients, la création d'un certain degré d'efficacité afin que les employés puissent mieux servir les clients, ou permettre à la banque de mieux prévoir quand son les clients pourraient traverser une certaine détresse, a déclaré Lee. "Nous pouvons faire beaucoup plus pour surveiller activement et vraiment comprendre les comportements et donc les besoins et les préférences de nos clients", a-t-elle déclaré.

Cependant, l'intelligence artificielle n'aide pas seulement la Banque Scotia à croître et à faire évoluer l'expérience client en « connaissant mieux », mais en étant capable de « faire mieux », a déclaré Lee. Cela donne également à la banque la possibilité "d'appliquer l'IA à l'automatisation, que ce soit dans un chatbot ou dans l'une des autres automatisations intelligentes que nous aurions dans notre portefeuille", a-t-elle déclaré.

En ce qui concerne la mise en œuvre, il est important que les équipes d'intelligence artificielle reconnaissent que si l'intelligence artificielle a traditionnellement signifié l'intelligence artificielle, la Banque Scotia et d'autres organisations, en particulier dans le secteur bancaire, l'appellent de plus en plus «l'intelligence augmentée», a déclaré Lee. C'est parce qu'il doit vraiment être intégré dans les processus existants pour qu'il profite aux clients et aux employés de la banque.

Banque Scotia

"Il y a très peu de choses que nous voudrions vraiment faire qui seraient entièrement automatisées sans un certain degré d'augmentation et de surveillance par un humain", a-t-elle déclaré. "Donc, je pense que c'est une très grande leçon que nous avons apprise très tôt, quand nous avions essayé un peu plus pour l'artificiel et pas beaucoup pour l'augmenté. Nous avons constaté que la réceptivité et l'impact qu'il avait, bien qu'il s'agisse d'un modèle très sophistiqué, n'apportaient pas grand-chose à nos clients ou à nos employés. Donc cette co-création est super importante.

Cas d'utilisation de l'IA à la Banque Scotia

La Banque Scotia travaille au déploiement detraitement du langage naturel (TAL) pour offrir une expérience client enrichie. Dans la première phase du projet, la banque construit unchatbot pour gérer les FAQ de base, a déclaré Lee. Il vise à répondre aux « questions courantes que les clients pourraient avoir[about]produits et prix,[for example,] qui sont dirigés vers un agent en direct auquel on peut répondre via une interface utilisateur guidée par l'IA », a-t-elle déclaré. "Nous voulons offrir une expérience plus conversationnelle à nos clients afin qu'ils n'attendent pas pendant des minutes ou longtemps au téléphone pour joindre un agent lorsque leur question ou demande est relativement simple."

Si le chatbot s'avérait efficace, non seulement il améliorerait l'expérience client, mais il permettrait également à la banque de fonctionner plus efficacement en permettant à ses agents du service clientèle ou à d'autres conseillers de travailler sur des problèmes qui doivent être traités par des personnes.

La Banque Scotia utilise l'IA pour améliorer l'expérience client de plusieurs autres manières, a déclaré Lee.

L'une est via sa plateforme mondiale d'IA, lancée en novembre 2020. La plateforme est l'infrastructure qui permet à la banque d'offrir aux clients des informations plus rapides et de meilleurs conseils en utilisant l'apprentissage automatique pour anticiper et comprendre leurs besoins. « Nous avons un composant sur site et nous avons un composant cloud qui se développe rapidement. Et c'est là que nous effectuons le travail d'analyse et hébergeons les données qui prennent en charge[our]Solutions d'IA », a déclaré Lee.

En janvier 2021, la Banque Scotia a déployé un autre effort d'IA, le cadre opérationnel stratégique pour les informations et l'analyse (SOFIA), un outil d'IA conçu pour aider la banque à mieux comprendre quels clients de détail et commerciaux seront touchés par l'incertitude économique et comment les servir en prévoir les flux de trésorerie.

Puis la Banque Scotia a lancé C.MEE en février 2021. C.MEE utilise l'IA et les mégadonnées pour améliorer encore l'expérience client. À l'aide de la plate-forme mondiale d'IA, C.MEE analyse les données de tous les points de contact client pour identifier les conseils les plus pertinents qu'il peut donner à un client spécifique, puis les transmet via ses canaux préférés.

En prenant des signaux de l'activité des clients, C.MEE apprend et comprend continuellement davantage leur comportement financier ainsi que leur situation dans la vie, améliorant ainsi la pertinence des conseils, a déclaré Lee.

Dans tous ces projets, "l'IA génère plus d'efficacité et de meilleures informations et informations grâce à notre base d'employés et garantit que, quelle que soit la quantité de personnes qui décident d'utiliser un canal assisté ou non, elles obtiennent un service beaucoup plus adapté, personnalisé et pertinent. ensemble d'offres ou de services.

La structure organisationnelle est essentielle pour l'adoption de l'IA

L'une des principales raisons pour lesquelles Lee a déclaré que la stratégie d'IA de la Banque Scotia fonctionne est la structure organisationnelle de la banque, où les principaux responsables des données et de l'analyse relèvent d'un exécutif commun.

La banque dispose également d'un CIO dédié aligné sur cette fonction qui est responsable de la plate-forme mondiale de données et d'analyse. Cette personne sert également d'intermédiaire entre la banque et les autres DSI de l'organisation. Ainsi, lorsque la banque doit intégrer l'IA dans diverses technologies ou processus, quelqu'un peut agir en tant qu'"interprète", a déclaré Lee.

Ce CIO dédié "épouserait également les systèmes hérités que nous pourrions continuer à voir dans toute la banque avec notre infrastructure hybride plus moderne et des capacités plus modernes qui viendraient avec un moteur d'IA ou un modèle d'IA", a-t-elle déclaré. Cette personne "aide également à définir ces exigences d'une manière qui équilibre à la fois l'ancien et le nouveau et s'assure que nous faisons les compromis appropriés pour avoir un impact pour nos clients et pour nos employés".

Le tabouret à trois pieds de la Banque Scotia de données, d'analyse et de technologie pour l'IA

Ce tabouret à trois pieds de données, d'analyse et de technologie a été essentiel à l'adoption de l'IA par la banque, a déclaré Lee. « Il s'agit moins d'une question de capacité que d'une question de modèle opérationnel, mais cela nous a très bien servi à nous assurer que nous sommes pratiques mais aussi ambitieux et[that AI is] être intégré dans ces équipes technologiques et s'assurer que nous avons les bons pipelines de données construits pour le rendre durable », a-t-elle déclaré. « Nous avons construit notre[AI] modèles d'une manière qui respecte ces deux éléments. C'est vraiment un véritable partenariat entre ces trois groupes.

Étant donné que l'équipe de Lee a besoin d'une telle quantité de données pour créer ces modèles d'IA et ces processus basés sur l'IA, cette « poignée de main » entre les données et l'analyse est extrêmement importante pour s'assurer que, lorsque l'équipe a des besoins du point de vue de la modélisation de l'IA, ils sont rejoints. à la pointe des partenaires de données et aligné sur les priorités des pipelines de données à construire. Ces équipes travaillent ensemble pour s'assurer que les équipes d'analyse de la banque ont accès à des données de haute qualité et bien gérées, a déclaré Lee.

"Nous avons trébuché à quelques reprises dans notre passé parce que nous avons cherché à faire de l'IA sans ce partenariat avec les données", a-t-elle déclaré. « Du point de vue de la disponibilité des données, nous pourrions être en mesure de recueillir suffisamment de données pour construire le modèle en premier lieu. Mais en termes de maintien et de capacité à l'utiliser pour l'automatisation continue des processus ou l'automatisation du marketing ou autre, cela est devenu un processus gourmand en ressources, difficile et sujet aux erreurs.

La Banque Scotia a appris cette leçon à ses dépens : à travers quelques échecs précoces. Ce qui a commencé comme une excellente idée et quelque chose autour duquel l'équipe de Lee a estimé qu'un modèle pouvait être construit s'est avéré intenable du point de vue du maintien et de l'exécution. Mais "en s'associant mieux aux données et à la technologie, les modèles d'analyse deviennent soudainement non seulement constructibles mais durables", a-t-elle déclaré.