AccueilActualités informatiqueLa banque axée sur les données permet de répondre aux besoins individuels...

La banque axée sur les données permet de répondre aux besoins individuels des clients.

La banque axée sur les données permet aux banques de répondre précisément aux besoins individuels de leurs clients. Cependant, pour pouvoir créer de la valeur, tous les intervenants doivent s’intéresser ensemble aux potentiels et aux risques de l’intelligence artificielle.

Les données sont l’or du 21e siècle – qui ne connaît pas cette phrase. Avec la numérisation, nous disposons de plus en plus de données et il y a de plus en plus de possibilités de les utiliser de manière significative. Aujourd’hui, nous sommes en mesure d’analyser de grandes quantités de données en un temps record, de reconnaître des modèles et de faire des prévisions pour l’avenir, notamment en termes de communication avec les clients et de lutte contre le blanchiment d’argent ou la fraude. Les consommateurs et la société en bénéficient

Le Data-driven Banking désigne l’utilisation de données non seulement pour expliquer le passé, mais aussi pour déduire des prévisions et des recommandations pour l’avenir. Dans ce cadre, l’intelligence artificielle décrit la capacité des machines à reproduire les fonctions cognitives du cerveau humain.

La question est quand et pourquoi quelque chose est bon pour le client? Qu’est-ce que la demande de demain pour nous pour servir durablement le client et la société – pour utiliser les opportunités et limiter les risques ?

Sommaire

Conseil holistique au lieu de solutions fragmentaires

Où exactement se situent les opportunités du Banking axé sur les données ? Par exemple, dans le conseil aux clients: l’objectif est de devenir un compagnon de vie à valeur ajoutée pour le client. Surtout lorsque les circonstances de vie changent fondamentalement. Un tel «moment de changement de vie» est la naissance d’un enfant, par exemple. Les futurs parents ont besoin non seulement de vêtements et de poussettes pour bébés, mais ils doivent souvent également réorganiser leurs finances. Ils ont peut-être besoin d’un plan de remboursement révisé pour le financement de leur logement, d’une offre adaptée de location de voiture, d’assurances supplémentaires et de nouveaux plans de prévoyance. Il s’agit des besoins individuels du client dans une perspective globale – le client est au centre. « One-size-fits-all » appartient au passé. L’offre de nombreuses solutions fragmentées appartient également au passé.

Un autre exemple de Data-driven Banking est l’utilisation dans la gestion des risques. La méthodologie du risque a toujours été basée sur des données – il s’agit toujours de permettre le « bon » business et surtout plus de business. Les nouvelles données et méthodes permettent aux établissements de crédit de mieux prendre en compte la situation individuelle du client tout en atteignant une évaluation des risques encore plus fine. Ainsi, il est même possible de conclure une transaction qui aurait été refusée sur la base de modèles de gestion des risques «classiques».

Risques liés à l’utilisation de l’intelligence artificielle

Le Banking axé sur les données et en particulier l’IA offre donc de nombreuses opportunités. Comme c’est souvent le cas dans la vie, de nouvelles opportunités sont également accompagnées de nouveaux risques :

Les systèmes d’IA sont formés sur des ensembles de données créés par l’homme et apprennent donc facilement les stéréotypes et les préjugés humains. Il y a des exemples où seuls des hommes ont été proposés pour des postes de direction parce que le système avait « appris » que les cadres supérieurs étaient des hommes. Ou – absolument choquant – des images de personnes de couleur classées comme des photos d’animaux par des systèmes d’IA. Car les systèmes d’IA auto-apprenants impliquent toujours le risque « d’apprendre » de manière incorrecte.

Il y a également un risque de biais cognitif : les moteurs de recherche apprennent nos intérêts et nous offrent seulement des contenus correspondants. Une « bulle » se forme autour de l’être humain. C’est un grand danger pour notre échange social et notre cohésion.

La confrontation consciente de ces risques et leur limitation active devrait donc faire partie d’une orientation client vécue et durable. Car la création d’algorithmes concerne rien de moins que notre compréhension des clients et des êtres humains. Nous devons donc apprendre à nos nouvelles méthodes notre système de valeurs. Sans règles, cela ne fonctionnera pas.

Il est donc fondamental de réunir l’économie, la science, la protection des consommateurs et de la vie privée autour d’une table et d’initier un débat qui tient compte des opportunités et des risques de l’IA. Il s’agit avant tout de trois domaines thématiques centraux sur lesquels dépendra l’utilisation réussie et socialement acceptée des systèmes basés sur l’IA : la transparence, l’explicabilité et l’équité.

Le succès et l’acceptation reposent sur la transparence, l’explicabilité et l’équité

Pour la transparence, le défi central est, comme en conduite, d’enseigner un niveau de compréhension commun pour le volant, l’accélérateur et le frein dans le contexte numérique.

Transparence et contrôle

L’attente des gens en matière de transparence des données, de contrôle de leurs propres données et de protection de leurs données augmentera. Il convient de le prendre en compte sans que la convivialité des offres numériques en souffre. Actuellement, cela se fait dans le cadre des informations sur la protection des données et des cookies. Dans la pratique, cependant, ils n’ont pas été efficaces : ils ont été mis en œuvre de manière à offrir la sécurité juridique nécessaire aux fournisseurs. Ils n’intègrent pas les besoins des consommateurs, en particulier la convivialité. Si nous voulons être des « compagnons de vie » pour nos clients, cela nécessite cependance dans notre approche commune. Pour de nombreuses entreprises – y compris la nôtre – cela signifie un changement significatif de manière de travailler.

Explicabilité

En ce qui concerne l’explicabilité: dans le développement d’algorithmes de gestion des risques, seule la netteté de la séparation était l’objectif jusqu’à il y a quelques années. Chez Schufa aussi, il s’agissait avant tout de rendre possible les transactions entre entreprises et consommateurs en faisant des déclarations aussi précises que possible. Les exigences en matière de modèles ont changé

Plus d'articles