Pour aller au-delà des POC - PwC · 2018-04-05 · 4 | Le décryptage PwC - Smart Automation dans les Services Financiers - Pour aller au-delà des POC totalement acquise. Plus le

Le décryptage PwC

Pour aller au-delà des POC

Smart Automation dans les Services Financiers

Au-delà du PoC 3

Le retour d’expérience suite à la mise en place des PoC 3

Comment passer au déploiement à l’échelle ? 6

Le modèle pour les gouverner tous ! 9

Et demain ? L’Intelligence Artificielle : l’humain augmenté 12

IA, un domaine qui regroupe une multitude de technologies 12

Les tendances du marché de l’Intelligence Artificielle 15

Comment l’Intelligence Artificielle est en train de changer les règles du jeu ? 17

Amener l’Intelligence Artificielle au centre des métiers et l’organisation de l’entreprise 17

Développer l’IA 18

Protéger l’Intelligence Artificielle 19

Focus : le Machine-Learning, comment ça marche ? 21

Smart Automation - Les cas d’usages possibles dans les Services Financiers 23

Des cas d’usages sur l’ensemble de la chaîne de valeur 23

Des cas d’usages alternatifs à la délocalisation 28

Conclusion 37

L’automatisation est un enjeu majeur pour les dirigeants du secteur financier qui sont aujourd’hui à la recherche de leviers d’efficience opérationnelle, tout en gagnant en performance économique dans un contexte réglementaire qui devient de plus en plus complexe.

Des premières solutions d’automatisation sont en cours d’implémentation dans la majorité des entreprises. Ces premiers robots permettent de mesurer les avantages offerts aux collaborateurs de bénéficier d’une assistance digitale sur les tâches à faible valeur ajoutée.

Ces solutions « simples » dites RPA (Robotic Process Automation) soulèvent des questions sur leurs déploiements à grande échelle au sein de l’entreprise, de leurs places dans l’architecture applicative d’une part et la garantie de la promesse du Retour sur Investissement (RoI), de réduction des coûts et de l’optimisation des processus d’autre part.

Par ailleurs, d’autres technologies émergentes du domaine de l’Intelligence Artificielle (IA) permettent des nouveaux usages impensables jusque-là et augmentent intrinsèquement la productivité et la capacité à constituer des vrais binômes avec les humains.

Des exemples d’IA font déjà partie intégrante de nos vies. Ils sont de plus en plus présents dans nos quotidiens partout, sur Internet, dans nos smartphones, nos voitures, nos maisons connectées… Et ce ne sont là que les balbutiements d’une révolution qui va transformer radicalement le monde.

Ainsi toutes les technologies appelées Smart Automation, capable de seconder les humains dans l’automatisation de tâches, recommandation de contenu, reconnaissance vocale…, et dont le développement va s’accélérer et les applications se multiplier représentent une croissance qui pourrait avoir un impact économique conséquent.

Une étude PwC estime en effet que le PIB mondial pourrait croître de 14 % grâce au Smart Automation d’ici 2030, ce qui représente plus de 15 700 milliards de dollars, soit plus que le PIB combiné actuel de la Chine et de l’Inde.

Marc HADDAD Associé, FS Consulting Technologie et Innovation

2 | Le décryptage PwC - Smart Automation dans les Services Financiers - Pour aller au-delà des POC

RPA

| 3

Comme évoqué en préambule, l’automatisation est un enjeu majeur pour les dirigeants du secteur financier en France, qui sont à la recherche de leviers afin d’accroître la productivité en améliorant leur efficacité opérationnelle. Les premières générations de solutions de Smart Automation « simples » sont connues sous l’acronyme RPA pour Robotic Process Automation.

Ainsi, les projets RPA prennent de l’ampleur au sein des entreprises et entament une évolution sur notre façon de travailler. Néanmoins, pour garantir le succès de cette stratégie, les conditions de mise en place des robots (i.e. l’automatisation de processus via la technologie RPA) doivent être connues et respectées et un modèle opérationnel efficient doit être mis en place pour assurer la pérennité du déploiement.

Aujourd’hui, la plupart des entreprises du secteur des Services Financiers ont passé l’étape d’expérimentation via des PoC (Proof of Concept), et se concentrent plutôt sur la validité du Business-Case des processus robotisés (i.e. garantie du RoI) et de la question du déploiement des robots à grande échelle.

Le retour d’expérience des entreprises du secteur des Services Financiers montre en premier lieu que beaucoup d’acteurs ont sous-estimé la complexité d’implémentation de ce type de solution « simple » et le modèle économique ne prenait pas en compte toujours l’exhaustivité des coûts induits notamment par « l’administration » des robots. La tendance aux prémices des projets RPA était que ces logiciels pouvaient être totalement administrés par les fonctions métiers en totale autonomie. Or, l’expérience des projets RPA démontre qu’il est primordial d’embarquer l’ensemble des fonctions de l’entreprise dès les premières phases pour réussir ces projets d’implémentation.

Nos expériences nous ont appris à ce stade que la validité du Business-Case d’un projet RPA repose avant tout sur la gouvernance et le modèle opérationnel pour déployer les initiatives d’automatisation au sein de l’entreprise.

Le retour d’expérience suite à la mise en place des PoC Un nombre important de directions dans les banques et les assurances a déjà implémenté un PoC de robotisation. Les principaux retours d’expérience sont les suivants :

Commencer petit et simple

Avant de se lancer dans la réalisation d’un projet RPA, il est important d’évaluer précisément la pertinence et l’effort nécessaire pour robotiser le processus considéré. En effet, la totalité des processus utilisant des données structurées, et comportant des règles de gestion ne laissant pas de part à l’interprétation humaine, sont techniquement automatisables. Cependant, les bénéfices quantitatifs et qualitatifs apportés par le projet peuvent s’avérer discutables face aux efforts du projet et à la complexité de maintenance au cours du cycle de vie du robot.

La complexité du processus est à prendre en compte : la tentation d’automatiser un processus complexe, dans le but de le confier au robot et libérer l’humain qui s’en occupe est un mauvais calcul si la maîtrise des projets d’automatisation n’est pas encore

Au-delà du PoC

01


totalement acquise. Plus le processus fera intervenir des sources de données et des interfaces outils variées et plus les sources d’erreurs potentielles seront nombreuses. Le robot serait alors complexe pour gérer l’ensemble des exceptions potentielles. Les efforts de maintenance seraient également plus conséquents en cas d’évolution des données ou des interfaces outils. En substance, tous les niveaux de complexité sont automatisables, mais les plus simples devraient être les premiers.

Un Business Case positif, parfois moins ambitieux que prévu, mais avec un rapide retour sur investissement (RoI)D’un point de vue quantitatif, le modèle économique d’un robot à l’unité est positif et l’investissement lié au projet et aux coûts de fonctionnement est rentabilisé en un temps rapide. Néanmoins, les économies doivent être mises au regard des différents types de coûts engendrés à chacune des étapes du cycle de vie du robot. Le projet d’implémentation n’est que la première étape (coût d’implémentation, environnement de développement, formations). La mise en production nécessite des licences d’exploitation et un socle d’infrastructure adapté. La mise en place d’une solution d’orchestration des robots est alors nécessaire pour permettre un déploiement à l’échelle (déploiement, accès, contrôle de leur activité, décommissionnement). De plus, une organisation doit alors être mise en place pour concevoir, développer, maintenir et gouverner les robots. Ainsi, plus le robot permettra de dégager du temps à un nombre important de ressources, tout en restant simple à mettre en œuvre et à maintenir, et plus le robot sera rentable. La mise en œuvre à l’échelle et pérenne des robots nécessite cependant un investissement plus large que le simple coût ponctuel d’un projet d’implémentation.

Un Business Case surtout qualitatifLes bénéfices de la robotisation d’un processus ne doivent pas se résumer uniquement à des gains économiques. En effet, sans nécessairement libérer des coûts conséquents d’opération, l’automatisation de tâches récurrentes permet dans de nombreux cas, de libérer du temps pour les équipes qui peuvent alors se concentrer sur des activités à plus forte valeur ajoutée. Cette oxygénation, entraîne une diminution du stress lié à la nature des activités réalisées jusque-là par les collaborateurs concernés : le phénomène de « dérobotisation » de l’activité des collaborateurs. L’automatisation permet d’éviter également les risques opérationnels liés à des erreurs humaines. La qualité des données traitées est ainsi améliorée. De plus, il est aisément possible pour les robots de produire dans le même temps des rapports d’activités permettant de générer une piste d’audit et des indicateurs de gestion permettant d’assurer un meilleur suivi de l’activité. Ces éléments qualitatifs ne figurent pas souvent dans les calculs du modèle économique mais doivent être pris en compte dans l’appréciation des bénéfices du projet.

En substance, tous les niveaux de complexité sont automatisables, mais les processus les plus simples devraient être robotisés en premier.

| 5

Un palliatif ou un complément aux programmes de transformationLe besoin de robotisation est principalement observé lors des ruptures des processus automatisés. En effet, les STP (straight through processing) sont un élément structurant dans l’efficacité opérationnelle. Toute rupture dans les STP implique une intervention humaine qui rend le processus en question vulnérable. La volonté des organismes de disposer de processus STP conduit souvent à mettre en place des programmes de transformation importants en taille, en moyen et en effort. Les robots, qui assureraient à nouveau le STP en remplaçant les interventions manuelles deviendraient ainsi un palliatif ou un complément à ces programmes de transformation, d’une manière transitoire ou pérenne.

Un projet hybride entre le métier et l’informatiqueLes projets de robotisation ne sont pas uniquement des projets informatiques : la majorité des entreprises qui a pris le sujet sous un angle uniquement technique n’a pas atteint les bénéfices attendus. Les projets de robotisation sont des projets hybrides entre les métiers et l’informatique : une combinaison entre l‘agilité du gestionnaire qui a la main sur la conception et le paramétrage simple du robot, et la rigueur des pratiques informatiques de la DSI qui permet une intégration du robot dans le respect des normes et des standards appliqués.

Un modèle opérationnel qui reste à définirLa mise en place d’un PoC d’automatisation soulève rapidement la question des rôles et responsabilités des différentes directions impliquées. Ainsi, les premiers essais se sont réalisés d’une manière plutôt artisanale ce qui a permis à toute l’organisation de se familiariser avec le déroulement d’un projet Smart Automation. En revanche, une demande récurrente des directions générales est apparue et qui consiste à vouloir définir un modèle opérationnel et de gouvernance des robots pour cadrer les initiatives et protéger les environnements applicatifs.

Un déploiement à l’échelle, sinon le robot reste un gadgetLes bénéfices de la robotisation deviennent conséquents quand les robots sont déployés en quantité assez importante : ce déploiement permet d’une part de libérer un nombre suffisant d’ETP pour rendre le modèle économique attractif et d’autre part d’automatiser un grand nombre d’opération pour contribuer significativement à l’excellence opérationnelle. À défaut, un robot isolé resterait efficace, mais l’organisme qui l’aurait déployé ne pourrait prétendre aux avantages liés à un programme Smart Automation.

Toute rupture dans les STP implique une intervention humaine qui rend le processus en question vulnérable


Comment passer au déploiement à l’échelle ?Le déploiement des solutions d’automatisation, au-delà d’initiatives isolées, nécessite en prérequis la mise en place d’un modèle d’organisation et de gouvernance. Cependant, pour passer à l’échelle, d’autres aspects sont également essentiels à prendre en compte.

En préambule, le passage à l’échelle d’un programme de robotisation repose sur 7 principes structurants :

Pragmatisme - L’alignement des attentes et des limites de l’automatisation comme prérequis essentiel à l’identification d’opportunités réalisables au sein de l’organisation et du déploiement efficients de robots.

Simplification - L’automatisation doit contribuer à la simplification des processus et éviter une complexification de l’architecture applicative. La mise en place de robots et leur fonctionnement doit se faire en accord avec l’environnement et les processus existants.

Traçabilité - L’automatisation doit contribuer à une amélioration de la transparence et de la qualité des données, avec des processus bien documentés, des opérations structurées, des pistes d’audit et la génération automatique de rapports de fonctionnements (logs).

Stabilité - La maintenance des robots doit être possible sans causer l’arrêt de la production et sans devoir reconstruire les processus dans leur ensemble. Les mises à jour doivent être possibles de manière simple et industrielle.

Agilité - La mise en place de robots doit se faire de manière agile pour être efficace et répondre au mieux au besoin des utilisateurs. Ceci doit également se faire en accord avec les méthodologies en place.

Innovation - Au-delà de l’automatisation de tâches, Smart Automation offre de nouvelles possibilités technologiques en s’ouvrant vers des nouvelles applications innovantes. Par exemple, les données manipulées par les robots peuvent être structurées, extraites et traitées à des fins de « Data Analytics ».

Satisfaction du client final - La robotisation permet de réduire les temps de traitement, d’améliorer la qualité des données ainsi que l’expérience des clients. Les projets d’automatisation contribuent ainsi à l’excellence opérationnelle et par conséquent à la satisfaction du client final (client particulier, régulateur, du Groupe…).

Réussir le passage à l’échelle de Smart AutomationRéaliser un projet d’entreprise

Tous les programmes Smart Automation débutent par de petites initiatives permettant aux entreprises de gagner en confiance en démontrant la faisabilité et l’intérêt de passer à l’échelle.

Dès que l’intérêt est confirmé, l’ambition de déploiement des robots au sein d’une organisation doit être placée au plus haut niveau pour obtenir le statut de projet d’entreprise et bénéficier du soutien du comité exécutif.

En effet, les opportunités de robotisation ne se cantonnent pas à certaines fonctions et plus le périmètre pris en compte est large, et le nombre d’opportunités important, plus l’intérêt de mettre en place un Centre d’Excellence Opérationnel conséquent sera substantiel.

De plus, des économies d’échelle sur l’acquisition des licences et de l’infrastructure sous-jacente seront également possibles.

Le déploiement des solutions robotiques au sein d’une organisation nécessite de repenser la gouvernance. Inclure dès le départ l’ensemble de l’organisation dans la stratégie de déploiement permet de mieux préparer le passage à l’échelle.

Afin de convaincre le plus grand nombre, il faut garder en tête que les bénéfices liés à la robotisation ne se résument pas uniquement à des réductions de coûts. L’automatisation permet d’augmenter la productivité tout en réduisant les risques opérationnels, car les robots ne font pas d’erreur de manipulation. Ainsi, la qualité des données est également améliorée et la mise à disposition immédiate de ces données structurées par les robots ouvre de nouvelles perspectives importantes pour son exploitation (data analytics, reporting d’activités, contrôles, amélioration continue des processus…).

Le support de l’ensemble des dirigeants et directeurs opérationnels est crucial pour permettre le déploiement à l’échelle des robots. L’adoption pérenne des technologies d’automatisation nécessite un bouleversement de l’organisation et de la gouvernance. Ce bouleversement n’est possible qu’avec un support à la hauteur son ambition.

Les robots structurent des données qui ne l’étaient pas lors des manipulations manuelles et par conséquent, ouvrent la voie à des opportunités de Data Analytics et d’exploitation de données.

| 7

Démystifier les robots : ce n’est pas de la science-fictionL’ensemble des collaborateurs doit être sensibilisé et impliqué dans la transformation nécessaire de l’organisation permettant le déploiement à l’échelle des robots. Une sensibilisation doit être faite pour que tout collaborateur puisse comprendre les intérêts liés à l’automatisation, les gains potentiels pour lui et l’ensemble de l’entreprise. Ceci est une première étape indispensable permettant de mieux identifier des processus candidats à la robotisation et d’impliquer les détenteurs de ces processus dès le lancement d’un projet de robotisation.

Un défaut de communication pourrait impliquer une incompréhension, une méfiance et de la résistance freinant ainsi le déploiement des robots au sein de l’entreprise. En revanche, une communication claire et adaptée permet la démystification des robots et leur adoption de la part des différents intervenants dans les processus cibles.

Inclure la DSI

Si toutes les fonctions doivent être impliquées dans le déploiement à l’échelle de la robotisation, l’implication de la DSI dépasse largement le rôle de client potentiel.

Un des avantages des robots est sa facilité de prise en main par les opérationnels, détenteurs de processus métier. Cet avantage procure de l’agilité et de la vitesse de mise en place quand les opérationnels métiers définissent et paramètrent leurs robots.

Néanmoins, la DSI a toujours été le garant du fonctionnement technique de l’écosystème d’outils déployés au sein de l’organisation. Ce rôle doit être naturellement étendu aux nouvelles technologies dont fait partie les robots. La DSI doit s’assurer tout au long du cycle de vie d’un robot (paramétrage, mise en production, évolution et décommissionnement) du respect des règles informatiques, de sécurité, d’habilitation et de cohérence applicative. Il est ainsi indispensable qu’une synergie s’opère entre le Centre d’Excellence Opérationnel et la DSI. Cette dernière doit rester le garant d’une infrastructure extensible, stable et sécurisée sur laquelle les robots pourront être déployés et interagir avec le système applicatif existant.

Un des avantages des robots est sa facilité de prise en main par les opérationnels, détenteurs de processus métier. Cet avantage procure de l’agilité et de la vitesse de mise en place quand les opérationnels métiers définissent et paramètrent leurs robots. Néanmoins, La DSI doit rester le garant d’une infrastructure extensible, stable et sécurisée sur laquelle les robots pourront être déployés et interagir avec le système applicatif existant.


Développer avec agilité, sur des processus standardisés

L’organisation définie pour la gestion des robots devra répondre de manière réactive aux besoins métier tout en respectant les procédures relatives à la DSI. Afin de répondre à ces enjeux, une méthodologie Agile pourrait être adoptée. Celle-ci permettra non seulement une plus grande réactivité mais également une meilleure implication des métiers et la possibilité d’ajuster au mieux les solutions à leurs besoins.

Faut-il automatiser un processus inefficace ? Il est recommandé de ne pas automatiser systématiquement en l’état des processus qui nécessitent d’être standardisés et les données structurées au préalable. Idéalement, une transformation des processus doit être envisagée pour rendre les processus plus efficients et plus structurés, avant de mettre en place des robots. L’automatisation de processus complexes aura pour effet la mise en place de robots tout aussi complexes et difficiles à maintenir et à faire évoluer. Ainsi, au-delà de la mise en place de méthodologies Agiles, les méthodologies comme Lean ou Realise (méthodologie PwC de Process Intelligence) peuvent s’avérer nécessaires.

Utiliser nos accélérateurs et nos outils disponibles

Fort de notre expérience, nous avons développé des outils et des accélérateurs PwC qui permettent une mise en place à l’échelle rapide et ciblée. Nous avons ainsi construit des « heatmap » qui identifient dans chaque direction les poches de processus les plus souvent visés par la robotisation (par ex : dans les directions de souscription, de sinistres, de conformité, de call-centers…).

Nous avons également affiné un outil qui permet, sur la base des informations disponibles, de qualifier rapidement un processus et de déterminer s’il est candidat ou non à la robotisation.

Ces outils permettent ainsi de se concentrer dès le démarrage sur les bons processus à robotiser et évitent une charge d’effort importante dans la qualification et le cadrage du projet.

| 9

Le modèle pour les gouverner tous !Une nouvelle gouvernance doit être mise en place, conduisant à la création d’un Centre d’Excellence Opérationnel Smart Automation. Ce dernier doit être composé d’experts chargés d’évaluer la faisabilité technique des opportunités identifiées, d’implémenter et de déployer des robots et de gérer le parc de robots de manière pérenne et cohérente.

La mise en place d’une gouvernance des robots est incontournable pour garantir le succès de la stratégie d’automatisation. Pour passer à un déploiement à l’échelle, les entreprises doivent construire des équipes dédiées sous forme de centre d’excellence, qui seront les référents robotique dans l’organisation et qui auront la charge de déployer les nouvelles initiatives Smart Automation. Ces centres sont constitués de personnes habilitées à configurer des robots, les installer et les déployer. Des agents de contrôle activent et désactivent les robots, prévoient leurs travaux et leurs relations avec les collaborateurs. Les organisations qui s’engagent dans l’automatisation via ces technologies émergentes doivent ainsi penser irrémédiablement à construire ce centre d’excellence.

Pourquoi ? Nous avons la conviction que l’automatisation est un réel projet d’entreprise et que dans ce cadre il est nécessaire d’inscrire des initiatives telles que la robotisation comme une fonction à long terme qui vise à accélérer l’évolution de l’entreprise. Ainsi, pour éviter d’ajouter de l’inertie à cette accélération, il est incontournable que les entreprises, qui entreprennent l’aventure de l’automatisation, se constituent des compétences permettant l’autonomie nécessaire pour faire fonctionner les robots. La solution d’un Centre d’Excellence en Automatisation (CEA) est une réelle opportunité de pouvoir inscrire en profondeur et de manière pérenne l’automatisation au sein de l’entreprise, ce qui induit la capacité de se donner les moyens de diffuser les connaissances, les ressources et les compétences tout au long de la mise en œuvre de la stratégie d’automatisation. Ainsi, le développement de l’automatisation des processus doit se faire de manière structurée autour d’un Centre d’Excellence garant de la méthodologie et gérant le parc de robots ainsi que d’un modèle opérationnel efficient prenant en compte l’ensemble des acteurs et des aspects techniques.

La solution d’un Centre d’excellence en automatisation (CEA) est une réelle opportunité de pouvoir inscrire en profondeur et de manière pérenne l’automatisation au sein de l’entreprise qui induit la capacité de se donner les moyens de diffuser les connaissances, les ressources et les compétences tout au long de la mise en œuvre de la stratégie d’automatisation.

Différents types d’organisation (centralisée, hybride, fédérée)

La structure organisationnelle du Centre d’Excellence en Automatisation (CEA) doit s’aligner sur les structures de gouvernance déjà mises en place au sein de l’entreprise (i.e. structure de gouvernance de projet IT). Il est incontournable pour les entreprises de pouvoir se doter d’une structure de gouvernance normalisée avec les directions métiers et des processus de contrôle permettant le degré d’agilité nécessaire pour répondre aux différentes spécificités de chaque direction (y.c. la gestion des fournisseurs, l’impact client, la conformité, la sécurité).

On constate principalement trois options de modèle répandues sur le marché : un modèle fédéré, un modèle centralisé et un modèle hybride. L’utilisation d’un modèle peut changer avec le temps, à mesure que les compétences et les capacités sont développées en interne. Cependant, il est plus recommandé de commencer par un modèle centralisé car cela permet de standardiser les processus et d’identifier clairement les différentes compétences à développer. Un modèle hybride peut être approprié lorsqu’il existe une relation de proximité avec les directions métiers qui disposeraient de leur propre extension du Centre d’Excellence en Automatisation.

Par convention, dans le cadre du modèle centralisé, le Centre d’Excellence en Automatisation est le plus souvent rattaché à la fonction IT, puisque traditionnellement, la fonction IT possède déjà la structure de gouvernance pour gérer des projets de nature technologique.

Un unique Centre d’Excellence centralisé pour servir l’ensemble des métiers. Les avantages sont de pouvoir réaliser des économies d’échelle, mutualiser la structure IT, mutualiser les standards d’automatisation, et simplifier le partage de la connaissance. En revanche, cette organisation centralisée implique, selon notre expérience, une complexité en termes de priorisation des projets pour servir l’ensemble des directions, et nécessite d’investir sur une solide méthodologie de projet, et peut occasionner un manque de réactivité et d’agilité en réponse aux demandes des différentes directions métiers.

Des Centres d’Excellence pour servir différentes directions jusqu’à des Centres d’Excellence de plus petites tailles dédiés à des directions précises de l’entreprise. Ce type d’organisation hybride apporte les avantages de bénéficier d’une stratégie, d’une gouvernance et de standards gérés centralement. Les projets dits complexes sont confiés au Centre d’Excellence principal et les projets simples sont gérés par les Centres d’Excellence locaux aux directions. Ainsi, la complexité de priorisation des projets est intrinsèquement réduite et la connaissance du contexte métier est mieux assurée. En revanche, les économies d’échelle peuvent être moindres, et il existe un risque de disparité des niveaux de compétences entre les différents Centres d’Excellence ce qui peut entraîner des incohérences possibles dans les approches adoptées.

Le type d’organisation fédéré implique l’existence de Centres d’Excellence totalement indépendants au sein de chaque direction. Les avantages de cette organisation sont que chaque direction contrôle ses propres projets d’automatisation et permet également de conserver une bonne connaissance métier au niveau du Centre d’Excellence. En revanche, il est important de noter qu’il existe un risque considérable de disparité dans les méthodes et approches tout en doublonnant certains rôles.

Centralisé Hybride Fédéré

3

CEA

4

61

25

7 1

CEA

CEA CEA

2

6

3

5

4

7

43

5

6

2

CEA

CEA

CEA

CEA

7CEA

CEA

1CEA


3

CEA

4

61

25

7 1

CEA

CEA CEA

2

6

3

5

4

7

43

5

6

2

CEA

CEA

CEA

CEA

7CEA

CEA

1CEA


3

CEA

4

61

25

7 1

CEA

CEA CEA

2

6

3

5

4

7

43

5

6

2

CEA

CEA

CEA

CEA

7CEA

CEA

1CEA


| 11

Le rôle et les responsabilités du CEA

Le rôle principal d’un Centre d’Excellence en Automatisation est la prise en compte de la totalité du cycle de vie des robots à l’instar des projets informatiques plus classiques :

• Impliquer toutes les parties prenantes et fédérer le métier, l’informatique et l’innovation,

• Décrire les exigences et les contraintes y compris réglementaire, juridique, opérationnel et technique à convenir avec les principaux partenaires

• Définir de manière précise et exhaustive le « Smart Automation RACI » de l’entreprise en prenant en compte tous les contributeurs

• Concevoir la méthodologie de gestion de projet de robot (i.e. le cycle de vie des robots) :

- Conception et déploiement des robots (y compris la capacité opérationnelle et le suivi des gains),

- Maintenance des robots (y compris la gestion des mises à jour des systèmes sources ou des évolutions de l’architecture informatique),

- Automatisation des mesures de performances et de la qualité (dispositif de contrôle et de surveillance intégrant la traçabilité, la documentation et les rapports d’audit d’activités),

- Identification des opportunités et processus de décommissionnement permettant de garantir la durabilité de l’écosystème informatique.

Le CEA, organe de gouvernance, de contrôle et de gestion des risques liés aux robots

Quel est le niveau optimal de contrôle ?Développer une matrice d’analyse des degrés de risques associés à un processus afin d’en déduire le niveau de contrôle requis. Les risques peuvent être évalués selon :• L’impact sur le client• Les infractions réglementaires• Le risque de pertes financières

Comment la cyber sécurité et le risque lié aux données privées sont-ils gérés ?• Déployer les robots derrière des pare-feux • Restreindre les profils utilisateurs des robots aux

seuls accès requis • Les données auxquelles les robots ont accès doivent

être revues et certifiées

Qui en est responsable ?Une équipe dédiée doit être mise en place afin de contrôler et assurer la disponibilité et les performances du robot en production

Les robots sont-ils conformes ?Des contrôles doivent être effectués pour assurer la conformité réglementaire, statutaire et contractuelle du robot

Comment apprendre des robots ?La compréhension et la documentation des performances des robots sont clés, notamment pour solutions fondées sur de l’IA

Existe-t-il une solution de repli ?Des plans de continuité suite une interruption de service doivent permettre de désactiver les robots, contrôler les traitements et assurer l’activité couverte par le robot


IA, un domaine qui regroupe une multitude de technologiesL’Intelligence Artificielle (IA) est la branche des sciences informatiques qui étudie et crée des systèmes informatiques qui peuvent s’apparenter à une forme d’intelligence humaine.

Ceci inclut l’apprentissage de nouveaux concepts et tâches à réaliser, raisonnant et dessinant des conclusions utiles à partir de données et comprenant des langages naturels.

Et demain ? L’Intelligence Artificielle : l’humain augmenté

02

Machine LearningDeep learningAnalyses prédictives

Natural Language Processing (NLP)Interaction et traductionInterprétation des émotionsExtraction d’informations

Robotic Process Automation (RPA)Automatisation de tâches simples et répétitivesPrise en compte de règles structurées

| 13

Les principales technologies IA qui sont déjà disponibles pour un déploiement sont les suivantes :

Machine-Learning Machines dont les performances s’améliorent avec le temps par apprentissage. Les machines adaptent leurs comportements en acquérant de nouvelles informations et au gré des mises en situation.

Vision Procédés qui permettent d’identifier et reconnaître des schémas sur des objets tels des images ou groupes d’images dans le but de les classer, les comparer ou en extraire de l’information.

Natural Language Processing (NLP) Algorithmes qui reconnaissent le langage humain et le formalisent de sorte à ce qu’il puisse être ensuite traité par des systèmes informatiques.

Parole La synthèse vocale est une technique informatique de synthèse sonore qui permet de créer de la parole artificielle à partir de n’importe quel texte. L’inverse est également possible grâce à l’IA.

RPA Automatisation de tâches répétitives suivant des processus simples et aux règles clairement établies.

Planification, optimisation Techniques qui permettent de planifier et/ou d’optimiser de façon automatique des évènements, des tâches et des plannings.

VisionDétection de mouvementsReconnaissance de formesCalcul de trajectoires

ParoleTranscodification de parole en texte et inversement

Planification, optimisationPlanification d’évènements et de tâchesOptimisation de plannings


L’Intelligence Artificielle évolue de l’Intelligence Assistée à l’Intelligence Autonome

Intelligence AssistéeLa technologie est déjà largement répandue aujourd’hui et aide à automatiser des tâches répétitives, standardisées et consommatrices de temps mais également à assister l’utilisateur via des chatbots.

Ex : un programme GPS qui indique au conducteur sa direction ou Netflix qui oriente le téléspectateur vers un contenu correspondant à ses goûts.

Ex : l’auto-partage existe grâce à une combinaison de machines qui organisent le service. L’homme y apporte ses émotions, son intelligence, sa persuasion et sa créativité.

Ex : l’usage à grande échelle de voitures autonomes en circulation. Des algorithmes autonomes sont également capables de prendre des décisions seuls.

Intelligence AugmentéeLa technologie est émergente et apporte un changement fondamental dans la nature des tâches automatisées. L’homme et la machine peuvent prendre tous deux des décisions.

Intelligence AutonomeCette forme est la plus avancée des technologies relevant de l’IA. Les robots décident par eux même et accèdent à un niveau subconscient d’information.

Cela crée de nouvelles opportunités et domaines de recherche (data-science, data-governance, data-sécurity…)

Intelligence Assistée Intelligence Augmentée Intelligence Autonome

2018

| 15

Les tendances du marché de l’Intelligence Artificielle

9%

72%

9%

15%

22%

27%

18%

En cours de déploiement IA à l’échelle

À des robots IA en production

Planifie activement d’en mettre en production

En cours d’expérimentation

En cours d’appropriation

Pas d’activité

Sont persuadés que l’IA sera l’avantage compétitif du futur

pensent que l’IA a le potentiel de permettre aux humains de se concentrer sur des tâches à vraie valeur ajoutée et de leur libérer du temps qu’ils consacreront à leur développement personnel.

affirment que le potentiel de l’IA à améliorer la productivité et la croissance compense les effets potentiellement négatifs liés à l’emploi.

confirment que les solutions IA mises en place à ce jour ont permis d’améliorer la productivité.

sont convaincus que s’appuyer sur l’IA aidera l’homme et les machines à travailler ensemble en combinant les intelligences digitales et humaines de la meilleure façon possible.

Source : PwC’s 2017 Financial Services RPA Survey


Les dirigeants sont conscients du potentiel que représente l’IA pour les assister dans leur métier :

70% 55% 54% 67%

Considérez-vous, ou avez-vous déjà, l’usage de solutions plus élaborées d’automatisation des processus que le RPA (i.e. IA) ?

A court termes, les solutions fondées sur de la robotisation et de l’IA amèneront de la croissance sur le marché :

La banque américaine Merrill Lynch prévoit une croissance du marché du RPA et de l’IA jusqu’à 122 Mds€ d’ici 2020, avec un potentiel de 56 Mds€ pour les solutions RPA et 66 Mds€ pour les solutions IA.

Merrill Lynch a également quantifié les bénéfices apportés par ces solutions d’automatisation d’ici 2025 au niveau mondial :

• Réduction de 22 % des coûts de main-d’œuvre due à une robotisation des tâches manuelles et basées sur des connaissances

• Gains en productivité de 30 % au travers de l’ensemble des industries

• 45 % des tâches de fabrication seront vraisemblablement robotisées

• Remplacement de 110 à 140 millions d’ETP

Potentielles économies générées* grâce à l’IA d’ici 2025

Impact économique annuel

Services Financiers 500 Mds€ - 600 Mds€

11T€ - 26T€



| 17

Comment l’Intelligence Artificielle est en train de changer les règles du jeu ?L’adoption de l’IA implique de profonds changements pour toute personne engagée dans la gestion d’entreprise. L’émergence de l’IA ouvre la voie à un nouvel ensemble de modèles d’exploitation et de business. La capacité d’analyser des niveaux de données non absorbable par l’humain et d’agir sur chaque nouvel ensemble d’informations permet aux entreprises de personnaliser leurs expériences, de personnaliser leurs produits et services et d’identifier les opportunités de croissance avec une rapidité et une précision jamais atteintes auparavant.

L’IA est peut être « intelligent » mais cela reste une machine. Beaucoup pensent que l’IA va apprendre miraculeusement sans intervention humaine.

Amener l’Intelligence Artificielle au centre des métiers et l’organisation de l’entreprise

S’aligner avec les objectifs stratégiques

Il est essentiel d’aligner l’IA sur les objectifs stratégiques et les indicateurs de performance, plutôt que de permettre à une série d’initiatives de fonctionner de manière isolée.

Ne pas s’attendre pas à des miracles

L’IA est peut être « intelligent » mais cela reste une machine. Beaucoup pensent que l’IA va apprendre miraculeusement sans intervention humaine. En réalité, beaucoup d’efforts doivent être consacrés à l’acquisition et à la fiabilisation des données, mais aussi au paramétrage des machines et à la formation des collaborateurs.

Bien choisir ses partenaires

Partout où vous regardez, il y a des start-ups qui offrent des solutions et des opportunités sur l’IA. Le partenariat avec ces fournisseurs accélère l’innovation, l’agilité et la rapidité de mise en place de ce type de solutions. Mais il est clairement important de bien choisir votre partenaire. Cela inclut d’être clair sur les priorités stratégiques et opérationnelles que vous cherchez à aborder.

Comprendre la solution

Avant d’adopter une solution IA, il est important de savoir ce qu’elle fait et comment. Cela implique de s’assurer que la solution est transparente sur son processus de prise de décision d’une manière qui peut être comprise et analysée par les équipes opérationnelles, les dirigeants et les régulateurs.

La transparence algorithmique fait partie du choix de la solution.

Se mettre en conformité réglementaire

Les technologies peuvent se heurter actuellement à des contraintes réglementaires qui compliquent leur adoption dans les industries réglementées telles que la santé et les Services Financiers. Rester conforme aux exigences réglementaires est essentiel pour renforcer la confiance dans votre plate-forme d’IA.

Structure organisationnelle

Les changements apportés par la mise en place d’une solution l’IA devront se refléter dans la structure organisationnelle. Cette organisation a besoin d’une structure de gouvernance dans laquelle s’inscrit l’IA.

Intégrer un cadre de contrôle

Les contrôles les plus efficaces sont élaborés pendant la phase de conception et de mise en œuvre, ce qui vous permet d’identifier les problèmes avant qu’ils ne le deviennent et d’identifier les opportunités d’amélioration.

Ne craignez pas l’intelligence artificielle, mais les humains qui seront derrière. Cédric Villani – Spécialiste de l’analyse mathématique - Médaille Fields 2010


Une question importante est de savoir qui conçoit et applique les contrôles ? L’ampleur de l’application et la nécessité de surveiller les résultats exigent l’engagement de l’ensemble de l’organisation. La conception du contrôle nécessite une contribution importante des experts du domaine métier. L’apport de l’équipe cyber sécurité sera requis pour certaines applications. Une partie clé de la mise en œuvre consiste à décomposer les contrôles en couches (« approche hiérarchique »).

Au minimum, il y aurait une couche de contrôle figée définissant les « lignes rouges » et que faire en cas de brèche. Des exemples peuvent inclure une valeur de transaction maximale pour un algorithme de trading de marché financier. Dans des applications plus complexes telles que les agents de conversation, vous pouvez introduire un « inhibiteur de comportement » qui remplace l’algorithme de base lorsqu’il existe un risque d’erreurs telles qu’une violation de la réglementation ou un langage inapproprié.

Ces contrôles de base peuvent être complétés par des « challenger models », qui servent de référence pour vérifier la mise en forme et la précision des techniques d’IA ou rechercher des biais ou des écarts indésirables lorsque les modèles apprennent à partir de nouvelles données. De plus, cette approche peut être intégrée au développement continu pour améliorer les modèles existants ou identifier des modèles supérieurs pour les mises à niveau du système.

Développer l’IA

Repenser la gestion du programme

L’application classique de la planification, de la conception et de la construction dans le contexte IA est vouée à l’échec. Innover et prouver le concept par le biais d’un développement itératif est nécessaire pour gérer la complexité des problèmes rencontrés et nécessite un haut niveau d’engagement de la part des Product Owners.

Gérer la dépendance des données

Le fonctionnement de l’IA est fortement dépendant des données pour la construction de modèles pour du Machine-Learning et a besoin d’un stock d’informations connu sous le nom de « base de connaissances ». Cela signifie souvent que les spécifications initiales de conception et les attentes sont définies au-delà des limites de ce qui peut être supporté par les données, quel que soit le degré d’intelligence du logiciel. Une exigence clé des projets dépendants des données est une phase de découverte pour décrire la quantité, la qualité et les limites des données sur les modèles et les fonctionnalités qui en résultent. C’est l’une des raisons pour lesquelles les implémentations de logiciels IA nécessitent une itération de conception significative pendant la phase de développement.

Prendre le temps de tester et de former

En ce qui concerne le Machine-Learning en particulier, il est important que l’équipe de développement applique les meilleures pratiques c’est-à-dire les méthodes d’optimisation et de validation croisée afin d’éviter le sur-apprentissage et d’autres problèmes courants. Pour obtenir une image claire du cas d’utilisation et de l’expérience utilisateur, les programmes doivent apporter leur plus-value au-delà de l’équipe de conception de logiciels, qui peut être inévitablement trop proche du projet pour l’examiner objectivement. La surveillance devrait inclure des tests pour corriger les angles morts fonctionnels.

L’une des façons d’augmenter les tests et de réduire les risques est de piloter d’abord les nouvelles applications basées sur l’intelligence artificielle et d’encourager une analyse approfondie par les analystes et les utilisateurs non techniques dans un contexte de « business-as-usual ». Le jugement de la part des experts et des informations contextuelles supplémentaires permettent de valider, d’évaluer les impacts et d’optimiser les applications avant de lancer des initiatives d’IA à plus grande échelle.

Enfin, le développement de l’IA peut nécessiter un certain nombre de tentatives pour le faire correctement. Il est donc important de s’assurer de la mise en place du bon niveau de contrôle de la qualité des programmes, ce qui peut indiquer rapidement quand les méthodes de travail sont à revoir.

Pour obtenir une image claire du cas d’utilisation et de l’expérience de l’utilisateur, il est important d’apporter un input allant au-delà de l’équipe de conception de logiciels ...

| 19

Définir des seuils de confiance

Un équilibre entre l’automatisation et la validation/vérification humaine est crucial. Définir les seuils appropriés pour déclencher l’intervention humaine peut toutefois être difficile. Ni trop prudent, ni trop laxiste. Un suivi continu des performances est essentiel pour confirmer que la technologie fonctionne dans les paramètres attendus. Les agents d’IA conversationnels s’engagent dans une communication subjective avec les humains, il est donc important de s’assurer que les seuils de confiance sont établis pour se conformer aux normes sociales et aux attentes des utilisateurs.

Protéger l’Intelligence Artificielle

Réduire les biais involontaires

Du fait que de plus en plus d’informations deviennent disponibles et que votre modèle mûrit, il est important de se prémunir contre les biais involontaires. La transparence est essentielle pour pouvoir repérer ces biais. Pour les systèmes qui apprennent à travers les interactions avec les clients, une surveillance fonctionnelle périodique, basée sur un ensemble d’interactions standardisées, est recommandée pour détecter toute « dérive ».

Se protéger contre les attaques

Les modèles de Machine-Learning peuvent être « trompés » par des intrusions malveillantes appelées « attaques adverses ». Il est possible de trouver des combinaisons de données d’entrée qui peuvent déclencher des résultats néfastes de modèles de Machine-Learning donc les « piratant ». Cela peut être atténué en simulant des attaques adverses sur vos propres modèles et en recyclant des modèles pour identifier de telles attaques. Un logiciel spécialisé peut être développé pour « immuniser » vos modèles contre de telles attaques. Cela devrait être pris en compte dans la phase de conception.

Reconnaître l’importance de la donnée en tant que propriété intellectuelle clé

L’IA est efficace surtout si les données sur lesquelles elle se base sont de qualité. Le maintien de données de haute qualité et l’évaluation continue de l’efficacité du modèle seront la clé d’une plateforme d’IA réussie. Au fur et à mesure que les applications de données et de technologie évoluent vers le cloud, l’avantage commercial dépendra de l’ampleur des données détenues. Il est donc important de comprendre la valeur des données que vous partagez, de les surveiller de près et de gérer leur approvisionnement et leur utilisation.

Surveiller les r isques systémiques

Le « crack » éclair qui a frappé les marchés financiers en 2010 démontre ce qui peut arriver lorsque plusieurs IA interagissent de manière non intentionnelle et que cela n’est pas suffisamment surveillé. Les sauvegardes doivent inclure la planification de scénarios, la compréhension de vos propres vulnérabilités et la façon de réagir rapidement.

Les modèles de Machine-Learning (en particulier le Deep-Learning) peuvent être trompés par des intrusions malveillantes appelées « attaques adverses ».

La stupidité naturelle est plus dangereuse que l’intelligence artificielle. Joël de Rosnay - scientifique, prospectiviste, conférencier, écrivain français

Quels prérequis à l’implémentation ?

L’implémentation et l’intégration de l’IA dans les écosystèmes actuels exigent des prérequis spécifiques en termes de matériels, de logiciels, de compétences et de gouvernance.

Matériels

Périphériques/unités de stockage : le stockage cloud et la gestion des données jouent un rôle important dans l’apprentissage d’une Intelligence Artificielle.

Serveurs : les systèmes d’Intelligence Artificielle et la puissance de calcul requise nécessitent des serveurs puissants.

Unités de traitement graphique (GPUs) : les GPUs, qui traitent efficacement plusieurs réseaux de neurones en parallèle, sont nécessaires pour gérer la quantité de données traitées et la puissance de calcul demandée.

Réseau : une qualité de réseau haute-gamme est nécessaire pour l’intégration des systèmes d’Intelligence Artificielle dans l’écosystème informatique de l’entreprise.

Compétences

Les moyens humains incluant les compétences suivantes sont requis pour, implémenter et maintenir les technologies IA :

• Compétences quantitatives, y compris les probabilités et les statistiques, l’informatique et l’économétrie

• Analyse de réseau Bayésien/modélisation graphique, y compris réseau de neurones

• Physique et robotique

• Programmation et de code

• Génie logiciel et conception

Gouvernance

Équilibre entre la collaboration humaine et la machine : une workforce digitale se mettra en place grâce à l’IA en complément de la workforce humaine et permettra ainsi aux organisations d’augmenter significativement leurs capacités à faire.

Intégrité des données et transparence : avec l’utilisation croissante des données des clients, les entreprises auront besoin d’un cadre pour répondre aux enjeux tels que la limitation des informations qu’elles peuvent collecter et partager avec d’autres parties prenantes externes ainsi que l’utilisation transparente des données dans la prise de décision.

Gestion de crises en cas de défaillance de l’Intelligence Artificielle : la complexité croissante de la technologie de l’Intelligence Artificielle et la nature de plus en plus autonome des systèmes d’Intelligence Artificielle compliquent la confiance des entreprises, voire la reconstruisent une fois qu’elles sont perdues. Par conséquent, il sera crucial d’avoir un processus efficace de gestion de crise en place au cas où les systèmes d’IA échoueraient.

Logiciels

Plateformes AI/Machine-Learning : en général, les entreprises utilisent trois plateformes Cloud majeures, à savoir Amazon Web Services (AWS), Google Cloud Platform (GCP) et Microsoft Azure.

Outils et Framework : en règle générale, les entreprises utilisent des outils Apache open-source tels que Spark et Hadoop

Nettoyage de données/agrégation de données :

• Systèmes aidant au nettoyage de données, à la structuration et au stockage des données dans le format désiré ;

• Outils qui consolident les données provenant de sources disparates et récupèrent les données de maintenance à l’aide de mots-clés.

API (Application Programming Interface) d’intégration : APIs pour l’intégration de l’IA dans l’écosystème informatique de l’entreprise.

Modélisation informatique et systèmes experts : logiciels de modélisation basés sur des règles prédéfinies pour une meilleure analyse des données.

Logiciels de reporting et de visualisation des données : outils de production de rapports structurés, point de vue spécifique détaillé ou synthétique tels que Tableau, Click, Spotfire.


| 21

Le Machine-Learning, comment ça marche ?

Le « Machine-Learning » est une catégorie de recherche et d’algorithmes fondée sur la recherche de schémas ou patterrn et l’utilisation de ces schémas ou pattern pour faire des prédictions. Le « Machine-Learning » fait partie du domaine du l’IA, qui regroupe une multitude de technologies

• Détecter une fraude à l’assurance• Prédire qu’un client va quitter sa banque• Proposer des produits adaptés à mon client• …

Sélectionner les donnéesDéterminer 3 groupes de données : les données d’apprentissage, données de validation, et les données de tests

Améliorer le schémaAméliorer en continu les performances de l’algorithme en utilisant plus de données, des fonctions différentes et paramètres ajustés

Construire un schémaUtiliser les données d’apprentissage pour construire le schéma ou Pattern désiré

Utiliser le schémaDéployer le schéma ou pattern entraîné pour faire des prédictions sur les futures données

Valider le schémaÉvaluer la justesse du schéma ou Pattern avec les données de validation

Tester le schémaVérifier la performance et la robustesse du schéma ou pattern validé avec les données de tests

Statistics

Databases

Pattern recognition

Neurocomputing

Artificial Intelligence

Knowledge Discovery

Data Mining

Deep learning

Source : SAS 2014 et PwC 2016

01

06

02

05

03

04

Quel rapport entre le « Machine-Learning » et l’IA ?

Les étapes clés du fonctionnement du « Machine-Learning »

Et en pratique ?

Pourquoi parle-t-on de Machine-Learning lorsqu’on parle d’Intelligence Artificielle ? Le propre de l’IA est de rendre un programme informatique suffisamment robuste et autonome pour prendre des décisions pour assister l’humain. En substance, l’aspect de l’apprentissage du programme informatique est un élément essentiel pour donner de l’autonomie au programme, sinon il s’agit de règles métiers « simplement » renseignées dans le programme informatique qui exécute de façon basique les règles qui lui sont dictées sans réelle intelligence (c’est par ailleurs le cas des solutions de type RPA).

Ainsi, le Machine-Learning est un élément prépondérant dans le domaine de l’Intelligence Artificielle. Son principe est que la machine peut « apprendre » en analysant de grandes quantités de données. L’exemple le plus courant pour illustrer ce principe est que plutôt que d’être programmé pour reconnaître un chat ou un visage humain, la machine peut être entraînée avec des images permettant de reconnaître des objets spécifiques pour les catégoriser. Les algorithmes de Machine-Learning apprennent donc par l’entraînement. Un algorithme reçoit d’abord des exemples dont les résultats sont connus, observe la différence entre ses prévisions et les résultats corrects, et s’accorde avec des pondérations pour affiner la précision de ses prédictions jusqu’à ce qu’elles soient optimisées. L’une des principales caractéristiques des algorithmes en Machine-Learning, est que la qualité de leurs prédictions s’améliore avec l’expérience. Plus nous les alimentons avec des données d’apprentissage (jusqu’à un certain point), meilleure est la prédiction.

i


| 23

Des cas d’usages sur l’ensemble de la chaîne de valeurLes initiatives de Smart Automation offrent des perspectives nouvelles sur l’ensemble des fonctions de la chaîne de valeur des Services Financiers. Malgré un certain nombre de cas d’utilisation possibles relatifs à l’Intelligence Artificielle, le secteur s’est montré plus tardif à adopter l’IA comparé aux autres industries.

Nous avons listé ci-contre quelques exemples d’usages rendus possibles grâce aux solutions de Smart Automation :

• Contrôler et réduire les transactions frauduleuses,

• Améliorer l’expérience client en ligne et sur mobile,

• Fournir des solutions de gestion financière personnelle – (i.e. portefeuilles intelligents),

• Améliorer le processus d’octroi des prêts,

• Faire des recommandations de portefeuille personnalisées (i.e. robot-conseillers),

• Automatiser le trading (c.-à-d. le trading algorithmique et le trading à haute fréquence),

• Automatiser les tâches et les processus dans la chaîne de valeur tels que le reporting, le suivi de la conformité, le rapprochement des transactions.

• Atténuer le risque assurantiel,

• Automatiser la souscription de produits,

• la gestion des sinistres et prestations,

• Traiter les réclamations,

• Améliorer l’expérience client et le ciblage client,

• Automatiser le service client,

• Gérer la distribution,

• Analyser le comportement des clients.

Smart Automation - Les cas d’usages possibles dans les Services Financiers

03


Cette liste d’usages non-exhaustive montre que les nouveaux usages qu’offrent les initiatives de Smart Automation concernent l’ensemble de la chaîne de valeurs des Services Financiers (i.e. banques, Assurance, Gestion d’actifs).

Front office

Front office

Back office

Back office

Middle Office Back Office

Stratégie et croissance

Clients & Marketing

Vente et distribution

Développement produit

Opérations

Service et support

Développement produit

Opérations

Service et support

Fonctions de la chaîne de valeur des Services Financiers

Cas d’utilisation d’IA clés dans les Services Financiers

Principaux éléments impactés sur la chaîne de valeur

Amélioration de l’engagement des clients : les techniques d’IA peuvent aider à adapter les communications personnalisées et les conseils aux clients finaux dans l’ensemble des Services Financiers. Cela se manifeste par le biais de robot-conseillers, de portefeuilles intelligents et de solutions de service en ligne à la clientèle…

Réaliser des gains de productivité grâce à l’automatisation : certaines techniques d’IA, telles que la robotique, offrent aux entreprises de Services Financiers la possibilité d’automatiser de nombreux processus tels que le rapprochement des comptes et la production de rapports.

Accélération de la détection des fraudes et réduction des risques : Les solutions d’IA peuvent jouer un rôle important dans l’identification des anomalies des données et leur signalisation en temps réel pour une analyse approfondie ainsi que pour l’évaluation des différents types de risque (i.e risque de crédit).

Middle Office

Middle Office

| 25

L’automatisation des Front Offices

Exemples d’usage dans le « Front-office » des Services Financiers

Fonctions Stratégie d’entreprise & croissance

Clients & Marketing Vente et Distribution

Cas d’utilisation de l’IA (non exhaustifs)

• Utilisation du big data pour analyser les performances d’une entreprise à travers des segments de produits, des zones géographiques et des segments de clientèles pour piloter les décisions business

• Outils B2B utilisant des techniques d’IA telles que le NLP sur des données provenant de sources multiples pour fournir des informations sur les tendances de l’industrie, le comportement des consommateurs, l’entrée sur le marché et l’optimisation du portefeuille de produits

• Utilisation de l’analyse du sentiment pour cibler les clients avec des produits qui correspondent à leurs choix et à leurs besoins

• Utilisation de l’analyse textuelle et des réseaux sociaux pour comprendre les tendances du marché et le sentiment des clients

• Utilisation du Big Data pour comprendre le comportement des clients et déterminer le segment de clientèle à cibler

• Des assistants virtuels et des chatbots aident à améliorer la livraison des produits, réduisant l’intervention humaine dans les centres d’appels

• Les systèmes basés sur la voix tels que les assistants personnels virtuels et les chatbots sont utilisés pour la vente croisée et ainsi améliorer le processus de vente

Leviers Technologiques • Traitement du langage naturel

• Traitement du langage naturel

• Speech to text

• Traitement du langage naturel

Illustrations de solutions (non exhaustives)

• InsightSquared, un fournisseur de solutions d’analyse, tire partie de l’Intelligence Artificielle pour offrir une analyse complète de la performance des ventes, ce qui est essentiel pour les décideurs dans la prise de décision

• PwC utilise l’IA pour son outil, DeNovo, qui s’appuie sur l’analyse sémantique de langage naturel, le traitement graphique et le Machine-Learning, pour comprendre les tendances émergentes de l’espace technologique financier, formant rapidement une base de connaissances sur un sujet particulier

• Cardlytics, un fournisseur de plate-forme de « data intelligence » répondant à la fidélisation de la clientèle, utilise les données des transactions des clients auprès des banques et exploite le big data pour fournir des offres ciblées liées aux cartes des clients des banques

• Invesco a acquis Jempstep, une plate-forme de robot-conseil basée sur l’IA, qui offre une plate-forme automatisée d’engagement, d’intégration et de service client en ligne

• Kasisto, un fournisseur de plate-forme AI conversationnel, fournit des assistants virtuels conversationnels pour les applications mobiles d’entreprise. La solution aide les consommateurs à accomplir des tâches complexes telles que le transfert de fonds et le paiement de factures (voix, texte), qui nécessitent la présence d’agents en direct

• Yes Bank a lancé un forum de discussion bancaire, Yes mPower, en partenariat avec Gupshup, une plateforme bot. La banque envisage d’offrir des services supplémentaires liés aux prêts et de vendre d’autres produits via ce chatbot


Exemples d’usage dans le « Middle-office » des Services Financiers

Fonctions Développement produit Opérations Service et support


• Utilisation du Machine-Learning pour l’adaptation et l’optimisation de produits à usage mobile et en ligne en étudiant des facteurs tels que l’attractivité du marché, les données sur la demande de produits/services et autres

• Utilisation de l’IA pour analyser une grande quantité de données structurées et non structurées afin de développer des produits personnalisés en fonction des préférences des clients

• Utilisation des logiciels cognitifs d’automatisation des processus comme NLP pour automatiser les tâches consommatrices de temps telles que celles rencontrées dans les processus de reporting et de souscription

• Utilisation du Deep-Learning, de l’analyse de la parole et du texte pour analyser d’importantes quantités de données vocales des centres d’appels et des données des réseaux sociaux afin de recueillir des informations pour remplir automatiquement différents formulaires

• Utilisation de NLP pour comprendre et mieux répondre aux requêtes des clients. Des robots, assistants personnels virtuels, assistent les clients pour automatiser le dépôt des formulaires pour les ouvertures de comptes, gérer le patrimoine et fournir des recommandations financières sur les mises à jour et les services

• Utilisation de l’apprentissage automatique, NLP pour analyser et prédire le comportement des clients et fournir un service client personnalisé

Leviers Technologiques • Machine-Learning

• Analyse prédictive

• Machine-Learning

• Speech to text

• Deep learning

• Traitement du langage naturel (NLP)


• Speech to text

• Traitement du langage naturel (NLP)


• FS Demand Estimator, une application d’analyse de PwC, aide les entreprises à tracer les préférences des clients puis utilise ces connaissances pour améliorer les caractéristiques des produits

• Atidot, plate-forme d’analyse prédictive dans le cloud, propose une plateforme actuarielle et de gestion des risques pouvant être utilisée par les assureurs pour analyser les données démographiques. Les données collectées via les réseaux sociaux, etc. en vue de créer des produits d’assurance tirant parti du Machine-Learning et de la data science

• Narrative Science, un fournisseur de plate-forme de génération de langage naturel, offre une solution, Quill, qui utilise le NLP pour automatiser les commentaires du portefeuille pour les gestionnaires de portefeuille de façon personnalisée en vue d’améliorer leur productivité

• La société DBS Bank basée à Singapour et IBM Watson se sont associés pour développer leur capacité à apprendre des demandes antérieures ou de profils de clients similaires en s’appuyant sur l’analyse et le Machine-Learning pour accélérer la préparation des documents.

• ForwardLane, une plateforme cognitive de finance, s’est associée à IBM Watson pour développer un logiciel d’IA qui fournit des informations sur les clients en gestion de patrimoine et des recommandations de portefeuilles aux conseillers.

• Allianz a installé Semantic Search Engine d’Inbenta pour fournir de meilleurs services aux clients, agents, courtiers grâce à l’optimisation des appels et des e-mails reçus par le centre d’appel des assureurs en utilisant le Machine-Learning et l’analyse de la parole.

L’automatisation des Middle Office

| 27

Exemples d’usage dans le « Back-office » des Services Financiers

Fonctions Risque, Réglementaire, Conformité RH, Finance, Capital


• Utilisation de l’Intelligence Artificielle dans les fonctions de gestion des risques : détection de fraude financière, systèmes de souscription crédit et alertes anticipées.

• Utilisation de NLP et Machine-Learning pour automatiser de nombreux processus : tenue de registres, KYC/AML et analyses des changements réglementaires

• Utilisation d’algorithmes avancés : deep Machine-Learning et algorithmes NLP par différentes fonctions (i.e. HR, Finance) afin de construire et maintenir des effectifs performants, stabiliser la conformité et circonvenir aux risques

Leviers Technologiques • Natural Language Processing


• Predictive Analytics

• Deep Learning


• Natural Language Processing

• Predictive Analytics

• Object Recognition

• Deep Learning


• Digital Reasoning : solutions NLP et Machine-Learning permettant de comprendre comment différents interlocuteurs communiquent grâce à des analyses de contexte, contenu, et relations entre personnes humaines.

• BBVA a adopté la solution NLP de Fonetic afin d’aider ses fonctions de conformité à la tenue des registres commerciaux. NLP Fonetic fournit des solutions d’analyses commerciales, prévention de fraude, reconstruction du commerce, contrôle des risques, tenue des dossiers Dodd Frank, EMIR, et MiFID II.

• Belong : utilisation d’une solution de recrutement basée sur le Machine-Learning permettant une recherche s’appuyant sur l’analyse de données et sur une technologie de recommandation grâce à l’analyse de millions de profils sur les réseaux sociaux, internet, et sources publiques afin d’aider les entreprises à identifier les candidats qui correspondent au mieux à leurs besoins

• Bridgewater Associates : un hedge fund qui prévoit d’utiliser PrioOS : une solution d’Intelligence Artificielle, afin d’automatiser le management d’activités quotidiennes de l’entreprise : recherche de candidats répondant à des critères de sélection spécifiques et élaboration de classements selon différentes perspectives fonctionnelles lors de désaccords des équipes.

L’automatisation des Back Office


Des cas d’usages alternatifs à la délocalisation Les Services Financiers sont encore aux prémices de l’adoption des robots. Quelques banques et assurances ont déjà intégré des robots dans leurs activités transactionnelles, tandis que de nombreuses autres entreprises sont encore au stade exploratoire. À titre d’exemple, de nombreuses banques externalisent une grande partie de leurs processus, en les délocalisant dans des zones où le coût de la main-d’œuvre est moins élevé (Inde, Chine…). Cela leur confère un avantage tarifaire, mais au prix d’une inflexibilité opérationnelle ainsi que d’un manque de visibilité et de contrôle.

Smart Automation offre l’opportunité à ces entreprises de ré-internaliser ces processus, leur donnant à nouveau la main pour les transformer facilement, les mettre à jour quand nécessaire et d’avoir le contrôle ainsi qu’une visibilité complète, tout en réduisant considérablement le nombre des personnes nécessaires pour mener à bien ces activités. En outre, parce que les robots peuvent interagir avec des données provenant de tout type de système, les entreprises internationales n’ont plus besoin d’harmoniser, à des coûts souvent considérables, les différentes versions des ERP qu’elles ont mis en place dans leurs différentes filiales. Les gains d’efficacité et d’économies qui en résultent peuvent être considérables.

L’automatisation de la fonction finance

Smart Automation apportent d’ores et déjà des changements radicaux au sein de la fonction Finance, permettant des réductions de coûts importantes et augmentant la vitesse de traitement des transactions. PwC accompagne les banques et les assurances en les aidant à mettre en place des solutions RPA au sein de processus RH, IT, support client, et, bien sûr, la Finance, notamment sur des activités de Comptabilité et d’Audit :

• Comptabilité

- Automatiser les entrées de journal complexes

- Effectuer et documenter les rapprochements de comptes

- Calculer et appliquer les allocations

- Gérer les comptes d’immobilisations

• Créances et dettes

- Saisir les données et factures non-électroniques

- Effectuer des rapprochements de factures

- Traiter les demandes de paiement - Gérer l’affacturage - Gérer le Cash Pooling

• Investissements

- Analyser des flux d’information variés pour en déduire des opportunités d’investissements

- Suivre et anticiper les évolutions d’un portefeuille d’investissements

- Passer des ordres en bourse

• Contrôle de gestion et analyses financières

- Rassembler les données pour analyse

- Créer des rapports de gestion standardisés

• Prévisions financières

- Exploiter des données financières et non financières, structurées ou non

- Prévoir l’évolution financière de l’entreprise à partir d’un historique et de données de marché

• Reporting interne, externe et réglementaire

- Préparer des formats de reporting réservés à la communication externe

- Formater les informations financières et non financières requises par les régulateurs

• Gestion de la paie

- Signaler les erreurs de déclaration de temps et les omissions

- Vérifier les heures déclarées par rapport au calendrier

- Harmoniser les données entre plusieurs systèmes de gestion des ETP

• Support à l’audit

- Audit de paiements, de la saisie des temps et notes de frais

- Conduire des audits de transactions sur des périmètres à haut-risque

- Analyse exhaustive et non plus par échantillonnage

| 29

D’autres technologies de Smart Automation peuvent également faire évoluer fondamentalement les activités au sein des institutions financières. Certains acteurs récoltent déjà les fruits de leurs initiatives. Par exemple, la prise en compte de données non financières est un enjeu majeur pour l’amélioration des prévisions financières. Les sources d’information disponibles n’ont jamais été aussi importantes. Néanmoins, une part des données disponibles ne sont pas structurées telles que les données financières provenant des systèmes de gestion et des systèmes comptables (formulaires de satisfaction clients, flux d’information web, réseaux sociaux, évènements politiques ou météorologiques…). C’est en parvenant à formater et à exploiter ces données au travers de robots ayant une capacité d’apprentissage que les algorithmes de prévision financières pourront notamment augmenter leur capacité d’analyse. Certains cas d’usage ont déjà été concrétisés au travers d’initiatives convaincantes ou même déployés à l’échelle.

Une gestion assistée et automatisée des portefeuilles d’investissements

La gestion des investissements est un enjeu majeur pour les entreprises. Néanmoins, compte tenu des marges de risque et de solvabilité à respecter, les marges de manœuvre sont de plus en plus restreintes et les Directions des Investissements ont besoin de nouveaux outils performant pour les assister.

Une analyse de données intelligente pour identifier des opportunités d’investissementsContexte et cas d’usage Solutions et technologies sous-jacentes

• Les gestionnaires de portefeuilles d’un Hedge Fund utilisent des robots afin d’analyser toutes les données d’entreprise disponibles de manière à identifier les investissements les plus intéressants.

• La technologie sous-jacente est le Machine-Learning.

• Les données analysées comportent des rapports financiers mais aussi des communiqués de presse, des articles d’actualités et même des enregistrements sonores ou vidéos retranscrits. Les relations pertinentes sont mises en évidence entre l’histoire opérationnelle et financière d’une entreprise et la performance de ses titres en bourse.

• L’expertise du robot, acquise par l’expérience, repose principalement sur la reconnaissance immédiate de schémas ou de « patterns ».

• Le robot assiste les gestionnaires de portefeuilles mais ne procède pas aux investissements et désinvestissements. Il s’agit là d’Intelligence Assistée ou Augmentée.

Une amélioration des prévisions financières

Si prédire l’avenir n’est pas une science exacte, une analyse des évènements passés peut permettre d’identifier des schémas logiques et ainsi d’estimer des occurrences probables fondées sur la situation présente.

Des prévisions financières améliorées

Contexte et cas d’usage Solutions et technologies sous-jacentes

• L’étude des données passées peut aider à anticiper l’avenir.

• C’est notamment vrai dans le cadre des prévisions financières pouvant être assistées par des robots.

• Des prévisions peuvent être faites et affinées au cours des exercices grâce aux aspects du Machine-Learning que peuvent utiliser certains robots en se basant sur les évènements financiers passés (opérations, ajustements comptables…) historisés au sein des entrepôts de données des Directions Financières.

• Plus particulièrement, l’un des sujets qui concentre le plus d’attention en matière de trésorerie est la gestion des prévisions. Elle conditionne la liberté de manœuvre future et l’indépendance de l’entreprise et du dirigeant. L’Intelligence Artificielle pourrait ainsi aider à suggérer des solutions d’optimisation de la trésorerie ou même prendre les mesures qui s’imposent pour l’optimiser.


Une amélioration des analyses financières

L’analyse financière est propre à chaque organisation et nécessite une grande rigueur pour consolider les informations collectées. Ces activités sont souvent chronophages et mal outillées. Les possibilités offertes par les nouvelles technologies d’automatisation permettraient aux analystes de ne se concentrer que sur l’interprétation des résultats.

Un algorithme automatisant la génération d’analyses financières de manière plus rapide et plus complète


• Au sein de la direction financière d’une banque, les contrôleurs de gestion utilisaient Excel pour prévoir les ventes mensuelles ainsi que la production.

• Frustrés par le temps consommé et l’imprécision des prévisions manuelles, ils ont sollicité une équipe de quatre data scientists pour développer un algorithme qui permettrait d’automatiser les feuilles de calcul.

• L’algorithme initialement développé utilisait toutes les données de vente et d’exploitation, ainsi que des informations externes supplémentaires (sur la météo et les marchandises, par exemple).

• Ainsi, au bout de six mois, la société avait éliminé la plupart du travail manuel requis pour la planification et les prévisions - avec l’avantage supplémentaire que l’algorithme était plus performant et non sujet aux erreurs opérationnelles.

Une plateforme de Machine-Learning améliorant la gestion des analyses financières de l’entreprise


• Une entreprise américaine du Fortune 500 offrant une vaste gamme de produits et de services aux consommateurs et aux petites entreprises a cherché à exploiter des données économétriques à côté des données financières pour améliorer la prédiction en termes d’analyse statistique et de prévision.

• Les exigences de base tournaient autour du remplacement d’une plate-forme SI obsolète, pour une plate-forme unifiée en vue d’améliorer les performances métier, incluant une analyse prédictive enrichie utilisant des informations financières et non financières internes et externes

• L’entreprise s’est tournée vers la solution de Machine-Learning OneStream XF

• OneStream peut exploiter des données économétriques incluant diverses statistiques et tendances telles que l’information du taux de chômage, les prix du gaz, les taux d’inflation, etc. Elle peut ensuite combiner ces informations avec les informations financières déjà présentes dans le moteur de données interne OneStream. De plus, Elle est également capable de tirer profit des données présentes dans le moteur de données de la solution Microsoft Machine-Learning.

• Enfin, grâce à toutes ces sources de données, OneStream est en capacité de réaliser des analyses très précises et fiables. En résumé :

Exploitation de données financières et non financières ;

Apprentissage automatique/Prédiction statistique ;

Synthèse de ces données dans OneStream pour obtenir une analyse fiable.

• Ainsi, la société en question a pu profiter d’une solution offrant une vision à 360 degrés qui permettra au département Finance de se concentrer sur l’interprétation de l’analyse plutôt que sur la mécanique pour intégrer, préparer et déplacer les données utilisées pour ces analyses.

L’automatisation, une sérieuse alternative au offshoring de certaines activités

Offshoring, externalisation et centralisation ont été les impulsions pour améliorer la productivité de la fonction Finance depuis des décennies. Un bon nombre de directeurs financiers considèrent l’automatisation comme la nouvelle tendance pour gagner en efficacité et en performance. En effet, des technologies meilleures, rapides et peu coûteuses ont émergé et sont destinées à réinventer la fonction Finance.

| 31

Une amélioration de la connaissance et de la relation client

Pour augmenter la satisfaction client sur un secteur concurrentiel de plus en plus innovant, affiner la stratégie marketing ou encore faire face aux contraintes réglementaires, une connaissance client approfondie est plus que nécessaire. Pour répondre à cet enjeu, de nouvelles technologies d’automatisation et d’aide à la connaissance du client sont disponibles.

Des agents conversationnels et des robots transactionnels au service des clients


• Les attentes des clients des banques évoluent et l’heure n’est plus aux interminables files d’attente en agence.

• Le client souhaite désormais avoir accès à ses comptes, ses services et effectuer des opérations à tout moment.

• La banque souhaite aussi approfondir sa connaissance client pour proposer des produits plus personnalisés.

• La mise en place de chatbots et de Machine-Learning permettrait de :

- Répondre aux demandes du client 24/24h, 7/7jours sans l’intervention de chargés de clientèle ;

- Être homogène en termes de communication et en conformité avec les politiques de communication ;

- Évaluer la satisfaction client et ainsi améliorer le comportement du robot à l’aide de questionnaires en fin de conversation.

• De plus, l’automatisation des opérations clients permettrait une meilleure prévention de la fraude grâce à la mise en place de contrôles et reporting automatiques.


La renégociation de crédit


Le constat

• Seuls 28 % des consommateurs se déclarent très satisfaits des services des agences bancaires.

• 25 % des consommateurs ne se rendent plus dans leur agence bancaire et échangent donc sur les autres canaux.

• 42 % des conseillers bancaires indiquent ne pas parvenir à s’organiser dans le traitement de leurs messages.

• Les usages des clients de banques évoluent du rendez-vous en agence vers le service en ligne. Couplé à des fermetures d’agences toujours plus nombreuses, le volume de mails reçus par les conseillers et agents explose. Comment faire face à cet afflux croissant afin de répondre au mieux aux besoins des consommateurs ? Comment profiter de cette dématérialisation afin de repenser le rôle du conseiller pour être au plus près des besoins du client ?

• La digitalisation permet un accès à des données consommateur toujours plus nombreuses.

• L’automatisation et l’accès à des bases de données clients sont déjà en place chez les acteurs du secteur. Lier ces changements avec l’Intelligence Artificielle permet une analyse et une anticipation des besoins du consommateur impensable jusque-là.

Pour quels avantages ?

• Le conseiller pourra se concentrer sur les tâches à plus grande valeur ajoutée demandant une analyse humaine (conseil en placements financiers…).

• Le temps de constitution et de traitement d’un dossier est quasi-nul, et devient exclusivement dépendant du temps de réponse du client.

• Le taux d’attrition diminue en conséquence : devancer les souhaits des clients devient un moyen sûr de s’attirer leur satisfaction et donc leur fidélisation. La diminution du délai lors du traitement d’un dossier permet d’éviter que le client se tourne vers la concurrence.

• Une phase pilote de durée variable est indispensable afin d’entraîner le robot. Le conseiller ou une ressource dédiée est en charge de l’apprentissage du robot et arbitrera chacune de ses décisions sur les axes suivants :

- Reconnaître les clients possédant un crédit, ainsi que les taux selon la date de contraction du prêt.

- Analyser depuis différentes sources les évolutions des taux de crédit. Cette étape peut se baser sur les tendances du marché, les taux pratiqués chez les autres acteurs du secteur, les préconisations d’experts financiers…

- Identifier les moments “charnière” au niveau des évolutions du marché : baisse conséquente des taux…

- Identifier les “périodes de rupture” du client, afin d’être à même d’estimer un profil de client qui cherchera à renégocier son crédit. Chaque paramètre pouvant être à même de provoquer une tendance de rachat de crédit doit être pris en compte par le robot : rentrées de fonds sur les comptes clients, changement de statut professionnel…

- Identifier, parmi les clients rattachés au périmètre du conseiller, les clients susceptibles d’entrer dans cette “période de rupture”, et leur proposer une nouvelle offre de crédit en conséquence. Un cadre bénéficiant d’une forte promotion et déménageant en province sera ainsi susceptible de désirer renégocier son crédit en vue d’un nouvel achat immobilier.

• Après une phase d’apprentissage supervisée, le robot sera en capacité de prendre l’initiative d’offrir les meilleurs services pour chaque client :

- Analyser le contexte des clients et le contexte marché à fréquence définie ;

- Identifier les clients susceptibles de prendre l’initiative d’une renégociation de crédit à très court terme ;

- Calculer l’offre la plus proche des besoins des clients (en termes des mensualités, de leur montant, calcul des frais, écart de taux, gain estimé pour le consommateur...). Ces informations peuvent se baser sur les tableaux d’amortissement des crédits en cours du client, ses dossiers de crédits actuels, ses données bancaires générales et les tendances du marché ;

- Effectuer une proposition de dossier au conseiller. Cette proposition peut être automatisée de bout-en-bout : rédaction d’un mail de proposition, liste des pièces justificatives nécessaires, contrat type rédigé automatiquement selon le nouveau taux, document de synthèse des gains estimés pour le consommateur…). Selon le degré d’autonomie laissé au robot, l’envoi de la proposition de renégociation peut être effectuée directement ou validée par le conseiller ;

- Si la proposition est envoyée au client à J +0, pré-remplie avec toutes les informations bancaires nécessaires, le client est à même de prendre sa décision et d’envoyer le dossier complété et signé à J +3 ;

- Ce dossier ayant été à l’initiative de la banque, celui-ci est déjà pré-approuvé et n’engendre donc plus de délais de validation. Le robot peut analyser les pièces fournies et procéder immédiatement au réajustement du crédit sur J +3. La renégociation s’est effectuée en totalité sur 3 jours, où le seul délai dépend de la décision et de la constitution du dossier par le consommateur.

| 33

Un renforcement de la connaissance client (KYC)


• L’environnement réglementaire de plus en plus exigeant, complexe, et évolutif ainsi que le manque à gagner en lien avec les crimes financiers obligent les institutions financières à repenser le modèle opérationnel de leur fonction Conformité, et à capitaliser sur les nouvelles technologies.

• Ainsi, la fonction de la Conformité fait face à des challenges multiples et diversifiés issus du renforcement des réglementations, et de la multiplication des crimes financiers (sanctions et embargos financiers, réglementations locales et internationales, lutte anti-blanchiment, lutte contre le financement du terrorisme, fraude et corruption, connaissance client, intégrité des marchés financiers, etc..).

• Dans le cadre de leurs obligations réglementaires en lien avec la lutte contre les crimes financiers (AML, financement du terrorisme, embargos, …), la connaissance client (KYC) est un enjeu majeur pour les institutions financières.

• Ceci nécessite la mise en place d’un processus de collecte et d’analyse des données clients utilisant des technologies innovantes.

• L’usage des technologies émergentes de Smart Automation (i.e. RPA & IA) est un facteur de différenciation clé. Combiné à la task force humaine, il permet une réduction des coûts et de meilleures performances.

Collecte des données client utilisant du RPA + OCR (reconnaissance de caractères)

• Robotisation de la collecte des données client basiques de diverses sources multiples ;

• Structuration des données collectées par les robots pour alimenter les outils analytiques.

Screening du comportement client utilisant du RPA + Machine-Learning

• Sur la base des données collectées, mise en place de patterns/scénarios de screening du comportement client (exemples : transactions financières vers des pays faisant l’objet d’embargos, paiements par carte bancaire et virements vers des pays ou des tierces parties suspectes, …) ;

• Amélioration en continu des scénarios à travers le Machine-Learning.

Scoring et classification utilisant du RPA + Machine-Learning

• Mise en place de robots pour la classification/notation des clients sur la base du screening réalisé lors de l’étape 2 ;

• Amélioration en continue des grilles de classification à travers le Machine-Learning ;

• Robotisation des revues qualités concernant les données clients collectées, et les classifications réalisées.

Restitution des Due diligence client

• Suite à la structuration des données client et à la mise en place d’outils de scoring, mise en œuvre de reportings/KPIs permettant l’analyse des comportements clients et de leurs classifications

Une mise en adéquation intelligente entre clients et produits


• Une banque du Royaume-Uni entreprenait un examen de son portefeuille clients pour comprendre si elle avait vendu les produits adéquats aux besoins de ses clients.

• Cet examen a été entrepris par des experts et a nécessité d’énormes efforts manuels.

• Le client voulait automatiser ce processus pour réduire les coûts et ainsi augmenter la productivité.

• La solution adoptée repose sur :

- Les différents critères identifiés par les experts pour évaluer l’adéquation client-produit ;

- L’utilisation des données collectées à date pour construire un modèle de Machine-Learning, qui fournirait une note sur la pertinence d’une paire client-produit ;

- L’utilisation d’un interpréteur d’arbre à décision pour comprendre les chemins de décision du modèle ;

- La traduction de ces forces et faiblesses dans un tableau de bord automatisé pour aider les examinateurs à visualiser les scores attribués à des cas similaires.

• Cela a réduit le temps passé par les contrôleurs sur chaque rapport et amélioré leur productivité. Les décisions prises par les différents évaluateurs étaient plus cohérentes grâce à l’outil.


L’avenir des salles de marché

Le trading automatique représente à lui seul 60 % des transactions quotidiennes dans le monde et presque 80 % des échanges rien qu’à Wall Street.

Depuis 2008 et la crise financière internationale, les banques ont cherché à remplacer leurs traders humains par des algorithmes plus fiables, à même de réaliser des bénéfices plus raisonnables, mais sur des délais bien plus courts et plus régulièrement pour jouer sur l’effet de masse. Les licenciements dans le monde des traders participent à l’investissement dans le développement d’algorithmes de plus en plus performants.

Les robots traders ont fait leurs preuves


• Après 6 mois d’essai et avoir enregistré le meilleur trimestre de son histoire, la banque JP Morgan utilise désormais un robot pour ses activités de trading haute fréquence.

• De son côté, Goldman Sachs a récemment défrayé la chronique, alors que la quasi-totalité de ses traders ont été remplacés par des machines et des centaines d’informaticiens, capables de gérer beaucoup plus d’opérations. Depuis 2000, le desk actions de la banque d’investissements est passé de 600 à 2 traders…

• Les robots dotés de Machine-Learning apprennent et ajustent en conséquence leur comportement en même temps qu’ils exécutent des ordres, à l’achat ou à la vente.

• Pour parvenir à ce résultat, les robots ont été développés à l’aide d’une méthode d’apprentissage de millions de scénarii. De plus, les robots ont accès aux données et aux transactions de la banque en permanence, ce qui leur permet d’étoffer leur connaissance.

• Ils tiennent également compte des informations et de l’historique des marchés pour réaliser le meilleur arbitrage possible et de manière autonome, dans une certaine limite de risques.

• Les robots étant ici acteurs, la mise en place d’un dispositif de contrôle rapproché est nécessaire.

Une notation automatisée des contreparties


• Une banque d’investissement internationale de premier plan souhaitait comprendre la possibilité d’automatiser certaines parties de son processus de notation de crédit grâce aux technologies IA.

• Le client voulait une solution capable d’évaluer ses contreparties à l’aide d’un modèle de Machine-Learning. Ce modèle devait ensuite s’expliquer en Langage Naturel dans un rapport automatisé.

• La solution adoptée repose sur :

- L’utilisation de données financières structurées et non structurées à partir d’articles de presse sur une période de 6 ans pour construire un modèle de Machine-Learning ;

- L’utilisation d’un interpréteur d’arbre à décision pour comprendre les chemins de décision du modèle ;

- L’utilisation d’une méthodologie interne qui vise à ajouter à la couche d’interprétation des notations, l’identification des forces et des faiblesses de l’entreprise notée ;

- La traduction de ces forces et faiblesses en phrases grâce au module de Génération du Langage Naturel ;

- La génération d’un rapport automatisé à l’aide des phrases générées pour chaque entreprise.

• Le client a ainsi pu identifier une opportunité sur les économies de coûts liés au « risque client », ce qui pourrait changer le modèle opérationnel de risque de crédit pour la banque.

| 35

Une maîtrise accrue des risques


• Une banque américaine a mis en place une solution IA qui permet de détecter et de prévenir la fraude en identifiant et en classant les informations qui coïncident avec des transactions frauduleuses.

• Le client a ainsi pu réaliser d’importantes économies liées aux pertes induites par la fraude et changer de façon positive le modèle de gestion des risques de son organisation.

• La solution adoptée repose sur : le fait que, grâce à ce système, les auditeurs et contrôleurs apprennent via l’historique de données de l’entreprise à détecter de nouveaux schémas de fraude et ainsi maîtriser ce risque.

• Ces méthodes de détection prédictive peuvent être intégrées dans des méthodes existantes de stratégie de gestion de la fraude.


La gestion des sinistres et l’indemnisation

La gestion des sinistres automatisée permet à l’assureur de sortir de son rôle « réactif » (où la relation client se limite à des interactions suite à un sinistre ou une ouverture de dossier) et devient un réel acteur « proactif » dans la sécurité de ses clients. Par là même, l’assureur profite de la diminution du nombre de sinistres et par conséquent des indemnisations qui en découlent.

Déclaration et gestion du sinistre autonome et instantanée


• Dans un monde où la voiture autonome devient la norme, les données relatives à un accident seront bientôt disponibles en temps réel. Plus l’IoT (Internet of Things/Internet des Objets) se développera, plus cette tendance sera renforcée.

• La réglementation eCall s’appliquera à toutes les nouvelles voitures livrées dès Avril 2018. Ceci est une occasion pour les assureurs de transformer cette contrainte réglementaire en opportunité.

• Quelques chiffres clés :

- Durée d’indemnisation d’un sinistre automobile : 10 à 15 jours

- 79 % des assureurs estiment que les télématiques seront utilisées dans les 5 années à venir pour automatiser la gestion des sinistres légers

• Dans un futur plus si lointain, il est aisé d’imaginer que dans la seconde suivant un accident de voiture, le lien entre télématique et IA permettra de traiter chaque sinistre de manière totalement automatisée :

Les assurés X et Y se percutent à faible vitesse. Lors de l’appui sur le bouton eCall ou directement via les capteurs connectés de la voiture (déclenchement d’airbag, capteurs de pression afin d’identifier les impacts d’un accident sur la tôle…), une démarche de sinistre est télétransmise à l’assureur de chacun des conducteurs. Une notification est envoyée immédiatement sur les smartphones des assurés afin que ceux-ci confirment ne pas avoir subi de dommages corporels. Ceux-ci peuvent confirmer que seuls les véhicules sont endommagés. Ainsi, le processus d’indemnisation automatisé se met en œuvre.

À la réception de la déclaration d’incident, un robot analyse les données transmises par les deux conducteurs (identification des sinistrés, analyse du contexte d’accident dans le cas de voitures autonomes, analyse des dégâts subis à l’aide des capteurs de la voiture). L’aile arrière droite de la voiture du client X a été enfoncée suite à une priorité non respectée par le client Y.

Il est ainsi à même de constituer un dossier de sinistre complet par lui-même :

• Identification du responsable. Dans cet exemple, Y est en tort ;

• Estimation des coûts de réparation fondée sur les dossiers similaires. La voiture de X étant une berline de 2017, le robot est à même d’estimer le coût des réparations d’une aile de berline basé sur les dossiers similaires précédemment traités. Les capteurs indiquent ici que l’aile entière doit être changée ;

• Calcul d’un montant d’indemnisation ;

• Proposition de services complémentaires en lien avec eCall (dépannage, assistance juridique…) ;

• Les démarches avec la banque peuvent être automatisées afin de transférer le montant de l’indemnisation à l’assuré sinistré ;

• Les sinistrés sont alors capables de recevoir instantanément un message indiquant si l’indemnisation aura lieu et quel sera le montant de celle-ci.

La start-up fintech Lemonade permet déjà d’effectuer une demande ou de suivre le dossier, mais est aussi à même de prendre la décision d’une indemnisation par elle-même à l’aide d’algorithmes anti-fraude, d’un croisement avec la police d’assurance, et l’envoi d’instructions à la banque, tout ceci en moins de 3 secondes.

| 37

ConclusionDifférentes formes d’Intelligence Artificielle sont déjà en place et à bien des égards, les premiers remous se font déjà sentir. Il est clair que certaines personnes adopteront et intégreront avec empressement les nouveaux outils et méthodes de travail, alors que d’autres seront plus prudents ou même opposées aux changements que ces technologies apportent à leur vie ou à leur travail. Les organisations et les individus qui anticipent les opportunités amenées par la robotisation et planifient à l’avance la transition seront les mieux préparés pour réussir. Nous avons déjà vécu la destruction créatrice liée à la première vague de digitalisation. Avec l’avènement de la robotisation, certains des leaders du marché dans dix, voire cinq ans, peuvent être des entreprises dont nous n’avons jamais entendu parler. À leur tour, certains des plus grandes entreprises d’aujourd’hui pourraient avoir du mal à conserver leur pertinence ou auront même complètement disparues, si leur réponse n’est pas à la hauteur du changement de paradigme. Les leaders du marché de demain sont ceux qui auront explorés les possibilités et définis leurs stratégies dès aujourd’hui.

Nous croyons qu’il y a quatre questions clés auxquelles chaque entreprise devrait répondre si elle veut suivre le rythme et identifier les opportunités :

• Dans quelle mesure le modèle commercial est-il vulnérable à la perturbation de la robotisation, et plus largement l’IA ? Quand le changement arrivera-t-il ?

• Quelles sont les ouvertures qui changent la donne dans chaque marché et comment en profiter ?

• Les talents, les données et la technologie appropriée sont-ils disponibles pour aider à comprendre et à exécuter les opportunités d’automatisation ?

• Comment renforcer la confiance et la transparence dans les plates-formes et applications robotisées ?

Le potentiel commercial ultime du Smart Automation est de faire des choses qui n’ont jamais été faites auparavant, plutôt que de simplement automatiser ou accélérer les capacités existantes. Certaines des options stratégiques qui émergent sont totalement disruptives par rapport aux expériences passées. En tant que dirigeant d’entreprise, vous devrez peut-être faire un acte de foi.

Tout ce qui est automatisable, le sera. Shoshana Zuboff - Professeur à Harvard Business School

Votre contact

Marc HADDADAssociéPwC Consulting [email protected]/in/marcadad

Ont contribué à la réalisation de ce document :

Bhilal MOUGAMMADOUExpert Smart [email protected]

Samuel [email protected]

Amin EL [email protected]

Avec l’aide de Sixtine De Saint Mathieu, Mohammed El Moujahid, Samuel Louden et Clélia Savin.

Les informations contenues dans le présent document ont un objet exclusivement général et ne peuvent en aucun cas être utilisées comme un substitut à une consultation rendue par un professionnel. En tout état de cause, en aucun cas la responsabilité de PricewaterhouseCoopers Advisory et/ ou de l’une quelconque des entités membres du réseau PwC ne pourra être engagée du fait ou à la suite d’une décision prise sur la base des informations contenues dans le présent document.© 2018 PricewaterhouseCoopers Advisory. Tous droits réservés.

Documents

Pour aller au-delà des POC - PwC · 2018-04-05 · 4 | Le décryptage PwC - Smart Automation dans les Services Financiers - Pour aller au-delà des POC totalement acquise. Plus le