LES SMART DATA DANS LES BANQUES/ASSURANCES : L’EXEMPLE DE

LA RÉDUCTION DE L’ATTRITION CLIENT

Axel Augey

A.D.B.S. | « I2D - Information, données & documents »

2017/2 Volume 54 | pages 54 à 54

ISSN 2428-2111
DOI 10.3917/i2d.172.0054
Article disponible en ligne à l'adresse :
--------------------------------------------------------------------------------------------------------------------
https://www.cairn.info/revue-i2d-information-donnees-et-
documents-2017-2-page-54.htm
--------------------------------------------------------------------------------------------------------------------

Distribution électronique Cairn.info pour A.D.B.S..

© A.D.B.S.. Tous droits réservés pour tous pays.

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les
limites des conditions générales d'utilisation du site ou, le cas échéant, des conditions générales de la
© A.D.B.S. | Téléchargé le 17/10/2021 sur www.cairn.info (IP: 105.157.215.249)

© A.D.B.S. | Téléchargé le 17/10/2021 sur www.cairn.info (IP: 105.157.215.249)

licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie,
sous quelque forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de
l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est précisé que son stockage
dans une base de données est également interdit.

Powered by TCPDF (www.tcpdf.org)

 Intelligence économique et stratégie d’entreprise
2
1 L’influence, socle de la réussite ?
Diplômé de l’École
centrale de Lyon
et de l’Essec, Axel
AUGEY a passé 5 ans
chez Sia Partners, un
cabinet de conseil en
management, sur des
F
problématiques de CRM
et de data mining avant
de rejoindre Saagie,
start-up française qui
propose une plateforme
pour connecter,
acheter ou concevoir
des applications
d’intelligence artificielle,
en qualité d’expert
data dans les secteurs
de la banque et de
l’assurance.
axel@saagie.com ;
https://www.saagie.com/fr
1. Ventes croisées/offres
complémentaires
2. Montée en gamme
3. Phénomène traduisant la
perte de clients
4. Client qui quitte ou est
© A.D.B.S. | Téléchargé le 17/10/2021 sur www.cairn.info (IP: 105.157.215.249)
fortement susceptible de
quitter la banque/assurance
5. Analyse en composantes
principales : analyse fac-
torielle utilisée lorsque les
variables sont numériques
6. Analyse des correspon-
dances multiples : analyse
factorielle utilisée lorsque les
variables sont catégorielles
(qualitatives)
7. Classification ascendante
hiérarchique
Les données sont un levier
important pour améliorer la
connaissance client.
54 I2D - Information, données & documen­ts - 2017, n° 2
Les Smart Data dans
les banques/assurances :
l’exemple de la réduction
de l’attrition client
[ big data ] L’intelligence économique s’intéressant à la maîtrise des flux d’information
de l’entreprise, il est difficile de faire abstraction du Big data. Pour les banques et
les assurances, il est un outil d’anticipation et d’adaptation permettant une meilleure
adéquation des services aux clients.
ace au faible niveau des taux d’intérêt,
la sécurisation du produit net bancaire
(PNB) et la recherche d’une meilleure
rentabilité client sont devenues les
priorités des banques et assurances.
Dans ce contexte, les données sont un levier
important pour améliorer la connaissance client
et accroître l’efficacité opérationnelle. Ainsi,
l’anticipation de certains événements (sinistres,
moments de vie tels que déménagement, nais-
sance, départ à la retraite) est une opportunité
pour proposer de nouveaux services et déve-
lopper le cross-selling1 et l’up-selling2.
Un autre phénomène capte l’attention de nom-
breuses entreprises du secteur : l’attrition client3.
Intimement liée à la détection des moments
de vie, l’attrition traduit le comportement d’un
client qui quitte sa banque/son assurance. C’est
un phénomène complexe qui présente des
causes diverses :
• des causes sociodémographiques : situation
sociale, maritale, professionnelle ;
• des causes psychographiques : valeurs,
croyances, style de vie ;
• l’apparition d’un « moment de vie » : achat de
voiture ou de logement, mariage, etc. ;
• le sentiment d’indifférence voire d’insatisfac-
tion à l’égard des services souscrits ou de la
relation client-entreprise.
La réalité est complexe car l’attrition est géné-
ralement due à la conjonction de plusieurs
facteurs. Comprendre les combinaisons de
critères qui amènent ces clients à devenir des
churners4 peut s’effectuer par deux approches
complémentaires. L’étape préalable étant de
définir, pour les clients actuels, ceux qui sont
des churners (ce qui suppose de savoir com-
ment mesurer l’attrition) et d’avoir un échantillon
d’apprentissage avec des variables explicatives
pertinentes, nettoyées et enrichies (étape de
feature engineering).
La première approche, non supervisée, consiste
à effectuer une segmentation du groupe des
churners. Celle-ci commence généralement par
une réduction dimensionnelle (visant à réduire le
nombre de variables à manipuler) faite au moyen
d’ACP5 ou d’ACM6, suivie des techniques de par-
titionnement (ex : K-Means, cartes de Kohonen)
et/ou de regroupement hiérarchique (ex : CAH7).
On fait ainsi émerger un certain nombre de clus-
ters (ou segments) que l’on caractérise pour faire
apparaître des profils-types et les rendre ainsi
plus opérationnels.
En complément de cette approche, on pro-
cède usuellement à des méthodes de scoring
(modèle supervisé) à l’échelle individuelle. Grâce
© A.D.B.S. | Téléchargé le 17/10/2021 sur www.cairn.info (IP: 105.157.215.249)
aux technologies actuelles, on confronte les
méthodes traditionnelles de régression logistique
et d’analyse discriminante à des techniques
plus en vogue comme les random forests ou
le gradient boosting. Il convient néanmoins de
veiller à la répartition de la base d’apprentissage
en termes de churners/non churners. En cas
de trop fort déséquilibre, on peut précéder ces
modèles par une one-class SVM visant à écarter
les grandes masses de non churners pour se
concentrer sur les cas moins évidents et ainsi
rééquilibrer la base.
Tous ces modèles, théorisés il y a de nombreuses
années, voient enfin leur mise en pratique
concrète grâce à la richesse des nombreuses
sources de données clients et à la puissance
des outils exécutant les algorithmes. La qualité
des prédictions s’est grandement améliorée
avec les années, ce qui permet aux banques de
mener efficacement des actions de rétention et
d’infléchir significativement le taux d’attrition.