Une banque commerciale nationale chinoise a mené une campagne pour faire la promotion de son application mobile et a enregistré 24 millions de téléchargements. L'un des principaux objectifs de la campagne était d'inciter les utilisateurs à associer leur carte de crédit à l'application mobile pour les encourager à utiliser cette dernière plus souvent. Malheureusement, seuls 13 millions d'utilisateurs ont associé leur carte.
La banque avait prévu de lancer une nouvelle campagne pour inciter les utilisateurs à associer leur carte à l'application mobile. Toutefois, à raison d'une équipe de 100 télémarketeurs pouvant chacun réaliser 200 appels par jour, il faudrait presque deux ans pour réussir à contacter les 13 millions d'utilisateurs qui n'ont pas associé leur carte.
La banque a donc dû identifier un groupe précis de clients plus susceptible que les autres de répondre à une campagne de télémarketing. Comment réussir dans ce cas à identifier un tel groupe cible en un temps très court ?
Elle a demandé au responsable de l'analyse des données du service informatique et à son équipe d'utiliser les outils d'auto-apprentissage à leur disposition pour trouver une solution à ce problème et d'exploiter les données existantes pour établir plus facilement des prévisions. L'équipe a essayé d'entraîner, d'évaluer et de déployer un modèle permettant d'identifier un groupe de clients cible très réactif. Elle s'est toutefois rendu compte que la solution logicielle qu'elle utilisait ne brillait pas par sa convivialité. Le processus nécessitait de l'expérience dans l'élaboration de modèles pour réussir à créer des prévisions très précises. Il nécessitait également d'être rodé à l'optimisation et à l'extension à grande échelle des modèles.
QY Datatech Inc, partenaire agréé de Minitab en Chine, a présenté la solution Salford Predictive Modeler (SPM) à la banque. L'équipe s'est appuyée sur deux des moteurs de modélisation de SPM, CART® et TreeNet®, qui sont tout particulièrement adaptés au traitement d'ensembles de données volumineux, très complexes et comportant plusieurs variables. Dans ce cas, les variables associaient les détails du client avec d'autres données, par exemple sa fréquence d'utilisation de l'application bancaire.
Par exemple, le moteur de modélisation CART a généré un arbre de classification unique qui utilise des données de catégories pour prévoir une valeur qualitative et des données historiques susceptibles d'être segmentées en un ensemble de règles de type oui/non. Cette segmentation divise la variable de réponse (Y) en partitions en fonction des paramètres du prédicteur (X). Si l'utilisateur continue à développer et à "élaguer" l'arbre CART, il identifiera rapidement d'autres causes de cette variabilité excessive. Après avoir isolé quelques variables de prévision essentielles, l'équipe a mis en place des contrôles pour restreindre les résultats aux groupes de clients répondant à certains critères, par exemple être âgé de plus de 25 ans ou avoir un revenu annuel supérieur à 40 000 dollars US. Ces critères visaient à cibler les caractéristiques démographiques des clients les plus susceptibles d'associer l'application mobile à leur compte bancaire.
L'équipe s'est ensuite servie du moteur de modélisation TreeNet pour isoler rapidement les variables les plus importantes pouvant être utilisées pour illustrer la relation entre la variable et le résultat. Dans cet exemple, le résultat est la probabilité que le client choisisse d'associer l'application à son compte bancaire et les variables identifiées incluent, entre autres, le revenu mensuel, comme illustré dans le graphique ci-dessus.
Au bout d'un processus d'apprentissage, de test, de retrait des clients peu réactifs de la liste, d'optimisation et de validation des modèles, l'équipe est parvenue à identifier un groupe de clients cible. Les modèles générés ont permis d'identifier les caractéristiques des clients "très réactifs" en attribuant des scores et des évaluations au taux de réponse de chaque client en fonction de sa réactivité passée aux campagnes promotionnelles menées par la banque au cours de l'année précédente.
Ce que l'équipe de la banque a préféré chez SPM, c'est sa simplicité d'utilisation. Elle a pu non seulement générer les modèles initiaux en seulement quelques clics, sans avoir à écrire la moindre ligne de code, mais également raccourcir le délai global de modélisation de plusieurs mois à quelques jours. En effet, il ne lui a fallu que sept jours pour entraîner et déployer un modèle affiné capable d'identifier le groupe cible.
En se basant sur ce groupe réduit de 2 millions d'utilisateurs de l'application, par rapport aux 13 millions de départ, l'équipe de télémarketing est parvenue à contacter l'ensemble des clients cible en seulement quelques mois. En conséquence, le nombre d'utilisateurs associant leur carte de crédit à l'application mobile a augmenté de 300 %. La banque n'a pas eu besoin d'augmenter ses coûts en recrutant des télémarketeurs supplémentaires. Par ailleurs, elle a pu améliorer l'efficacité et promouvoir ces services générateurs de revenus auprès de la clientèle cible. L'équipe de télémarketing a également noté une augmentation de 35 % du taux de réussite par rapport aux campagnes précédentes lors des tentatives visant à inciter les clients à associer leur carte. Grâce à Salford Predictive Modeler, l'équipe en charge du projet a pu aider la banque à comprendre et à utiliser ses données pour générer des informations fondées sur des faits et prendre des décisions économiques.
Une banque commerciale nationale chinoise
13 millions d'utilisateurs de l'application mobile de la banque n'ont pas associé leur carte bancaire à l'application