Et si le BIG data client rencontrait le robo-advice ?

Grâce à des indicateurs intuitifs, mis en avant par un robot advisor, le client d'une banque pourrait directement réguler ses versements en fonction de son profil de risque et sa capacité d’épargne.

Quand on sait que, début 2016, les ménages français ont placé 33 milliards d’euros de leur épargne sur des produits très simples et standardisés tels que les contrats d’assurance vie ou des PEL (plan d’épargne logement) et que 74% des français se déclarent satisfaits de la qualité des conseils prodigués par leur banque (selon la lettre de l’observatoire de l’épargne de l’AMF) on peut légitimement douter du succès du conseil en placements, qu’il soit humain ou « technologique », auprès des petits épargnants français.

Les robo-advisors, des algorithmes basés sur l’intelligence artificielle, ou machine learning offrent une alternative : des conseils d’épargne et d’investissement en ligne, neutre et à un coût réduit selon un profil renseigné par l’utilisateur lui-même. Ces nouveaux types d’intermédiaires agissant sur les marchés des capitaux, lieux de rencontre entre ceux qui sont à la recherche de capitaux et ceux qui ont de l’argent à placer sont plus transparents et donnent plus de moyens au client que les intermédiaires bancaires et de gestion de patrimoine classique. C’est ainsi que des indicateurs tels que la météo des marchés proposée par le site Marie Quantier restituent de manière ludique un diagnostic de l’économie afin d’orienter et de rassurer les investisseurs sur la répartition de leurs investissements.

Depuis 2 ans, L’AMF a pris le parti de renforcer la protection des investisseurs et de contraindre les gestionnaires de patrimoine à des mesures plus restrictives sur la perception des rétrocessions (directive MIFID 2, entrée en vigueur en 2018), autrement dit les conseillers indépendants et gestionnaires de portefeuilles n’auront plus le droit de recevoir des rémunérations de la part d’autres personnes que leurs clients. La perte de confiance dans l’investissement financier, associée à la valeur ajoutée parfois décevante d’un conseiller « humain » onéreux et la démocratisation de l’accès à l’information; ces facteurs, une fois réunis, sont propices à la désintermédiation bancaire.

Cette désintermédiation pousse, les investisseurs, qu’ils soient des particuliers, des institutionnels ou des entités publiques, à chercher une certaine autonomie et des coûts attractifs.

Tout comme le conseil en investissement classique, il manque un aspect « dynamique » : la vie économique quotidienne du client n’est pas prise en compte. Tous deux proposent des solutions d’investissement selon des schémas préétablis et personnalisent le portefeuille client, mais ils ne lui créent pas un portefeuille sur mesure selon sa trésorerie disponible. C’est là où le « Big Data client » entre en jeu. L’interprétation de donnée massive n’est pas uniquement un outil optimisant la répartition des investissements en fonction de l'état de l'économie, mais peut aussi servir le consommateur.

Gardons en tête que le besoin du client est de gagner de l’argent et partons du principe que le qui, c’est-à-dire, l’organisme, sera à définir selon les législations et les intérêts économiques souhaités par chaque entités

La multitude de flux transitant sur les comptes courants font l’objet de transactions; ces transactions sont génératrices de données, les données de consommation telles que le créancier recevant la transaction, le montant consommé, le lieu et l’heure ou encore le produit acheté permettent d’identifier un intérêt consommateur. Cet intérêt consommateur est en somme créateur d’une nouvelle forme de valeur: la connaissance client. La connaissance client, outre la définition de l’expérience utilisateur, permet de définir des «pronostics» via une technologie d’apprentissage artificielle tel que «le deep learning».

Aujourd’hui utilisé notamment par Apple et son applicatif «Siri», ce principe d’apprentissage autonome se base sur des séquences de scénarios prédéfinis et ajuste les éléments de réponse au fur et à mesure des décisions prise par l’utilisateur. Appliqué aux transactions bancaires il peut être capable de définir les scénarios de consommation des utilisateurs d’une plateforme et leur suggérer des placements en fonction de leurs actifs disponibles et des tendances de marché.

L’usage de cette technologie (deep learning) implique qu’il faudrait qu’un échantillon d’utilisateurs testeurs s’essaye et monitor des scénarios avant de pouvoir généraliser les pratiques. Les séquences de données issues des transactions courantes sont communes à de nombreux utilisateurs seuls les contenus changeront en fonction des consommations réelles.

L’idée est en somme que les banques transforment les données client en connaissance et qu’elles soient capables, par l'intermédiaire d’algorithmes proposés par des start-up, de suggérer des investissements sur mesures et adaptables à leurs clients.

Ainsi, un client pourrait voir ses actifs investis dans des placements définis par le robo-advisor, distribué par sa banque, avec des versements ajustés en fonction des variations mensuelles de sa trésorerie. Avec des indicateurs intuitifs, mis en avant par le robot advisor le client serait libre de réguler ses versements en fonction de son profil de risque et sa capacité réelle d’épargne.

Une offre sur mesure et dynamique, en fonction des consommations courantes des épargnants et de leur trésorerie disponible, permettrait de démocratiser et stimuler la gestion de l’épargne.

Les informations relatives aux comptes bancaires des consommateurs sont primordiales pour pouvoir définir un véritable profil d’investissement, non figé dans le temps. Sur le prérequis que les données bancaires restent à la main des banques mais puissent aussi faire l’objet d’analyses. Une association entre banques et « robo-advisors » permettra de proposer des projets d’investissement sur mesure qui s’ajustent automatiquement.

L'intermédiation financière, aujourd'hui menacée, pourrait retrouver une nouvelle dynamique grâce à ce lien entre la connaissance client et le savoir-faire en gestion de patrimoine. L’analyse prédictive des informations bancaires, associée aux données clients, pourrait même apporter un outil supplémentaire pour l’élaboration des projets d’épargne, tant pour le consommateur que pour l’établissement bancaire.