Comment Discovery Bank propose des services bancaires hyper-personnalisés à l'échelle : AI comportementale, données gouvernées et prise de décision en temps réel

Comment une banque peut-elle personnaliser chaque interaction client tout en répondant aux exigences d'échelle, de rapidité, de sécurité et de gouvernance des services financiers ?

L'hyper-personnalisation dans le secteur bancaire est la capacité de rendre chaque interaction client pertinente pour cette personne spécifique, à cet instant précis, en fonction de son comportement réel plutôt que d'un segment démographique. C'est la différence entre l'envoi d'une incitation à l'épargne à tous les clients de moins de 35 ans et la présentation d'une suggestion spécifique à un client qui vient de recevoir son salaire, possède un dépôt à terme arrivant à échéance et a consulté la section investissement de l'application trois fois cette semaine. À l'échelle à laquelle opèrent les institutions financières, cela nécessite une infrastructure AI gouvernée, et non une configuration manuelle.

La relation d'un client avec une banque génère un flux continu de signaux — des paiements et habitudes de dépenses aux comportements d'épargne, à l'engagement digital, aux décisions d'emprunt et aux conversations avec le service client. Le défi consiste à transformer ces signaux en prochaines étapes utiles tout en maintenant la connexion entre la personnalisation, la protection contre la fraude, le service client et la gouvernance.

Pour Discovery Bank, lancée en 2019 pour transformer le secteur bancaire en Afrique du Sud, la réponse n'a pas été un modèle ou une application unique. Il s'est agi de construire la banque autour de produits de données basés sur les sciences comportementales et l'AI, puis d'intégrer ces produits dans l'ensemble de l'entreprise. Ce socle soutient le bien-être financier, les parcours personnalisés, la protection contre la fraude, l'assistance aux banquiers, l'AI générative et les actions contrôlées via des agents. Pour les équipes qui conçoivent ces capacités, la prise de décision réutilisable garantit la cohérence des définitions et des contrôles dans le marketing, les expériences digitales, le service client et les initiatives de changement de comportement.

L'expérience de Discovery Bank offre une leçon pratique pour les dirigeants des services financiers. L'AI gagne en valeur lorsqu'elle est connectée à :

• Des données de confiance
• Des produits analytiques réutilisables
• Des services déterministes
• Une gouvernance qui reste présente à mesure que les systèmes passent de l'analyse à l'action

Regardez Stuart Emslie, responsable des données chez Discovery Bank, expliquer comment ils ont collaboré avec Databricks pour y parvenir.

Bâtir la banque autour d'une valeur partagée

Discovery Bank applique la mission principale de Discovery Group — rendre les gens en meilleure santé, améliorer et protéger leur vie — aux comportements financiers grâce à son modèle bancaire à valeur partagée. Lorsque les clients améliorent leur comportement financier, ils peuvent épargner davantage, gérer leur crédit plus efficacement et devenir plus résilients financièrement. Cela crée de la valeur pour le client, réduit les risques pour la banque et contribue à une société plus résiliente.

La mise en œuvre de ce modèle nécessite une compréhension détaillée et en constante évolution du comportement de chaque client. Les clients ont des profils de dépenses, des objectifs financiers et des manières d'envisager la santé financière différents. C'est pourquoi Discovery Bank a fait des données, de l'actuariat, des sciences comportementales et de l'AI les piliers de la banque.

Transformer les données comportementales en produits réutilisables

Discovery Bank rassemble des données démographiques, des comportements de transaction et de dépenses, l'engagement digital, des indicateurs d'épargne et d'emprunt, des signaux de risque de crédit, la participation aux programmes de fidélité et des informations liées au mode de vie.

Discovery Bank utilise la plateforme Databricks Data and AI pour unifier ces informations sous une plateforme gouvernée unique et créer des produits de données réutilisables, notamment des caractéristiques préparées, des indicateurs comportementaux, des scores de modèles, des tendances, des prévisions et des recommandations. Le moteur de science des données de Discovery Bank combine des modèles prédictifs et de régression, la régression quantile, la segmentation avancée et des recherches de similarité pour créer des profils évolutifs du comportement des clients.

Ces produits de données gouvernés et réutilisables soutiennent l'acquisition et la tarification, la gestion des risques, la personnalisation des produits et des expériences, l'amélioration du service, l'autonomisation des banquiers, la détection des activités inhabituelles et la protection contre la fraude. La même intelligence sous-jacente peut créer de la valeur dans différents domaines tout en appliquant les autorisations et les contrôles requis pour chaque cas d'usage.

Cette approche améliore également la façon dont les équipes travaillent. Plutôt que de créer des versions distinctes de la connaissance client pour chaque application, les praticiens peuvent s'appuyer sur des actifs partagés et gouvernés. Delta Lake, MLflow et Unity Catalog prennent en charge les modèles de données, de modélisation et de gouvernance nécessaires pour exploiter ces actifs en tant que capacités de production.

Rendre la prochaine meilleure action utile pour le client

L'une des premières applications de Discovery Bank a été la prochaine meilleure action (NBA). L'objectif n'est pas d'identifier un message que la banque souhaite communiquer, mais de déterminer quelle action est pertinente et utile pour un client particulier, dans un contexte particulier et à un moment précis.

Cette distinction change le rôle de la personnalisation. Une NBA doit soutenir le parcours du client vers la santé financière, plutôt que de simplement augmenter les communications sortantes. La même intelligence peut piloter les interactions entrantes et sortantes, les parcours digitaux et le service assisté par un conseiller.

Le modèle NBA de Discovery Bank a généré une hausse de 40 % de l'impact sur l'engagement des clients. Il a également transformé le travail des équipes de données : le développement des pipelines est 20 fois plus rapide et la création de produits de données est 5 fois plus rapide, car les équipes s'appuient sur des actifs gouvernés partagés plutôt que de repartir de zéro pour chaque canal.

Pour les équipes chargées des données, de l'analytique, de l'actuariat, du ML et des produits qui conçoivent ces capacités, le principe de conception est clair : garder la prise de décision réutilisable et distincte du canal où elle est activée. Une couche de décision partagée peut soutenir le marketing, les expériences digitales, le service client et les initiatives de changement de comportement tout en maintenant la cohérence des définitions et des contrôles.

Utiliser le contexte comportemental pour protéger les clients

La même intelligence qui soutient la personnalisation peut renforcer la sécurité. Les contrôles traditionnels de la fraude cherchent à savoir si une transaction correspond à un schéma connu. L'alerte TRUST™ de Discovery Bank ajoute une question complémentaire : la transaction est-elle cohérente pour ce client spécifique ?

Les alertes TRUST™ évaluent les interactions financières par rapport aux normes et schémas comportementaux d'un client. Discovery Bank a traité des centaines de millions d'interactions financières et appliqué des modèles prédictifs, du clustering, de la régression quantile et de la détection d'anomalies pour quantifier à quel point une interaction est inhabituelle.

Le résultat est une évaluation des risques plutôt qu'une réponse binaire. Une interaction moyennement risquée peut déclencher une alerte expliquant pourquoi l'activité semble inhabituelle et laisser le client décider de la marche à suivre. Une interaction à haut risque peut entraîner une intervention plus ferme, y compris le blocage du compte du client.

Cette approche progressive équilibre la protection et l'expérience client. Elle rend également l'explicabilité essentielle : un score de risque seul ne suffit pas. Les clients et les équipes opérationnelles ont besoin de contexte pour comprendre pourquoi une interaction a été signalée. Les modèles sont opérationnalisés via une architecture de serving basée sur Azure personnalisée qui renvoie des décisions à grande échelle en moins de quelques centaines de millisecondes.

Superposer l'AI générative sur des fondations de confiance

Le principe de Discovery Bank pour l'AI générative est qu'elle ne doit pas remplacer les capacités fondamentales de données et de ML. Elle est d'autant plus puissante lorsqu'elle fonctionne en synergie avec elles.

Les produits de données traditionnels fournissent un contexte de confiance. Les modèles de ML fournissent des prédictions, des prévisions et des recommandations. L'AI générative peut rendre cette intelligence plus facile à accéder, à expliquer et à appliquer.

L'architecture décrite par Discovery Bank réunit quatre couches :

• Une couche de données gouvernée contenant des informations sélectionnées sur les clients, les produits et les transactions
• Une couche analytique où les modèles génèrent des prévisions, des analyses comportementales, des recommandations et des prochaines meilleures actions
• Des outils et services de contrôle qui exposent les informations et les fonctionnalités de base nécessaires à l'expérience d'AI
• Une couche générative utilisant des grands modèles de langage spécialisés, des processus et des agents pour déterminer l'action et la réponse

Discovery Bank a lancé Discovery AI en mai 2025 avec l'ambition de démocratiser la banque privée. Non pas en recréant un banquier privé humain avec une interface de chat, mais en transformant l'expérience de service grâce à une intelligence actuarielle et comportementale plus approfondie.

Discovery AI peut répondre aux questions d'assistance, aider les clients à naviguer dans leurs parcours bancaires, analyser certains aspects de leur comportement financier, dégager des insights personnalisés, fournir des recommandations et aider à réaliser certaines actions. Au lieu de chercher le bon menu ou le bon formulaire, le client peut décrire le résultat souhaité, et le système l'aide à orchestrer le parcours adapté.

Améliorer le service assisté par un conseiller

Discovery Bank applique la même intelligence au libre-service, aux chats textuels avec les conseillers et aux appels intégrés à l'application. Pour le service assisté par un conseiller, Discovery Bank utilise également un assistant AI destiné aux conseillers, qui récupère et génère des informations pertinentes sur le client et sa demande d'assistance. Une autre fonctionnalité intègre des recommandations et les meilleures actions suivantes dans l'interaction, en expliquant pourquoi chaque recommandation est pertinente et en fournissant des informations justificatives.

L'AI aide également à analyser les interactions d'assistance. Sous réserve de contrôles de gouvernance, de confidentialité et de qualité, elle peut identifier les problèmes récurrents des clients, les nouveaux problèmes d'assistance, les écarts de qualité et les opportunités d'amélioration des parcours. Une analyse plus large aide les équipes à suivre les tendances de performance et à accompagner les agents vers de meilleurs résultats.

Cela permet à l'AI d'aller au-delà de la simple efficacité opérationnelle. Elle peut améliorer la qualité de l'interaction et aider l'entreprise à tirer des enseignements d'un ensemble plus large de conversations clients.

Intégrer les agents dans des workflows gouvernés

Le modèle agentique de Discovery Bank combine des services déterministes, des modèles ML traditionnels, des processus orchestrés basés sur des LLM et des agents. Les agents ne remplacent pas l'environnement de contrôle ; ils opèrent en son sein.

Dans les cas d'usage agentiques, les clients peuvent fournir du texte, de la voix, des images ou des documents pour effectuer des paiements, finaliser des achats ou réaliser des actions connexes. Les contrôles existants continuent de faire partie du flux. Les alertes TRUST™, par exemple, continuent d'évaluer le risque de fraude, tandis que Unity Catalog fournit une couche de gouvernance cohérente sur l'ensemble des données bancaires structurées, des caractéristiques comportementales, des sorties de modèles, des documents, des enregistrements, du contenu récupéré et des informations mises à la disposition des applications génératives.

Le même principe s'applique aux parcours riches en documents. Un système multimodal peut classifier un document, en extraire des champs, vérifier les informations par rapport aux données connues, identifier les incohérences et guider le client sur les étapes suivantes. Dans des domaines tels que le crédit et Vitality Money (le programme de fidélité de Discovery Bank), cela peut transformer l'administration manuelle en un processus plus rapide et plus utile.

De l'intelligence comportementale à l'action gouvernée

Le parcours de Discovery Bank en matière de données et d'AI s'est construit de manière cumulative. Il a commencé par une plateforme de données gouvernée et des produits de données réutilisables. La banque a ensuite développé des modèles comportementaux et des systèmes de prise de décision pour la personnalisation et la prévention de la fraude. L'AI générative a facilité l'accès à cette intelligence pour les clients et les conseillers, tandis que les agents ont commencé à orchestrer des actions contrôlées et à repenser des parcours complexes.

Les équipes de données peuvent utiliser des pipelines directs et un framework ML intégré, éliminant ainsi les conversions SQL (le processus de conversion de données d'un type à un autre) et simplifiant la gestion du code. Les temps de traitement des données sont 20 fois plus rapides et les délais de création et d'implémentation des produits de données sont 5 fois plus courts. En tirant parti de la collaboration inter-équipes, d'une complexité réduite et de gains d'efficacité élevés, Discovery Bank a également augmenté sa capacité de création de modèles à plus de 300 modèles par jour.

La plateforme Databricks Data and AI a transformé la capacité de la banque à concevoir l'écosystème centralisé nécessaire pour générer de la valeur partagée, en intégrant différents composants dans une plateforme unique et consolidée, sans dépendances. Ces gains d'efficacité ont permis d'accélérer le délai d'obtention d'insights et de mise en production, générant un retour sur investissement significatif de plus de 500 %.

Pour les équipes des services financiers, les leçons pratiques sont simples :

• Développer une intelligence réutilisable autour des résultats métier, avec des responsabilités et des définitions claires
• Rendre l'actionnabilité explicite : un profil ou un score doit orienter une décision, une recommandation, une intervention ou une étape suivante
• Intégrer l'explicabilité dès la conception de l'expérience afin que les clients, les conseillers et les équipes opérationnelles comprennent pourquoi le système a agi
• Ajouter l'AI générative et les agents à un socle de confiance, en maintenant les services déterministes, le ML, les autorisations et la gouvernance dans la boucle

L'expérience de Discovery Bank montre que les produits de données réutilisables peuvent connecter la personnalisation, la protection contre la fraude, l'assistance et l'AI à l'échelle de la banque. Commencez par des données, des modèles, des contrôles et une gouvernance de confiance, puis ajoutez l'AI générative et les agents pour transformer les insights en actions sûres et utiles.

Prêt à en savoir plus ? Regardez notre Financial Services Industry Forum: Financial Intelligence beats General Intelligence pour découvrir comment opérationnaliser l'AI à l'échelle.

FAQ

Comment les institutions financières peuvent-elles utiliser la plateforme Databricks Data and AI ?

Elle unifie les données bancaires gouvernées, l'analytique, le machine learning et l'AI pour la personnalisation, la gestion des risques, la protection contre la fraude et l'assistance. Les équipes peuvent concevoir des indicateurs, des scores, des prévisions et des recommandations réutilisables dans l'ensemble des applications.

Comment Unity Catalog soutient-il la gouvernance des services financiers ?

Unity Catalog fournit un socle de gouvernance unifié pour l'ensemble des données bancaires structurées et non structurées, des caractéristiques comportementales, des sorties de modèles, des documents, des enregistrements et des ressources d'AI. Associé à Unity Gateway, il étend des contrôles d'accès cohérents, l'application des politiques, l'audit et la visibilité aux applications génératives et aux agents qui utilisent ces ressources.

Comment MLflow peut-il soutenir le machine learning dans le secteur bancaire ?

MLflow gère le développement, le versionnement, l'ajustement et la promotion des modèles, aidant ainsi les équipes à faire passer les modèles prédictifs de l'expérimentation à la production avec des contrôles cohérents.

Comment Databricks soutient-il l'AI gouvernée dans le secteur bancaire ?

Databricks permet aux équipes des services financiers de concevoir, gouverner et opérationnaliser l'AI sur une plateforme unifiée, en connectant les données comportementales, les modèles ML, l'AI générative et les workflows agentiques, tout en aidant les entreprises à minimiser les déplacements inutiles et la duplication des données clients sensibles grâce à une gouvernance centralisée et un accès sécurisé aux données.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original