Une IA traite vos Réclamations

BNP Paribas souhaitait tout à la fois réduire ses coûts de traitement des réclamations, mieux en dégager des axes d'améliorations continues, et les traiter beaucoup plus vite.

  

Pour cela, nous avons imaginé une solution disruptive et inédite : intégrer dans le processus de traitement des réclamations une solution d'Intelligence Artificielle. L'idée était d'inverser les étapes du processus traditionnel, et de capitaliser sur les capacités cognitives de notre IA, dopée pendant six mois à coup d'itérations d'apprentissage.

 

 

Et pour parfaire l'expérience, nous avons construit trois axes d'analyse et de traitements :

 

Métier | Émotionnel | Motifs

Premier Volet : Analyse & Quick Wins

 Nous avons appliqué une méthodologie classique d'Exploration Big Data, en alimentant un Data Lake avec deux ans d'historiques de réclamations BNP Paribas Banque de Détail France.

 

Grâce à ce set de données, nous avons pu établir des dictionnaires de mots clés, que nous avons catégorisés en trois axes :

 

• Quel est le motif de la réclamation ?

• Quelle est la gravité de l'incident ?

• Dans quel état émotionnel se trouve le client ?

 

Une erreur classique sur ce genre d'analyse consiste à confondre gravité et émotionnel. L'on pourrait intuitivement penser que le degré d'énervement du client est intrinsèquement lié à la gravité de ce qui leur advient-il n'en est rien. Chacun a sa vie intérieure, car nous sommes, justement des humains.

 

 

 

 

À cela, nous avons bien entendu ajouté les définitions réglementaires des motifs de réclamations, de manière à correspondre aux exigences ACPR.

 

En croisant toutes ces données avec les informations des derniers contacts du client avec la marque, nous avons pu déterminer une série de Quick Wins :

 

• Formations dans certaines agences, générant davantage de mécontentement sur certains motifs

• Diffusion d'informations ad hoc dans certaines zones géographiques

• Simplification de certaines démarches dans certaines villes

Second Volet : Automatisation des Réponses

 

Notre IA savait lire, il fallait lui apprendre à écrire. Pour cela, nous avons utilisé un moteur de composition compatible avec Microsoft Word, et nous avons ré-écrit des réponses-types. Nous avons profité pour en adapter et moderniser le style. Notre IA devait ensuite apprendre à sélectionner les bons paragraphes en fonction de son analyse des motifs.

 

 

 

 Parce que notre IA traitait les réclamations avec une vélocité beaucoup plus rapide que l'équipe en place, nous avons totalement réinventé le processus de traitement : plutôt que de mettre en place un "Augmented Officer", nous sommes allés jusqu'à l'écriture de réponses probables.

 

 Le clerc de Back-Office pouvait alors sélectionner parmi les 3 courriers proposés par l'IA, ou encore modifier son analyse des motifs et régénérer de nouvelles propositions de réponses. Les réponses étant produites au format MS Word, le clerc pouvait aisément changer, s'il le souhaitait, le courrier.

 

 Bilan : l'analyse des motifs était était correcte à 96,7% pour les motifs les plus fréquents ; toutefois pour les motifs les moins fréquents, l'IA se trompait encore beaucoup après neufs mois de POC.

 

 

Le Graal n'est-il pas d'éviter le mécontentement client, et d'intervenir avant qu'il ne le soit réellement ?

 

En ajoutant de nouvelles données, issues des publications sur les réseaux sociaux ainsi que des mouvements sur les comptes, il était possible de déterminer des schémas comportementaux. À partir de cette base de travail, une nouvelle phase d'exploration aurait permis de trouver d'autres améliorations au niveau de l'Expérience Client !

 

Vous souhaitez implémenter un projet similaire ? Contactez-nous !