Mise en place d’une tarification personnalisée pour les crédits à la consommation

Le coeur du projet de tarification des crédits à la consommation a consisté à transformer l’outil de « pricing » des prêts personnels amortissables de cette banque : l’objectif a en effet été d’abandonner un modèle de « pricing » fondé sur une grille de taux standard et de le remplacer par un « pricing » personnalisé, fondé sur un modèle de machine learning intégrant différentes composantes : sensibilité au prix du client, objectifs de rentabilité et volumes visés par la banque.

Square a, dans un premier temps, accompagné la banque dans le diagnostic de sa politique tarifaire passée. Ce diagnostic a permis d’aboutir à la conclusion que la grille de taux standard ne permettait pas d’optimiser le « pricing » proposé aux clients. L’outil standard proposait à certains clients des taux « trop élevés » et non concurrentiels : ce qui avait pour conséquence :

• soit une perte de production, lorsque les clients allaient contracter leur crédit à la consommation chez un concurrent,
• soit une perte de marge lorsque les conseillers du réseau dérogeaient à la tarification proposée par l’outil standard ; les dérogations accordées par les conseillers avaient en effet tendance à être très supérieures à la baisse de pricing minimale qui aurait été suffisante pour convaincre le client.

L’outil standard proposait en revanche à d’autres catégories de clients des tarifs « trop bas », ou, en tous les cas, des prix très inférieurs à ce que ces catégories de clients étaient disposées à accepter ; ceci conduisait à réduire la marge moyenne réalisée sur ces crédits.

Square a, dans le même temps, accompagné cette banque de détail dans la construction d’un modèle de pricing fondé sur le machine learning. L’accompagnement a consisté à collecter sur une période de plusieurs années l’ensemble des données directes et indirectes relatives à la production de crédit à la consommation, et à faire de ces données, des éléments exploitables pour déployer le modèle de machine learning développé par les équipes de data science de la banque. Ce modèle de machine learning a permis d’identifier les variables discriminantes et de proposer, pour chaque demande de crédit à la consommation, un pricing personnalisé.

L’accompagnement s’est ensuite concentré sur la mise en oeuvre opérationnelle de la nouvelle stratégie tarifaire. La consultante Square en charge de la mission a coordonné l’ensemble des travaux métier et IT afin de permettre à ce nouveau moteur de tarification personnalisée d’être intégré dans les outils de « pricing » de la banque et d’afficher ses propositions tarifaires à la fois sur le poste de travail des conseillers et sur les interfaces digitales client (lorsque les clients réalisaient par eux-mêmes les simulations de crédit consommation). Elle a également accompagné la banque dans la réalisation de son exercice pilote, avant déploiement de ce nouveau moteur de tarification personnalisée à l’ensemble de la production.

Le pilotage et la personnalisation des gestes commerciaux réalisés par les conseillers du réseau a constitué le second projet de pricing. On distingue deux types de gestes commerciaux : les dérogations, qui consistent à attribuer au client un rabais sur le prix standard, et les rétrocessions, qui consistent à rembourser au client une somme déjà perçue par la banque. Ces gestes commerciaux peuvent se pratiquer sur des produits à « abonnement » comme les cotisations de carte par exemple, ou à l’acte, comme les frais de dossier d’un prêt immobilier. La liberté donnée par les banques à leur réseau de conseillers commerciaux pour réaliser des gestes commerciaux constitue un levier important de performances. Il permet à des conseillers d’avoir une marge de négociation face au client. Ceci étant, lorsque ces gestes commerciaux sont mal encadrés et pilotés, ils peuvent être à l’origine de manques à gagner significatifs sur les marges financières.

Pour aider le réseau commercial à optimiser ces gestes commerciaux, la banque a mis en place des outils de pilotage comprenant les éléments suivants :

• à destination des vendeurs, des listes de clients dont les gestes commerciaux sur produits à abonnement peuvent être réétudiés aux prochaines échéances ;
• à destination des managers, des reportings et tableaux de bord pour piloter l’activité des équipes ;
• à l’ensemble du réseau, des actions de sensibilisation aux gestes commerciaux via un intranet dédié.

Pour déployer ces outils, il a été nécessaire de réaliser dans un premier temps une étude d’impacts des gestes commerciaux selon les catégories de produits et services. Puis, en collaboration avec les représentants du réseau, la consultante Square a répertorié et priorisé les actions dans un backlog afin de piloter, en mode Agile, leur mise en place progressive.

En parallèle, avec l’appui des équipes « connaissance client », la banque a initié la construction d’un modèle de personnalisation des gestes commerciaux, basé notamment sur la valeur client et sa sensibilité au prix, sur le profil des conseillers et les caractéristiques des offres. Ce modèle aura pour objectif d’attribuer la juste dérogation ou rétrocession au client, permettant ainsi d’attribuer un « droit à l’erreur » au profit des clients les plus fidèles.