Catégories
Info investissements

Utiliser l'intelligence artificielle pour vendre des fonds communs de placement: trois phases

La finance est en pleine révolution. Les processus sont en cours de numérisation. Les décisions sont de plus en plus axées sur les données et abordées de bas en haut. L'intelligence artificielle (IA) s'occupe des affaires pendant que nous travaillons à domicile. La révolution a touché tous les marchés, entreprises et départements – à l'exception de la distribution des produits.

La façon dont les produits financiers sont vendus aux investisseurs institutionnels est restée curieusement statique au cours des deux à trois dernières décennies. Tout est question de relations.

Bouton d'abonnement

Mon entreprise, Genpact, aide les participants aux marchés des capitaux à transformer leurs entreprises avec l'IA. Nous avons travaillé avec plusieurs grands gestionnaires d'actifs pour réinventer la façon dont ils distribuent leurs produits.

Ce processus nécessite de surmonter plusieurs défis clés:

  • Qualification de prospect inefficace en raison de dossiers de prospects compilés manuellement composés de données provenant de fournisseurs et de sources internes disparates.
  • Processus de vente incohérents qui rendent difficile l'évaluation et l'exécution de stratégies à l'échelle du canal.
  • Défis de prévision au niveau du compte, du territoire et du canal en raison de la difficulté à faire correspondre les activités sortantes et leurs coûts aux revenus de redevance.

Nous considérerons ici le premier de ces obstacles: la hiérarchisation des cibles.

Le déluge de données

Les équipes de vente actuelles de fonds communs de placement et de fonds négociés en bourse (FNB) se noient dans les données. Si cela concerne les positions des produits; performance, flux; critères environnementaux, sociaux et de gouvernance (ESG); réunions et appels; macro et micro; l'histoire; estimations; et prévisions – il y a une surcharge d'informations. En apparence, ces données existent pour aider l'équipe commerciale à identifier et qualifier les prospects, mais c'est plus facile à dire qu'à faire.

Un client, un gestionnaire de fonds communs de placement coté en bourse, nous a dit que la qualification d'un seul responsable permettait aux membres du personnel de prendre plus de 40 minutes. Voici à quoi ressemblait le processus étape par étape pour l'équipe commerciale:

  1. Connectez-vous à la solution financière Broadridge pour obtenir la liste des perspectives des conseillers en placement enregistrés (RIA) sur un territoire particulier.
  2. Collectez les flux d'actifs pour ces prospects à partir du logiciel d'intelligence de marché MarketMetrics.
  3. Collectez des informations supplémentaires sur les prospects à partir des données financières et de la solution marketing de la base de données RIA du client.
  4. Croisez les données avec un système de gestion de la relation client (CRM) pour obtenir des informations et des résultats sur les réunions passées.
  5. Assemblez toutes les données dans Microsoft Excel.
  6. Classez les opportunités en fonction des formules et du jugement.
  7. Passez en revue la philosophie d'investissement du prospect le plus prioritaire sur son site Web pour déterminer le pitch optimal.
  8. Planifiez un appel ou organisez une réunion.

Avec notre aide, le client a transformé ce processus en trois phases:

Phase 1: libre-service

Le client a configuré des flux de données avec tous ses fournisseurs, agrégé ses données internes et tierces dans un lac de données et les a conditionnées pour une utilisation via des interfaces utilisateur. Il s'agissait notamment d'une interface en libre-service pour les vendeurs et d'une interface plus avancée pour l'équipe de Business Intelligence (BI).



Avant la transformation, l'équipe commerciale devait analyser un client à la fois. L'interface en libre-service aide désormais l'équipe à effectuer des analyses sur plusieurs clients. Cela a ouvert la porte à un certain nombre de conversations fructueuses axées sur les données. Par exemple, les produits que l'entreprise avait précédemment privilégiés pour l'équipe des ventes ne se sont révélés ni les plus performants ni les plus vendables.

Phase 2: Bibliothèque de rapports

Une fois les données de vente et de marketing centralisées et intégrées, le client a développé une bibliothèque de rapports pour approfondir les données. Le but n'était pas de reproduire les rapports existants, de résumer le pipeline ou de décrire «comment les choses se passent». Le but était plutôt de conduire les décisions sur qui appeler et quoi lancer.

La combinaison de la connaissance du domaine de l'industrie et des affaires avec les technologies numériques s'est avérée essentielle ici. Les meilleurs et les plus hauts vendeurs du client avaient l'expérience, les compétences et l'intuition nécessaires pour identifier les tendances des acheteurs et des emplacements probables. La bibliothèque de rapports a codifié ces connaissances et les a mises à la disposition de toute l'équipe.

Voici deux exemples de modèles:

  • RIA 1 a acheté des fonds communs de placement de moyenne capitalisation en 2012 et 2013, après une surperformance des fonds de moyenne capitalisation. Si les moyennes capitalisations du client recommencent à surperformer, c'est le bon moment pour appeler RIA 1.
  • RIA 2 retourne régulièrement son portefeuille en janvier. Ainsi, le client sait les appeler en octobre, pas en février.

Sur la base de modèles de ce type, le client a identifié des cibles à forte probabilité et les a signalées chaque semaine par e-mail et via le CRM. Les rapports étaient succincts et orientés vers l'action, comme dans «Appeler la firme X et lancer le produit Y». Un routage intelligent a permis à la bonne perspective de se retrouver avec le bon vendeur et chef d'équipe.

Pionniers de l'IA dans la gestion des investissements

Phase 3: Apprentissage automatique

Bien que la bibliothèque de rapports ait identifié et automatisé l'identification de modèle humain, l'étape suivante consistait à ajouter l'identification de modèle basée sur la machine. Pour former le modèle, nous avons dû définir clairement ce que l'équipe commerciale rechercherait en termes de résultats positifs à partir des données disponibles. Il y avait quelques nuances. La bonne définition dépendait de l'équipe et du processus de vente.

Voici deux exemples de la même organisation cliente:

Équipe de vente Processus de vente Résultat positif
Vendre aux RIA Rencontres individuelles Afflux de 1 million de dollars ou plus dans les 60 jours suivant la réunion de présentation
Vendre aux administrateurs de régimes de retraite Demande de proposition (DP) Rendre à l'étape de la liste restreinte

Une fois le résultat bien défini, nous avons utilisé des données historiques pour former un modèle afin de prédire les hauteurs qui réussiraient le plus. Désormais, le modèle d'apprentissage automatique agit comme un vendeur senior, identifiant les modèles de demande et les classant du meilleur au pire.

L'introduction de l'apprentissage automatique a également créé des capacités bonus, notamment la possibilité de:

  • Évaluez quels modèles, humains et machines, sont les plus efficaces pour générer des résultats positifs.
  • Classer les cibles selon les modèles, par valeur attendue (résultat positif x afflux), créant une liste d'appels unique sur laquelle l'équipe des ventes doit agir.
  • Identifiez de nouveaux modèles à la volée, car le modèle est recyclé sur de nouvelles données. Cela capture les changements structurels dans le comportement d'achat, par exemple, dus à COVID-19.
Publicité pour les investissements alternatifs: une introduction à l'investissement

Conclusion

En segmentant la transformation en trois phases, nous avons aidé notre client à gérer le changement et amélioré les chances de succès.

  • En libre service a contribué à renforcer la confiance dans les données entre les parties prenantes commerciales en mettant tout le monde sur la même page. Il a également généré des gains et pertes rapides.
  • Bibliothèque de rapports a permis au leadership des ventes de standardiser le processus de vente, passant de l'efficience à l'efficacité. Il a également présenté les capacités à l'ensemble de l'équipe dans un format facile à digérer.
  • Apprentissage automatique les fonctionnalités ont été introduites de manière transparente, sans changer le format des rapports consommés par l'équipe commerciale. Cela renforce la crédibilité et permet un modèle opérationnel d'intelligence augmentée: l'IA soutenant le jugement humain.

Notre client a réduit le temps nécessaire pour qualifier un prospect de 40 minutes à un instant proche. À l'avenir, l'activité sortante devrait augmenter de 30% et les entrées de 10% à 15% d'ici un an.

Certes, ce n'est qu'un exemple, mais il montre comment l'IA, lorsqu'elle est correctement exploitée et guidée par le jugement humain, peut créer des processus plus efficients et efficaces. Il s'agit également d'une étude de cas sur la manière dont les entreprises et les professionnels qui réussissent à adopter et à s'adapter à la révolution des données et de la technologie d'aujourd'hui peuvent diriger le secteur financier dans les années à venir.

Pour en savoir plus sur les actifs alternatifs, inscrivez-vous au webinaire gratuit «The Global Investment Performance Standards (GIPS®): Application to Alternative Strategies», organisé par le Standards Board for Alternative Investments (SBAI) le 15 juillet 2020.

Si vous avez aimé cet article, n'oubliez pas de vous abonner à la Investisseur entreprenant.


Tous les articles sont l'opinion de l'auteur. En tant que tels, ils ne doivent pas être interprétés comme des conseils en investissement, et les opinions exprimées ne reflètent pas nécessairement les vues du CFA Institute ou de l’employeur de l’auteur.

Crédit d'image: © Getty Images / MF3d

Alon Bochman, CFA

Alon Bochman, CFA, est associé dans le cabinet de conseil en marchés financiers de Genpact (NYSE: G), basé à New York. Il travaille avec des gestionnaires d'actifs et des banques pour les aider à prendre de meilleures décisions avec les données. Auparavant, il a passé deux ans à gérer un portefeuille d'actions pour SC Fundamental. Bochman a commencé sa carrière en tant que programmeur en co-fondant une société de logiciels de réseautage social finalement acquise par Thomson-Reuters. Il est titulaire d'un MBA de la Columbia Business School et d'un BA de l'Université d'Albany.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *