Recommandationcontextuelle/personnalisation
Les conseillers proposent le « produit du mois » à tous leurs clients, faute de préparation et d'outils. Les campagnes massives convertissent à peine. Le multi-équipement stagne alors que chaque produit supplémentaire fidélise et génère du PNB.
Score priorité
0,0/10
Potentiel estimé
Impact modéré
Verdict
Pilote cadré recommandé avant tout engagement majeur.
02 · Scoring
Trois dimensions, un verdict pondéré
Score = (Impact × 0,5) + (Faisabilité × 0,3) + (Risque d'inaction × 0,2)
Impact métier
0/10
Valeur business attendue si le cas d'usage fonctionne.
Faisabilité
0/10
Maturité technologique, accès aux données, capacité d'exécution.
Risque d'inaction
0/10
Coût stratégique de l'attentisme face à l'évolution du secteur.
03 · Levier de valeur
Là où la valeur se crée vraiment
04 · Pourquoi ça échoue
Les angles morts qui plombent les projets
Connus à l'avance, rarement traités à temps. La majorité des tests pilotes IA s'effondrent sur ces points exacts.
La majorité des projets de recommandation contextuelle échoue à l'adoption par les conseillers
Recommandation arrive au mauvais moment (pas en RDV)
Pas de script commercial associé → le score est ignoré
05 · Vision à contre-courant
La recommandation classique (pousser un produit) est un rêve des années 2010. La vraie personnalisation en 2026 : détecter un événement de vie et déclencher une conversation contextuelle. Un appel après un virement important vaut bien plus qu'un email segmenté.
06 · Effet de second ordre
La recommandation contextuelle nécessite une plateforme de données client unifiée (données cloisonnées dans 5-8 systèmes). Le projet devient un projet de plateforme de données, d'une complexité tout autre. Beaucoup de banques ont pivoté vers la plateforme de données seule.
07 · Vérité de terrain
Ce que personne ne dit avant le kick-off
Coûts cachés et calendrier réaliste, tels qu'observés sur les projets industrialisés du secteur.
Coûts cachés
- Fournisseur (Salesforce/Pega) : investissement annuel très élevé
- Développement interne : investissement modéré mais nécessite des data scientists dédiés
- Plateforme de données client nécessaire en amont : investissement lourd sur 12-18 mois, souvent le vrai projet
Calendrier réaliste
- 1
Si plateforme de données existante : recommandation contextuelle en 6-9 mois
- 2
Si pas de plateforme : 12-18 mois (socle data) + 6-9 mois (recommandation)
- 3
Total depuis zéro : 24-27 mois, pas un gain rapide
08 · Solutions du marché
Qui peut accompagner (et comment)
Options observées sur le marché, du SaaS spécialisé au développement interne. Cartographie de positionnement, sans hiérarchie.
Salesforce FSC, Pega, SAS
Souvent surdimensionnés pour le besoin réel
Développement interne
Random forest sur événements de vie = 80% du résultat pour 20% du coût
Conseil clé
Le développement interne est pertinent si vous avez les data scientists
09 · Signaux marché
Ce qui bouge en ce moment dans le secteur
Annonces, productions, régulations récentes. À lire comme un baromètre de vitalité du cas d'usage.
Fenêtre étroite. Le sujet déçoit en pratique faute de socle data. Prioriser la plateforme de données avant la recommandation.
Adoption
Prod.
Vendor
Réglo.
T&D
Snapshot Juin 2026. Prochaine révision Décembre 2026. Sources publiques 2025-2026, méthode détaillée sur la page panorama.
10 · Prochaine étape