DBS Bank

Objectif

Augmenter la valeur economique tiree de chaque client de detail en poussant, dans l'app, des nudges hyperpersonnalises au bon moment : recommandation de produit, alerte de paiement en double, taux de change favorable pour un transfert, rappel de facture. L'objectif est de faire epargner, investir et s'assurer davantage les clients tout en generant du revenu incremental, la valeur etant mesuree en comparant les clients exposes a un groupe de controle.

Le déploiement

DBS pousse a ses clients de detail des messages personnalises directement dans son application bancaire, ce qu'elle appelle des nudges. Chaque nudge est declenche par des modeles de machine learning qui lisent le comportement du client : ils reperent un paiement en double a venir, un taux de change avantageux pour un transfert, une facture proche de l'echeance, ou proposent un produit adapte au profil. Le moteur s'appuie sur plus de 100 algorithmes IA/ML qui analysent un data mart interne de 15 000 points de donnees par client, pour produire sept types de nudges. A l'echelle du groupe, DBS declare plus de 600 modeles IA/ML et environ 300 cas d'usage en production. La volumetrie est publique : la banque de detail (Consumer Banking Group) envoie 45 millions de nudges hyperpersonnalises par mois a plus de 5 millions de clients, et l'ensemble du groupe depasse 1,2 milliard de nudges par an a plus de 13 millions de clients de la region. DBS ne se contente pas de mesurer l'usage : la valeur economique de chaque cas est calculee en comparant les clients exposes a un groupe de controle. En 2022, ces cas d'usage IA/ML ont produit 180 millions de dollars singapouriens de valeur economique, dont 150 millions d'uplift de revenus et 30 millions d'economies de couts et gains de productivite. La valeur cumulee atteignait 370 millions de SGD a fin 2023, puis plus de 750 millions pour la seule annee 2024, et la banque revendique un record de 1 milliard de SGD en 2025. A Singapour, les clients qui utilisent les nudges et l'outil de planification financiere IA epargnent deux fois plus, investissent cinq fois plus et sont pres de trois fois plus assures que les non-utilisateurs.

Résultats Preuve B

Volumetrie et valeur economique sont documentees par des sources primaires de DBS (rapport annuel 2024 pour les 1,2 milliard de nudges, 13 millions de clients et 750 millions de SGD en 2024 ; page IA officielle pour les 600 modeles, 45 millions de nudges mensuels et les 180 millions de SGD de 2022 avec ventilation) et concordent avec une analyse Forrester (record de 1 milliard de SGD en 2025, 370 millions cumules a fin 2023). Ce ne sont pas des lignes de resultats financiers audites mais une metrique de valeur economique calculee par la banque, mesuree en A/B test contre groupe de controle. Reserve qui maintient B et non A : l'agregat de 1 milliard melange uplift de revenus, economies de couts et risque evite, donc la part strictement marketing n'est pas isolable ; seule l'annee 2022 donne la ventilation (150 millions d'uplift de revenus sur 180 millions). Sources primaires officielles multiples et concordantes justifient le haut de la fourchette B.

1. 1
   Constitution du data mart equipe data

   Les donnees client sont agregees dans un data mart interne de 15 000 points de donnees, base des modeles.

2. 2
   Detection et generation du nudge IA

   Plus de 100 algorithmes IA/ML analysent le data mart et generent sept types de nudges (recommandation produit, alerte de doublon, taux de change favorable, rappel de facture, etape de vie).

3. 3
   Diffusion dans l'app IA

   Le nudge pertinent est servi au client dans l'application bancaire, au moment ou il est actionnable.

4. 4
   Mesure incrementale equipe data

   L'issue est comparee a un groupe de controle pour chiffrer la valeur economique reellement imputable a l'IA (revenu, cout evite, risque evite).

5. 5
   Consolidation et pilotage marketing

   Les valeurs economiques sont agregees et suivies dans le temps (180 M SGD en 2022, 370 M cumules fin 2023, 750 M+ en 2024, 1 Md en 2025) et alimentent la priorisation des cas d'usage.