Exemples d'utilisation du big data en finance

exemple-big-data

La puissance du big data semble infinie tant les données disponibles et utilisables gonflent, la puissance de calcul augmente et l’intelligence des algorithmes se renforce. Mis au service des activités et processus en finance, le big data voit ses facultés utilisées dans tous les domaines couverts par les établissements financiers : de la connaissance client, au trading, en passant par le scoring ou la compliance.

Rapidité de traitement pour massivité de données

Le potentiel du big data se révèle dans la vitesse des traitements. Malgré la massivité des données à appréhender, la livraison de résultats rapides par le big data contribue notamment :
- à la lutte contre la fraude à la carte bancaire : il s’agit de répondre immédiatement à une demande d’autorisation présentée par un commerçant ; les habitudes d’utilisation, lieux, niveaux de dépenses… autant de données relatives au porteur de la carte qu’il convient d’envisager pour autoriser ou non la transaction
- scoring emprunteur : le consommateur exige désormais une réponse quasi immédiate à sa demande de crédit ; le big data consolide et triture les données bancaires du client, ses données de navigation Internet (les cookies), ses données d’achat dans le commerce traditionnel ou le e-commerce (les facturettes) mais aussi celles de ses réseaux sociaux (analyse sémantique…) pour fournir une évaluation – un score – de laquelle dépendra l’attribution d’un crédit et éventuellement ses taux et niveau d’assurance
- le trading à haute fréquence : grâce à sa puissance de calcul, le big data autorise l’émission de plusieurs milliers d’ordres d’achat et/ou de vente en quelques secondes, en optimisant simultanément la prise en compte des risques
- …

Le big data au service d’une informatique décisionnelle

Dans les banques de détail ou chez les assureurs, le big data alimente une informatique décisionnelle. Ici, le facteur temps est moins crucial que le facteur quantité et qualité de données. Quelques exemples :
- compléter la connaissance client : les banques incitent leurs clients à agréger sur leur site ou dans leur application les comptes détenus auprès d’autres établissements ; leur objectif est de disposer de plus de données sur leur clientèle pour mieux la connaître
- améliorer la relation client : un client sera d’autant plus réceptif aux arguments et suggestions de son conseiller que celui-ci disposera d’une image claire de la préoccupation du client ; cette préoccupation peut être identifiée grâce à l’analyse des pages consultées ou des outils (simulations) utilisés sur le site de la banque ; le conseiller a connaissance des questions et surtout a déjà les réponses pour amener le client à conclure immédiatement
- soumettre des offres au bon moment aux bons clients et assurer un bon taux de transformation : une analyse des dates de versement des salaires et des dates des différents prélèvements conduit à proposer des produits d’épargne au moment le plus propice dans le mois
- élaborer un marketing prédictif : le traçage et l’analyse des consultations des pages du site de la banque, notamment les conditions générales ou les conventions de compte, couplés à une analyse des virements externes réalisés permettent d’identifier un client sur le départ ; son conseiller peut alors formuler une proposition pour le retenir
- lutter contre le blanchiment d’argent : les outils du big data peuvent identifier des mouvements de fonds suspects qui donneront lieu à déclaration auprès des autorités compétentes
- définir une stratégie moyen et long termes : les capacités de prédictions du big data sont sollicitées pour faire reposer une stratégie sur des hypothèses bénéficiant d’un fort indice de probabilité
- …

Chez des assureurs spécifiquement, le big data affiche sa performance dans un suivi des comportements et re-calcul des risques en continu. Les compagnies peuvent alors proposer de nouveaux produits. Par exemple, le concept du « pay as you drive » qui permet d’individualiser le risque en fonction du comportement de l’assuré : celui-ci accepte la collecte et l’analyse de ses données personnelles liées à son comportement de conducteur automobile pour que soit modulé le montant de ses primes. La promesse :
- à conducteur souple et prudent : des cotisations moins élevées
- pour une compagnie à la clientèle moins risquée : baisse des indemnisations en nombre et niveau.

Big data : des résultats opérationnels

En terme de gestion d’actifs, les banques, les fonds d’investissement et les sociétés de gestion d’actifs exigent des outils du big data une surveillance et une analyse en temps réel des données de marché. L’objectif est de maximiser la rentabilité et de minimiser l’exposition aux risques, que ces risques soient liés aux marchés, aux produits, aux clients, à un non respect de procédures internes…

Quelques exemples :
- car il sait accéder à l’ensemble des données sans limite de profondeur d’historique, le big data devient un outil de choix entre les mains des opérateurs de middle office quant à la détection de fraudes
- puisque tous les acteurs financiers utilisent désormais les techniques du trading à haute fréquence, celles-ci ne sont plus un facteur de différenciation ; les financiers se tournent désormais vers le trading intelligent et font établir des scénarios et stratégies d’investissement non plus à des traders humains mais à une iA : par le machine learning, le big data apprend des marchés pour mieux investir et gagner sur ces mêmes marchés
- …

Compliance bancaire : le big data au service de la transparence et de la conformité

Des obligations réglementaires issues des Comités de Bâle I, II, III et bientôt IV imposent davantage de vigilance et de transparence dans la gestion des données. Le big data participe, au travers d’audit et autres inventaires, à la mise à jour documentaire nécessaire pour rester en conformité avec une réglementation mouvante. Chaque banque doit ainsi livrer auprès d’un prestataire référent ou organe de régulation des informations sur les données qu’elle détient et traite, sur les soupçons de fraude que ses systèmes détectent...

Le big data n’est pas l’apanage des seuls grands acteurs financiers

Les technologies du big data conquièrent les directions financières des entreprises ou des fintechs : outils, coûts, expertise sont devenus plus accessibles.

Les entreprises utilisent notamment le big data dans les situations suivantes :
- amélioration de la gestion de leur trésorerie et de leur cash au travers des « order to cash » et « purchase to pay »
- optimisation de leur BFR
- plus grande justesse de leurs prévisions budgétaires en combinant analyse de données internes et externes à l’entreprise
- …

Les fintechs investissent des marchés de niche et proposent leurs produits directement aux clients finals ou à des établissements plus installés.

On le voit, les technologies du big data ont investi tous les aspects – cœurs de métier, processus commerciaux… – et tous les acteurs du monde financier : des grandes banques ou compagnies d’assurance, aux directions financières d’entreprises, en passant par les fintechs. Avec toujours plus de données, de rapidité, d’intelligence, le big data contribue certes à une amélioration de la rentabilité, mais il assoie son emprise : de simple outil, il semble quelques fois devenir décideur…