Vamsi Chemitiganti
L’industrie financière vit une transformation majeure. Les nouvelles technologies de gestion des données contribuent au développement de l’analytique prédictive et du data mining, laissant entrevoir de profonds changements au sein des processus bancaires dans les prochaines années.
« Données ! Données ! Données ! », cria-t-il d’impatience. « Je ne peux pas faire de briques sans argile ! » – Sherlock Holmes, Conan Doyle « Les hêtres rouges »
Les plateformes d’analyse Big Data optimisées par l’écosystème Open Enterprise Apache Hadoop permettent non seulement de réaliser des économies de stockage pour les volumes importants de données structurées, non structurées ou semi-structurées, mais également de traiter le Big Data à grande échelle. De nombreuses données deviennent ainsi exploitables, pour optimiser la relation client, construire des offres et services financiers plus performants et améliorer ses résultats. Avec l’avènement de Hadoop et des technologies Big Data, les organisations du secteur de la finance sont désormais capables d’ingérer et d’analyser des quantités de données massives pour un coût de revient nettement inférieur.
Qu’il s’agisse de générer des informations décisionnelles via une requête ad-hoc traditionnelle ou un modèle statistique avancé, les techniques d’analyse de données avec Hadoop sont multiples Elles s’appuient sur des méthodes d’exploration de données (data mining), comme la classification, le data clustering, l’analyse de régression ou les réseaux neuronaux, pour générer des modélisations prédictives avancées. Et comme Hadoop prend en charge tout type de données, le champ d’application s’étend des données traditionnelles aux flux de données en temps réel.
La data dans la banque
Les spécialistes IT du secteur de la finance déplorent les difficultés que posent les silos de données depuis des années. Prenons les sources de données internes que l’on trouve traditionnellement dans la banque :
• Données démographiques et comptes clients
• Données bancaires
• Données transactionnelles
• Données des transmissions et des paiements
• Données commerciales
• Données du grand livre, y compris comptes fournisseurs, comptes clients, gestion de la trésorerie, achats
• Données de support pour les rapports bancaires
La plupart de ces données étaient jusqu’à présent saisies manuellement, mais les progrès en matière de capteurs intelligents, de télémétrie et de terminaux de paiement (POS) font que ces données sont désormais générées à une échelle sans précédent. Du fait de la nature même des applications mobiles, le réseau en plein essor des applications interconnectées, y compris celles non structurées des médias sociaux, va continuer à produire d’importants volumes de données et ainsi poser de nouveaux défis.
Analytique prédictive et stratégies défensives du secteur bancaire
Risque, Fraude et conformité (RFC)
Les départements chargés de la gestion des risques et de la conformité se tournent de plus en plus vers les techniques de data science pour créer des modèles sur les risques. De multiples modèles et algorithmes sont ainsi utilisés pour révéler des scénarios de fraude, détecter des anomalies et pouvoir prévenir le comportement des clients. Parmi eux, nous trouvons notamment : les filtres bayésiens, le data clustering, l’analyse de régression et les réseaux neuronaux.
Les data scientists et les analystes se servent de composants comme MapReduce, Spark (via Java, Python, R), Storm, SAS, et d’autres pour créer ces modèles. Il est ainsi très facile de développer des modèles de fraude sur Hadoop. L’une des applications de la data science réside dans d’ailleurs l’agrégation et la mesure des données de risques.
Il est ainsi possible d’établir des prévisions de différentes mesures de risque sur le marché. Le secteur des services bancaires aux particuliers a recours à la data science pour les prêts hypothécaires, les cartes bancaires et d’autres offres financières afin de classer les produits et les clients dans différentes catégories de risque.
Des modèles prédictifs ont également été développés pour analyser en continu les types de dépenses des clients - leur localisation géographique et leurs déplacements, leurs informations professionnelles, et même les réseaux sociaux - de manière à détecter en temps réel les comptes compromis.
Les marchés boursiers
La data science complète les infrastructures de trading à plusieurs égards. Elle aide à rendre ces infrastructures plus intégrées et efficaces par l’application de stratégies complexes à base d’algorithmes de trading traitant actions, FOREX, ETF et autres produits financiers. La data science facilite également l’exécution des ordres à mesure qu’ Hadoop intègre de nouvelles sources de données, de plus en plus rapidement.
Le trading est par ailleurs un cas d’utilisation de données hétérogènes, qui implique notamment des données de marché, des positions, des actions d’entreprises ainsi que des données non structurées provenant des réseaux sociaux. Ces données sont toutes réunies et analysées de façon à dégager une vision globale sur de possibles mouvements du marché, le rendement de traders et la rentabilité de plusieurs trading desks.
Services bancaires aux particuliers et gestion de patrimoine
La data science a également fait ses preuves dans le domaine des services bancaires aux particuliers, où certaines techniques d’analyse de modèles, de marketing et de recommandations, sont devenues très courantes. Les banques de particuliers et institutions bancaires privées ont d’ailleurs clairement été des early adopters en matière d’analytique et ont compté parmi les premiers à s’appuyer sur ces techniques pour créer de nouvelles applications métier.
La plupart des banques de détail et de services aux particuliers manquent cependant d’une vue globale sur leurs clients. Mais en mettant à profit les capacités d’ingestion et prédictives d’une plateforme Hadoop, les banques pourront proposer une expérience utilisateur capable de rivaliser avec les plateformes de médias sociaux les plus populaires, et acquérir une vue globale de leurs clients à tous les points d’interaction.
Et ensuite…
Comment les leaders du secteur des services bancaires vont-ils pouvoir s’approprier l’analytique prédictive ? Quatre pistes se distinguent selon moi :
1. Utiliser leurs données pour créer des plateformes numériques et nouer une meilleure relation d’engagement avec les clients, les partenaires et les collaborateurs ;
2. Capturer et analyser tous les flux disponibles pour développer une vue à 360 degrés du client des banques de détail ;
3. Créer des produits à partir des données en faisant tomber les silos et les autres barrières internes des organisations ;
4. Utiliser les informations extraites de l’analyse de données pour encourager une culture de l’innovation continue et de l’expérimentation.
« Données ! Données ! Données ! », cria-t-il d’impatience. « Je ne peux pas faire de briques sans argile ! » – Sherlock Holmes, Conan Doyle « Les hêtres rouges »
Les plateformes d’analyse Big Data optimisées par l’écosystème Open Enterprise Apache Hadoop permettent non seulement de réaliser des économies de stockage pour les volumes importants de données structurées, non structurées ou semi-structurées, mais également de traiter le Big Data à grande échelle. De nombreuses données deviennent ainsi exploitables, pour optimiser la relation client, construire des offres et services financiers plus performants et améliorer ses résultats. Avec l’avènement de Hadoop et des technologies Big Data, les organisations du secteur de la finance sont désormais capables d’ingérer et d’analyser des quantités de données massives pour un coût de revient nettement inférieur.
Qu’il s’agisse de générer des informations décisionnelles via une requête ad-hoc traditionnelle ou un modèle statistique avancé, les techniques d’analyse de données avec Hadoop sont multiples Elles s’appuient sur des méthodes d’exploration de données (data mining), comme la classification, le data clustering, l’analyse de régression ou les réseaux neuronaux, pour générer des modélisations prédictives avancées. Et comme Hadoop prend en charge tout type de données, le champ d’application s’étend des données traditionnelles aux flux de données en temps réel.
La data dans la banque
Les spécialistes IT du secteur de la finance déplorent les difficultés que posent les silos de données depuis des années. Prenons les sources de données internes que l’on trouve traditionnellement dans la banque :
• Données démographiques et comptes clients
• Données bancaires
• Données transactionnelles
• Données des transmissions et des paiements
• Données commerciales
• Données du grand livre, y compris comptes fournisseurs, comptes clients, gestion de la trésorerie, achats
• Données de support pour les rapports bancaires
La plupart de ces données étaient jusqu’à présent saisies manuellement, mais les progrès en matière de capteurs intelligents, de télémétrie et de terminaux de paiement (POS) font que ces données sont désormais générées à une échelle sans précédent. Du fait de la nature même des applications mobiles, le réseau en plein essor des applications interconnectées, y compris celles non structurées des médias sociaux, va continuer à produire d’importants volumes de données et ainsi poser de nouveaux défis.
Analytique prédictive et stratégies défensives du secteur bancaire
Risque, Fraude et conformité (RFC)
Les départements chargés de la gestion des risques et de la conformité se tournent de plus en plus vers les techniques de data science pour créer des modèles sur les risques. De multiples modèles et algorithmes sont ainsi utilisés pour révéler des scénarios de fraude, détecter des anomalies et pouvoir prévenir le comportement des clients. Parmi eux, nous trouvons notamment : les filtres bayésiens, le data clustering, l’analyse de régression et les réseaux neuronaux.
Les data scientists et les analystes se servent de composants comme MapReduce, Spark (via Java, Python, R), Storm, SAS, et d’autres pour créer ces modèles. Il est ainsi très facile de développer des modèles de fraude sur Hadoop. L’une des applications de la data science réside dans d’ailleurs l’agrégation et la mesure des données de risques.
Il est ainsi possible d’établir des prévisions de différentes mesures de risque sur le marché. Le secteur des services bancaires aux particuliers a recours à la data science pour les prêts hypothécaires, les cartes bancaires et d’autres offres financières afin de classer les produits et les clients dans différentes catégories de risque.
Des modèles prédictifs ont également été développés pour analyser en continu les types de dépenses des clients - leur localisation géographique et leurs déplacements, leurs informations professionnelles, et même les réseaux sociaux - de manière à détecter en temps réel les comptes compromis.
Les marchés boursiers
La data science complète les infrastructures de trading à plusieurs égards. Elle aide à rendre ces infrastructures plus intégrées et efficaces par l’application de stratégies complexes à base d’algorithmes de trading traitant actions, FOREX, ETF et autres produits financiers. La data science facilite également l’exécution des ordres à mesure qu’ Hadoop intègre de nouvelles sources de données, de plus en plus rapidement.
Le trading est par ailleurs un cas d’utilisation de données hétérogènes, qui implique notamment des données de marché, des positions, des actions d’entreprises ainsi que des données non structurées provenant des réseaux sociaux. Ces données sont toutes réunies et analysées de façon à dégager une vision globale sur de possibles mouvements du marché, le rendement de traders et la rentabilité de plusieurs trading desks.
Services bancaires aux particuliers et gestion de patrimoine
La data science a également fait ses preuves dans le domaine des services bancaires aux particuliers, où certaines techniques d’analyse de modèles, de marketing et de recommandations, sont devenues très courantes. Les banques de particuliers et institutions bancaires privées ont d’ailleurs clairement été des early adopters en matière d’analytique et ont compté parmi les premiers à s’appuyer sur ces techniques pour créer de nouvelles applications métier.
La plupart des banques de détail et de services aux particuliers manquent cependant d’une vue globale sur leurs clients. Mais en mettant à profit les capacités d’ingestion et prédictives d’une plateforme Hadoop, les banques pourront proposer une expérience utilisateur capable de rivaliser avec les plateformes de médias sociaux les plus populaires, et acquérir une vue globale de leurs clients à tous les points d’interaction.
Et ensuite…
Comment les leaders du secteur des services bancaires vont-ils pouvoir s’approprier l’analytique prédictive ? Quatre pistes se distinguent selon moi :
1. Utiliser leurs données pour créer des plateformes numériques et nouer une meilleure relation d’engagement avec les clients, les partenaires et les collaborateurs ;
2. Capturer et analyser tous les flux disponibles pour développer une vue à 360 degrés du client des banques de détail ;
3. Créer des produits à partir des données en faisant tomber les silos et les autres barrières internes des organisations ;
4. Utiliser les informations extraites de l’analyse de données pour encourager une culture de l’innovation continue et de l’expérimentation.
Les médias du groupe Finyear
Lisez gratuitement :
FINYEAR
Le quotidien Finyear :
- Finyear Quotidien
Sa newsletter quotidienne :
- Finyear Newsletter
Recevez chaque matin par mail la newsletter Finyear, une sélection quotidienne des meilleures infos et expertises en Finance innovation & Digital transformation.
Ses 5 lettres mensuelles digitales :
- Le Directeur Financier
- Le Trésorier
- Le Credit Manager
- The Chief FinTech Officer
- The Chief Digital Officer
Finyear magazine trimestriel digital :
- Finyear Magazine
Un seul formulaire d'abonnement pour choisir de recevoir un ou plusieurs médias Finyear
BLOCKCHAIN DAILY NEWS
Le quotidien Blockchain Daily News :
- Blockchain Daily News
Sa newsletter quotidienne :
- Blockchain Daily News Newsletter
Recevez chaque matin par mail la newsletter Blockchain daily News, une sélection quotidienne des meilleures infos et expertises en Blockchain révolution.
Sa lettre mensuelle digitale :
- The Chief Blockchain Officer
FINYEAR
Le quotidien Finyear :
- Finyear Quotidien
Sa newsletter quotidienne :
- Finyear Newsletter
Recevez chaque matin par mail la newsletter Finyear, une sélection quotidienne des meilleures infos et expertises en Finance innovation & Digital transformation.
Ses 5 lettres mensuelles digitales :
- Le Directeur Financier
- Le Trésorier
- Le Credit Manager
- The Chief FinTech Officer
- The Chief Digital Officer
Finyear magazine trimestriel digital :
- Finyear Magazine
Un seul formulaire d'abonnement pour choisir de recevoir un ou plusieurs médias Finyear
BLOCKCHAIN DAILY NEWS
Le quotidien Blockchain Daily News :
- Blockchain Daily News
Sa newsletter quotidienne :
- Blockchain Daily News Newsletter
Recevez chaque matin par mail la newsletter Blockchain daily News, une sélection quotidienne des meilleures infos et expertises en Blockchain révolution.
Sa lettre mensuelle digitale :
- The Chief Blockchain Officer