Acteurs de la finance : votre approche de la donnée est-elle la bonne ?

Quelles stratégies adopter pour réussir dans ce monde complexe, hyper-connecté et en perpétuel mouvement ?

Pour parvenir à entrer de plain-pied dans l’ère du digital et de la donnée, les banques se doivent de comprendre les besoins de leurs clients le plus rapidement possible et de mettre à disposition de nouvelles offres spécifiques répondant à leurs attentes.

Que l’on soit un gestionnaire d’actifs dont l’objectif est de déployer une stratégie multi-boutique ou d’intégrer des critères ESG dans sa gestion, que l’on soit un grand groupe bancaire confronté à la fragmentation des réglementations, à l’ouverture des données clients et à la nécessité d’améliorer son efficacité opérationnelle, la question centrale reste la même : quelles stratégies adopter pour réussir dans ce monde complexe, hyper-connecté et en perpétuel mouvement ?

Dans l’e-commerce, de grands acteurs comme Amazon et Alibaba réalisent une croissance exceptionnelle. Qu’on l’appelle Platform ou Smart Business, leur modèle d’affaire est connu et a été largement étudié, mettant en lumière la jeunesse et l’agilité de ces entreprises. Par ailleurs, des acteurs historiques de la finance comme ING, RBC ou BBVA ont su adopter avec succès ces approches fondées sur un usage innovant de la donnée. J’identifie comme leaders de la donnéeces acteurs qui ont su mettre en œuvre une gestion avancée de la donnée opérationnelle et client pour porter la transformation de leur modèle d’affaire.

Grâce à son Smart Business, Ant Financial, la filiale financière du groupe Alibaba, a créé une offre de prêt au TPE/PME qui a financé plus de 11 milliards d’euros en seulement 7 ans pour 3 millions d’entreprises chinoises. Avec une moyenne de 1000 euros par transaction, ces prêts sont accordés de façon automatique en moins d’une minute en analysant lors de la demande l’historique de l’entreprise emprunteuse.

 

Catalyser les initiatives liées à la donnée du secteur Financier

Avec notre connaissance du secteur bancaire et des nouvelles technologies appliquées à la gestion de la donnée, nous sommes intervenus avec succès chez nos clients dans des contextes variés : reporting réglementaire, financement ou supervision d’activités de marché. Notre expérience illustre qu’en prenant une approche métier et non technologique, les opportunités sont nombreuses pour initier des projets d’innovation par la donnée dans le secteur bancaire.

La transformation repose sur trois piliers : automatisation, flexibilité et instrumentation en temps réel. Pour les mettre en oeuvre, il est nécessaire de prendre une approche radicale de la donnée. Dans la suite de cet article, je présente les trois ingrédients qu’il est nécessaire de combiner pour y parvenir. Premièrement, comment mettre en libre-service la donnée dans son entreprise. Dans un second temps, nous aborderons la nécessité de réduire le temps de passage à l’action et pourquoi l’organisation de la donnée des banques est un frein dans cet objectif. Troisièmement, nous parlerons de la nécessité de passer à une gestion événementielle de l’information. Pour conclure, nous illustrerons l’apport de cette transformation avec des exemples dans le secteur financier.

 

La donnée en libre-service

S’inspirant des méthodes développées et mises en place par les géants du web, notre démarche est séquencée en quatre étapes: la collecte sous forme de donnée de l’ensemble des interactions des utilisateurs, la mise en logiciel de l’intégralité des processus métiers, la diffusion de la donnée dans l’entreprise et vers les partenaires via des protocoles informatiques ouverts (API) et enfin l’intégration d’algorithmes complexes pour répondre en temps-réel aux demandes clients. Nous appelons cette démarche « Finance Self-Service ».

Pourquoi cette dénomination de Self-Service ? La donnée n’est plus extraite puis chargée de système en système dans un format standardisé, mais est partagée de façon granulaire, riche, au travers une plateforme Data, et est tirée (pull) par toute équipe qui en a l’utilité et qui pourra alors la mettre en forme dans le modèle qui lui sera le plus utile. En facilitant ainsi le partage de la donnée dans l’entreprise, notre démarche permet aux équipes de gagner en autonomie et en créativité.

Pour mettre en oeuvre leur plateforme Data, les leaders de la donnée utilisent des solutions logicielles “open source” : architecture réactive, plateforme de traitement en flux de la donnée et modélisation par domaine métier. L’utilisation de services gérés dans un Cloud public et les architectures « sans serveur » (serverless[2]) permettent une plus forte rentabilité, une adoption rapide et l’industrialisation des algorithmes comme le Machine Learning.

Comme l’indique John Rossman du cabinet Alvares and Marsal et auteur du livre Amazon Way :

« Le Self-Service n’est plus optionnel, il doit être réalisé de bout en bout ».

 

Réduire le temps de passage à l’action

Pour devenir pleinement centrées sur le client, les entreprises doivent pouvoir répondre instantanément aux demandes de leur utilisateur et leur proposer une réponse sur mesure. Pour cela, il est nécessaire de réduire le temps respectivement de la capture d’une information venant d’une interaction client, de son analyse et du passage à l’action, c’est à dire la mise à disposition d’un nouveau service.

Les temps de prise de décision et de planification stratégique doivent être optimisés en étant remplacés par une approche « tester et apprendre » fondée sur une culture impulsée par et construite autour de la donnée. Les institutions financières doivent accepter de faire des erreurs et apprendre de leur essai.

Les solutions Data doivent répondre simultanément à ces deux besoins : comprendre les attentes du client instantanément et permettre le déploiement du service attendu le plus rapidement possible. Pour y parvenir, il doit s’agir de la même solution.

Or l’approche traditionnelle des entreprises est de séparer les systèmes opérationnels et les solutions de prises de décision (Business Intelligence). Les systèmes opérationnels se focalisent sur la gestion d’un processus métier délaissant de précieuses informations à l’instar de celles issues des nombreuses interactions clients. Les enregistrements sont enfouis dans les applications et sont difficilement exploitables car les systèmes n’ont pas été conçus pour partager la donnée. Ainsi, les architectures décisionnelles classiques reposent sur des entrepôts de données (Data Warehouse) où des Data Lake tentent de répondre avec beaucoup de difficultés à cette dispersion de l’information. Mais les problèmes de normalisation, de nomenclature et de qualité restent la plupart du temps sans réponse. Face à une telle complexité, l’information n’arrive jamais en temps opportun et de façon intelligible aux décideurs.

 

Fast Data : une approche événementielle

Les sociétés Digital Native s’attèlent à répondre en continu aux attentes de leurs clients et partenaires. Elles doivent offrir une expérience quasi-parfaite et innover en permanence. C’est pour cette raison que les géants technologiques comme Amazon et Alibaba ont bâti leur organisation sur des architectures réactives où l’information est diffusée en continu d’application en application avec des plateformes de données en flux (Streaming Data Platform).

Cette approche permet de capturer l’intégralité des interactions clients et l’ensemble des événements provenant des processus métiers. Ces informations sont partagées immédiatement à l’ensemble des services de l’entreprise qui exploitent alors toute la richesse du patrimoine de donnée. Cette mise en flux permet de réaliser des analyses Big Data en temps-réel. Cette approche est alors appelée Fast Data.

L’intégralité des processus métiers est automatisé de bout en bout dans des applications qui exposent l’information de façon ouverte et alimentent en temps-réel le journal des événements de l’entreprise. L’information devient globale, granulaire et instantanée. Cette architecture rend l’entreprise flexible, extensible et permet d’intégrer en continu, et donc de démultiplier, de nouveaux services et cas d’usage. Les équipes opérationnelles gagnent ainsi en efficacité en introduisant des nouvelles approches pour faire face à leurs problèmes.

 

Le Self-Service à l’œuvre

Lors de notre intervention dans l’activité de financement d’un de nos clients, nous avons constaté que la qualité de la donnée était devenue la principale occupation des équipes opérationnelles. Un mois était nécessaire pour produire un état exact de l’ensemble de l’activité au management. Ce problème était lié en partie au manque de rigueur des équipes commerciales mais aussi à la complexité de modélisation des produits traités. Cette complexité forçait l’utilisation de feuilles de calcul Excel, très permissives quant à la saisie des données. Les traitements « batch » à D+1 de la chaine de reporting étaient cependant en grande partie responsables de cette importante charge de travail. 48h était nécessaire au mieux pour constater la correction d’une simple anomalie.

En déployant une architecture dite Fast Data, il a été possible de réaliser des tableaux de bord dédiés qui alertaient en temps-réel une erreur de saisie. Les tableaux se mettaient à jour instantanément suite à la correction dans le système de gestion et présentaient au fil de l’eau les anomalies restant à corriger. L’intégration de la plateforme de donnée a été réalisée de façon transparente en quelques heures puisqu’il s’agissait de capturer les événements métiers émis par le logiciel. En moins d’un mois, il a été possible de démontrer aux décideurs toute la valeur de l’approche.

 

L’intelligence artificielle commence par la donnée

Finalement, les leaders de la gestion de la donnée, grâce à la parfaite connaissance des informations associées aux actions de leurs clients, sont capables d’intégrer des algorithmes complexes d’intelligence artificielle dans le flux de traitement afin de faire des propositions sur-mesure et répondre ainsi en permanence et instantanément aux demandes des clients. ING a mis en place un système de détection de fraude pour ses 36 millions de clients internationaux. La solution intègre des algorithmes de Machine Learning qui analysent en temps-réel le million de transactions réalisées chaque jour par ses utilisateurs.

En prenant une approche radicale de la gestion de la donnée, où l’information coule en continue au sein de l’entreprise, la Finance Self-Servicetelle que pensée par WeeFin est une façon simple et pragmatique d’entrer dans l’ère du Digital. L’arrivée à maturité des méthodes des géants du web permettent de répondre à un triple enjeu : améliorer l’efficacité opérationnelle, prendre une approche holistique, de s’ouvrir et construire des synergies autour de leur savoir-faire et de leur client. Notre conviction est que la valorisation de la donnée est au cœur de la transition des acteurs du secteur financier dans l’ère du Digital et nous l’utilisons comme levier de transformation chez nos clients. La clé de la démarche est de savoir identifier les opportunités métiers accessibles qui serviront d’accélérateur à la mise en œuvre du Self-Service. C’est ce que nous proposons dès à présent aux acteurs de la finance.

 

Références

● Ming Zeng — Alibaba and the future of business — https://hbr.org/2018/09/alibaba-and-the-future-of-business

● John Rossman — Alvarez and Marsal — Future Ready Self-Service — https://www.alvarezandmarsal.com/sites/default/files/future-ready_self-service_bc_final.pdf

● John Hagel III, John Seely Brown, and Lang Davison — The power of pull : How Small Moves, Smartly Made, Can Set Big Things in Motion — http://www.edgeperspectives.com/pop.html

● Martin Kleppmann — Making Sense of Stream Processing — https://martin.kleppmann.com/2016/05/24/making-sense-of-stream-processing.html

● Wang Shaoxuan — Alibaba Blink: Real-Time Computing for Big-Time Gains — https://medium.com/@alitech_2017/alibaba-blink-real-time-computing-for-big-time-gains-707fdd583c26

●Bas Geerdink — Fast Data at ING — the why, what and how of the streaming analytics platform in a financial enterprise — https://www.slideshare.net/bgeerdink/fast-data-at-ing-the-why-what-and-how-of-the-streaming-analytics-platform-in-a-financial-enterprise

● BBVA — Building Innovative Data Products in a Banking Environment — https://www.slideshare.net/Big-Data-Summit/building-innovative-data-products-in-a-banking-environment

● Erik de Nooij — StreamING Machine Learning Models: How ING Adds Fraud Detection Models at Runtime with Apache Flink® — https://www.ververica.com/blog/real-time-fraud-detection-ing-bank-apache-flink

● Confluent — Streaming Data Empowers RBC to be Data Driven — https://www.confluent.io/customers/rbc

[1] ESG : Environnement Social et Gouvernance

[2] Serverless — L’informatique sans serveur — https://en.wikipedia.org/wiki/Serverless_computing / https://aws.amazon.com/fr/serverless/

Pierre Bittner – CEO de WeeFin