Big data : 10 cas d'usage dans le domaine de la finance

Banque, Finance et Fintech : derniers endroits où l’on s’amuse

Vous pensez que cet article aura des airs de costume gris avec cravate noire et lunettes cerclées ?

Détrompez-vous. Les cas d’usage des big data dans l’univers de la finance sont en réalité très concrets et très vivants.

La finance est finalement un des derniers lieux où l’on s’amuse.
En tout cas, pour ce qui concerne le big data.

Le secteur bancaire est en effet un des plus gros producteurs de données, et ce, depuis de nombreuses années. Comme le signale Christine Lejoux, journaliste spécialisée en finance dans Les Echos, aucune autre entreprise que la banque ne détient autant de données sur ses clients : “Salaire, propension à dépenser ou au contraire à épargner, commerces favoris… Les banques savent tout de leurs clients, ou presque. Une mine d’or qu’il convient plus que jamais d’exploiter”.

D’autant que le secteur de la finance (associé à celui de l’assurance) sont des secteurs où l’on peut transformer très vite les data en valeur ajoutée . Selon une étude de IDC, les entreprises françaises pourraient bénéficier d’un “potentiel de valeur additionnelle” de 54 milliards d’euros, et ce en 4 ans.

Ce qui fait du secteur financier le deuxième plus gros potentiel pour les big data après l’industrie.

 Concrètement, qu’est-ce-que cela veut dire ? 

Voici donc 10 cas d’usage intéressants. Quand la data science et le big data se mettent au service des banques, des institutions financières et des startups du domaine, voici les questions auxquelles elles répondent. Instructif.

1. Proposer des offres aux petits commerçants

En Australie, c’est l’idée qu’a eue la CommBank. Cette innovation est en cours de déploiement depuis mars 2014 dans plus de 100 000 boutiques australiennes. 

Le principe est d’apporter aux petits commerçants  (fleuristes, coiffeurs, restaurants, boulangers, …) une meilleure connaissance des consommateurs de leur zone de chalandise : profils type par âge, sexe, lieu de résidence et niveau de dépense moyen.

Cela permet à ces commerçants de mieux cibler leur action commerciale et promotionnelle.

Utiliser les données connectées auprès des uns pour les revendre aux autres : astucieux et rentable.

2. Réaliser le scoring des dossiers de crédit

Déterminer la capacité d’une personne à rembourser un crédit : c’est un  sujet de préoccupation vieux comme la banque. Et c’est un sujet sur lequel apparaissent de nouveaux acteurs qui travaillent en utilisant les big data.

Sur ce cas d’usage, Kreditech Group, une start-up allemande près de Hamburg a levé 200 millions de dollars en 2015. 

Elle travaille à partir de 20 000 sources de données différentes et attribue un « scoring » financier, c’est-à-dire une évaluation du profil financier d’une personne souhaitant obtenir un crédit, et sa capacité à remplir ses engagements en termes de remboursement.

 Kreditech utilise non seulement les données bancaires du client mais aussi les réseaux sociaux, ses données d’utilisation sur les mobiles, les données d’e-commerce…

Elle parvient à une évaluation « en quelques secondes » seulement, contre plusieurs jours pour une banque traditionnelle.

Bien entendu, depuis lors, elle n’est plus seule à travailler sur le sujet et les autres banques se mettent désormais à collecter, elles aussi, des données externes (voir infra).

 

3. Détecter les fraudeurs à la carte de paiement


Selon l’Observatoire de la sécurité des cartes de paiement,  le total des transactions frauduleuses affectant les cartes de paiement françaises est de 416,1 M€ (2015).  La fraude sur Internet à la même date est évaluée à pas moins de 145 millions d’euros.
Et si les chiffres 2016 sont pour la première fois en baisse (agréable surprise), il semble que cela soit précisément dû aux premiers résultats du travail entrepris pour accélérer la détection des fraudes.

AVANT  : une procédure compliquée

 Avant, l’identification des fraudes reposait sur des systèmes de détection fragmentées et des procédures demandant au client un “travail” supplémentaire.

Ce qui dégrade la qualité du service client.

En outre ces outils traditionnels ne détectent souvent pas les fraudes non avérées, celles que le détenteur de la carte de paiement ne peut pas prouver ou qu’il constate trop tard.

 

DEMAIN  : la capacité à traiter des données non structurées

Le big data, en permettant de traiter un gros volume de données, avec des origines très  diverses apporte un vrai plus dans un secteur qui est un des plus gros producteurs de données : la capacité à extraire, traiter et donc détecter des fraudes … en temps réel !

Selon Abdessatar Hammedi, analyste CRM analytique chez LCL,  dans le domaine bancaire, “seulement 20% des données sont structurées de telle sorte qu’elles puissent être stockées et exploitées par un dystème de gestion de bases de données classique (SGBD). La technologie big data permettra de traiter les données dans leur ensemble et ainsi de voir les vérités qui se cachent derrière les 80% de données non structurées.”

Le potentiel du big data en matière de détection des fraudes réside donc dans la vitesse de traitement et la maîtrise du fameux streaming

Le travail en la matière ne fait que commencer. Et il y a des besoins.

Selon l’entité sécurité d’IBM, les attaques cybercriminelles se sont recentrées en 2016 sur les services financiers. L’indice IBM X-Force Threat Intelligence de 2017 souligne, lui aussi, que les cybercriminels continuent de cibler en priorité les cartes de crédit et les mots de passe.

 

4. Proposer une expérience client “remarquable”

 

Quand on dit les choses comme cela (expérience client remarquable), on donne l’impression d’être en pleine novlangue marketing et de parler pour ne rien dire. 

Quand on replace les choses dans le contexte, celle du “vécu du client avec son banquier”, on commence à se dire qu’en effet, il y a là un sujet. Surtout à l’heure où les banques traditionnelles sont concurrencées par l’arrivée des banques en ligne. 

On en déduit que de l’époque  “Ah ! Je ne peux rien faire, c’est le siège qui décide”  à l’expérience remarquable évoquée ci-dessus en passant par l’époque “tapez 1-tapez 2” , il y a un travail énorme pour personnaliser des offres et des réponses en s’appuyant, là encore sur la masse incroyable de données du secteur bancaire. 

“32 % des Français considèrent en savoir davantage que leur conseiller en matière de gestion de budget !”, rappelle Fabrice Lamirault, auteur du livre blanc “L’évolution du modèle bancaire à l’ère du digital”.

Là encore, la solution réside en grande partie sur la capacité à répondre… en temps réel !

Citygroup, premier fournisseur de services financiers dans le monde avec 200 millions de comptes clients,  a ainsi décidé, pour sa stratégie Big data, de créer une architecture constituée d’un data lake interne.

Pour réaliser les projets big data du groupe, Citi fait appel à de nombreux vendeurs de solutions open source. Solutions open source + data lake : la montée en puissance de cette architecture consiste maintenant à gagner en vitesse et à travailler le plus vite possible et si possible, en temps réel, donc.

Dès lors, les proofs of concept de solutions toujours plus personnalisées (taux de crédit, tarifs, …) pouvant être validées en temps réel chaque fois qu’un client rencontre son banquier pourront se multiplier. Et là, le vécu va changer.
 

 

5. Anticiper le  risque  que le client retire ses fonds

 

Le marketing prédictif est une méthode qui a beaucoup d’avenir dans le monde bancaire.

En étudiant le comportement des consommateurs (consommation bancaire et non bancaire) on peut établir des tendances fortes qui permettent d’anticiper des actions de sa part : et notamment celle qui va consister à retirer ses fonds et éventuellement changer de banque. 

Les diminutions de solde, la navigation sur les pages de désengagement, la clôture des comptes d’épargne court terme, la revente des emprunts, les commentaires négatifs sur les réseaux sociaux et autres activités : autant de signaux d’alerte qui méritent qu’on s’inquiète et que l’on réagisse auprès du client en lui proposant des solutions personnalisées (sujet précédent). Les deux questions, bien évidemment, se rejoignent. 


Pour cela, il ne faut pas se contenter d’étudier les données internes, mais également aller chercher des données non structurées sur les réseaux sociaux.


Cap Gemini, dans un rapport de 2016, a étudié la façon dont les banques ont recours aux données. Moins de la moitié seulement ont recours à ces données externes. 

Ce qui donne donc une idée du chemin à parcourir dans le secteur sur ce seul sujet.

 

6. Améliorer les scénarios des centres d’appel

 

Dans un article datant de 2014, La Tribune raconte comment HP a travaillé sur l’augmentation de la productivité du centre d’appels d’une banque américaine.

Lorsqu’un client appelle, il faut avoir immédiatement des informations sur son parcours. “La veille, il a fait trois simulations de crédit à la consommation sur le site Internet de la banque ? Sa voix est calme ? Il est mûr pour l’offre de crédit “conso” qui fait actuellement l’objet d’une campagne marketing de la part de la banque ! “, explique l’article. 

“Il utilise en général son smartphone ou son ordinateur pour entrer en contact avec sa banque ? La proposition de crédit lui sera envoyée par mail et non par courrier postal.”

Résultat, “le taux de transformation (en acte d’achat) des campagnes marketing a augmenté de 30%, au sein de cette banque”, affirme Philippe Bessis, chez HP dans cet article. 

Même si ce cas d’usage du big data ne semble pas spécifique au secteur bancaire, force est de constater que celui-ci est particulièrement concerné. Le public qui cherche un produit financier aura tendance à beaucoup s’informer.

Pouvoir repérer où il en est de son cycle de décision en étudiant son vocabulaire, son humeur, etc. est très utile. 

En combinant les technologies d’analyse prédictiveet l’analyse de discours, on  peut ainsi détecter si un client est sur le point d’être frustré ou en colère

Les modèles prédictifs peuvent aussi apporter des informations sur les meilleures façons de prendre en charge différents types d’appels.

 

7. Mutualiser les données entre banques


C’est, par exemple, le terrain de jeu d’une startup qui fait parler d’elle dans le monde bancaire : Kontomatik.

“Les agences gouvernementales, les compagnies aériennes, Google, Facebook et LinkedIn partagent leurs données avec le monde extérieur à travers leurs APIs, chaque banque veut garder les siennes pour elle-même. Si ces données étaient plus ouvertes, le consommateur se rendrait compte que les produits bancaires dont il dispose ne sont pas les bons”.

Grâce aux données fournies par Kontomatik, le monde de la finance s’est doté d’une API bancaire, à travers laquelle -avec le consentement des consommateurs- on peut obtenir des informations financières sur les comptes qu’un client détient dans d’autres banques”. 
Voici ce qu’explique le site internet de Kontomatik. 

Ceci semble plein de bon sens. Et les possibilités offertes par une telle API apparaissent gigantesques. 

 

8. Analyser le sentiment des investisseurs pour les traders.

 

Autre cas d’usage pour le big data : le trading et la gestion de fortune.

Mesurer le “sentiment” des investisseurs est crucial dans cet univers. Il est vital de “sentir” le marché et le sentiment des participants pour prendre position sur les prix.

Avec l’aide du widget Admiral Markets Sentiment  , il est possible d’étudier les relations entre des positions court et long terme détenues par d’autres participants d’un marché financier. 
Avec de telles données, un investisseur est capable de disposer d’une bonne vision de l’état d’esprit d’un marché donné. 

Un tel widget fonctionne de façon assez simple.
Un broker agrège ses propres données, à partir des positions que ses propres traders ont prises. 
A partir de là, le broker présente ses données sous forme de graphiques. Chaque actif peut alors être comparé avec la synthèse de ces graphiques, il est possible d’en déduire la “croyance” à un instant t des investisseurs.

Avec l’aide de l’agrégation des big data, il est possible de mieux comprendre le marché et d’obtenir une meilleure analyse. Et donc un meilleur succès et des volumes à traiter supérieurs. 

 

 

9. Mettre en conformité les données et leur traitement

 

Le cadre réglementaire évolue dans le secteur bancaire, obligeant à davantage de vigilance et de transparence dans la gestion des données.

Et il y a un certain nombre d’échéances rapprochées pour être en conformité avec le Comité de Bâle sur le contrôle bancaire (BCBS 239). Depuis janvier 2016 chaque banque doit collecter, stocker, et « reporter » auprès de prestataires de services d’investissement ou organes de régulation, afin d’assurer la maîtrise de la chaîne de valeur des données.

Dès lors, la masse des données gérées couvre l’ensemble des périmètres fonctionnels allant des clients, aux conditions de marché (de prix, d’origine, de source…), en passant par la création et l’intégration de nouveaux indicateurs (de liquidité, de qualité d’actifs, de fonds propres…).

Voilà autant de données à saisir, stocker et tant qu’à faire… utiliser. 

Cette seule réglementation des données (à laquelle s’ajoute la RGPD) est un moteur de premier ordre pour  l’ensemble des cas d’usage liés à la mise en conformité des données et de leur utilisation dans cet univers qui, on l’a dit, en possède vraiment beaucoup. 

Le secteur bancaire s’apprête ainsi à devenir un secteur de référence en matière de traçabilité des informations financières produites (data lineage) et de data governance.

 

10. Prêter en peer-to-peer

 

En Corée, un cas d’usage intéressant est celui de Lendit. L’entreprise qui fait du crédit en peer-to-peer utilise des modèles de scoring de crédit qui étudient les informations Facebook des emprunteurs autant que leur comportement issu de différentes sources afin de donner une note concernant leur capacité à rembourser le crédit. Ceci, auprès cette fois, des prêteurs qui ne sont pas des établissements bancaires mais des particuliers.

Le domaine du crédit peer-to-peer est en très forte croissance, en témoigne l’exemple de Lending Club qui a déjà diversifié son offre, en permettant par exemple aux banques d’investir à leur tour dans des prêts peer-to-peer, ou en s’adressant aux entreprises pour proposer du prêt entre salariés. Google se dit même intéressé par le projet.

Lending Club, qui permet d’obtenir des taux d’intérêt plus bas que le marché, se rémunère sur les transactions des commissions à hauteur de 5 %.


 

On le voit, la finance et la banque sont des secteurs de plus en plus utilisateurs de big data. Les use cases y sont légion. Et cela ne fait que commencer. L’inventivité dans cet univers est au fond nourrie par trois facteurs-clés : 

  • la réglementation et l’obligation d’une bonne data-gouvernance
  • le marketing, la concurrence et le besoin de renouveler l’expérience-client
  • les startups et la fintech qui agissent comme des aiguillons face aux institutions en place.