Banque et Assurance : qu’apportent les Big Data ?
Scoring, Big Data bancaire ou assurantiel : 3 leviers à activer idéalement en simultané :
- la data : le Big Data, qui exploite un nombre illimité d’indicateurs, ouvre la voie à la créativité dans les données explorables. De nouvelles données descriptives clients peuvent ainsi être sourcées en dehors du département recouvrement et risque client, dans la division marketing, par exemple, sur les sites web, par le biais d’analyses des centres d’appels, ou dans l’open data. Il importe d’avoir une approche structurée de Master Data Management ainsi qu’une expérimentation d’emploi de données hors périmètre traditionnel.
- les outils algorithmiques : De nouveaux algorithmes de scoring Big Data permettent d’améliorer les performances prédictives et de réduire le coût du risque d’au moins 10% à iso-données. Ces algorithmes présentent des avantages majeurs de souplesse d’emploi des données et de productivité dans la conception de scores. Mais l’emploi « industriel » de ces approches exige, de fait, un repositionnement des outils traditionnels en matière de gestion des entrepôts de données et dans les chaînes de production de scores.
- la structure organisationnelle : ces nouveaux procédés nécessitent une formation aux nouvelles approches Data ou le recrutement de Data scientists. Il y a aussi des avantages à remodeler les équipes pour rapprocher les expertises techniques et métiers, et potentiellement les divers métiers utilisant le scoring.
Il existe cependant des barrières structurelles à la mise en œuvre.
1) Ne plus fonctionner en silos pour partager et exploiter les données d’une part, les compétences d’autre part. A minima, la création d’un chemin de mise en commun de données « de qualité » est indispensable. Au-delà, des changements sont possibles pour modifier les organigrammes et processus, par exemple via la création d’un département scoring et connaissance client.
2) La remise en cause des infrastructures IT. Les chaines informatiques en finances ont été formatées sur les techniques classiques de régression logistique. Il est alors difficile d’implémenter de nouveaux scores. Cela nécessite dès lors des développements complémentaires et de nouveaux projets informatiques structurants, procédés très longs. Une voie de passage rapide consiste alors à mettre des serveurs parallèles mais là aussi il faut que les entreprises soient prêtes à le faire.
3) L’intégration de ces nouvelles approches Data et algorithmiques dans les processus de scoring présentés aux autorités règlementaires (CNIL et banque de France).
La barrière n’est pas ici mathématique ou de ressources, elle est culturelle et diffuse dans l’entreprise et son écosystème règlementaire. Les plus audacieux ont engagé les premiers essais, d’autres envisagent d’utiliser les scores Big Data de risque en complément des scores historiques, d’autres exploitent le Big Data dans la sphère des scores marketing, en attendant de gagner en expérience.
In fine, les impacts du recours aux algorithmes et à la data sont indéniablement positifs avec des coûts du risque réduit, une mise au point du score plus rapide de par la nature même des algorithmes et une grande « Data versatilité » qui ouvre des champs de progrès durables.
Alors, innover plus ou moins vite, en prenant plus ou moins de risques, c’est le choix que doivent faire, justement, les professionnels du risque des établissements financiers.
Propos de François Lainée, recueillis par Geoffroy Framery
