Quand Data ne rime pas avec cata : les bienfaits de l’analyse des données pour les institutions financières

Partagez l’article 

Partager sur facebook
Partager sur twitter
Partager sur linkedin

La relation du monde professionnel au « Data » est généralement basée sur une dynamique d’amour-haine et de l’incompréhension dans la majorité des cas. Nous sommes en plein essor d’une ère professionnelle où la technologie et le Data règnent en maîtres absolus. Personne ne remet en doute le fait que la structuration, l’harmonisation et l’analyse optimale des données sont des facteurs-clé du succès et de la survie des entreprises dans le monde actuel.  Ceci est encore plus vrai pour les domaines très régulés comme les services financiers où le manque de suivi efficace des activités peut s’avérer fatal pour la réputation et le business-model de ces institutions.

 

Et malgré cette importance capitale, la gestion des données génère dans la majorité des cas de la frustration et de la colère au sein des équipes de direction et du personnel. En effet, très peu d’entreprises arrivent à mettre en place une structure informatique optimale et à fédérer leurs équipes autour d’une culture axée sur les bienfaits de la compréhension et de l’utilisation des données qu’ils ont en leur possession.

 

La fatalité autour d’implémentations de nouveaux logiciels, processus opérationnels et systèmes est telle que cela a donné naissance à un nouveau concept managérial : « La gestion de crise post-implémentation ». Les équipes partent en effet du principe que la plupart des projets sont voués à l’échec et que les tracas et la cacophonie générés devront être réparés via la mise en place d’une nouvelle équipe de spécialistes.

 

Je pense que la quasi-totalité des projets échoue pour une simple et même raison : la perception biaisée du management et du corps décisionnel qui pensent que ce domaine relève exclusivement des compétences informatiques et technologiques. Basée sur cette croyance, la plupart des projets majeurs sont confiés aux équipes IT, Développement et Data Scientists en faisant fi de l’aspect le plus important : l’implication des équipes Business dans la gestion de ces programmes.

 

Pour ma part, j’ai l’intime conviction que la mise en place des équipes pluridisciplinaires alliant les équipes opérationnelles, IT et technologiques est la clé du succès pour un retour sur investissement maximal de l’analyse et de l’utilisation des données.

 

Le Cross Industry Standard Process for Data Mining (CRISP-DM), le modèle de processus le plus utilisé dans le domaine du data mining, le souligne de manière on ne peut plus claire: le data est là pour aider à comprendre et analyser le business. La bonne compréhension des questions concrètes auxquelles nous cherchons des réponses est la base de tout processus analytique, et tous les projets doivent démarrer avec le même questionnement : « Quel est mon problème business ? Comment les données dont je dispose peuvent m’aider à y voir plus clair ?

 

 

Que ce soit pour analyser les transactions de leurs clients, pour satisfaire les régulations KYC/AML, pour gérer leurs obligations réglementaires ou pour comprendre les besoins de leurs clients en profondeur afin d’adapter leur stratégie commerciale, les institutions financières doivent mettre en place une approche inclusive et transversale de leur personnel afin de leur permettre d’apporter leur savoir-faire et travailler main dans la main avec les équipes technologiques sur les aspects techniques des modèles d’analyse de données dont ils ont besoin. C’est ce que j’appelle la mise en place d’une organisation centrée autour du Data où la valeur-ajoutée des données est reconnue par tous et l’ensemble du staff se mobilise de manière continue afin de tirer le meilleur de leurs données.

 

Dans la continuité du CRISP-DM, je pense que le chemin pour devenir une organisation ayant une réelle culture « Data » doit suivre une transformation culturelle basée sur trois axes : Stratégie, Equipes d’experts et Technologie.

 

1. Stratégie

Chaque projet démarre avec vos besoins et les objectifs à atteindre :« Je veux analyser les transactions de mes clients et identifier des opérations potentiellement frauduleuses » « Je veux structurer les données de mes clients pour mes reportings KYC »« Quels sont les segments des clients les plus profitables pour mon business ? » Dans un deuxième temps, les équipes Business vont se pencher sur les données dont ils disposent et voir comment les analyser. Cette étape permet d’avoir des informations claires sur la façon dont vous allez tirer parti de celles-ci et expliquer aux Data Scientists et IT la façon dont ils vont devoir modéliser le processus.

2. Les Equipes d’experts

La deuxième étape consiste à définir les actions appropriées pour lancer la phase de collaboration active. Cela ne peut être fait qu’en empêchant ce que j’appelle le « communautarisme des données » où les équipes technologiques et non-technologiques ne communiquent pas de manière continue et optimale.  Cette question doit être reconnue par la direction et traitée de manière appropriée. L’une des solutions pour définir une collaboration totale autour des données est de créer des équipes multifonctionnelles comprenant des équipes Data Scientists, IT, Commercial, Product Management et Opérationnelle pour une vision globale de l’organisation. Cette nouvelle structure organisationnelle permettra une émulation totale entre les équipes pendant le processus de compréhension et de préparation des données.

3. Technologie

Cette dernière étape est également critique pour le processus. Les Data Scientists et Analysts  qui sont en train de modéliser doivent partager leurs avancées de manière interactive avec les équipes business pour s’assurer qu’ils sont sur la bonne voie et ajuster quand c’est nécessaire. Les étapes de Modélisation et Évaluation sont tout sauf une ligne droite rigide. De nombreux ajustements sont en effet nécessaires pour avoir le modèle le plus optimal et satisfaisant possible pour un déploiement réussi.

La magie des données

L’analyse et la compréhension de données représente une opportunité unique pour les banques, les gestionnaires d’actifs ou les assureurs de satisfaire leurs obligations, d’adapter leur stratégie et d’assurer leur pérennité. Quand les spécialistes business, les équipes opérationnelles et technologiques travaillent ensemble, ces projets permettent de générer des analyses descriptives et prédictives compréhensibles, percutantes et satisfaisantes pour tout un chacun.