Sans bruit, la mutation du secteur financier a commencé il y a quelques années, quand ont émergé les technologies Big Data (ou, en bon français, mégadonnées). Conçues et mises en œuvre d'abord par les géants du Web afin de connaître tous les détails de la vie de leurs utilisateurs pour mieux cibler la publicité qui les fait prospérer, les banques ont rapidement perçu la valeur qu'elle pouvait en tirer dans leurs propres activités, en capitalisant sur leur expérience de la gestion de l'information. Et grâce aux promesses de l'Intelligence artificielle (IA), elles espèrent bientôt décupler ce potentiel.
Tous les domaines de la banque sont dorénavant concernés par cette évolution, depuis les processus opérationnels existants jusqu'aux incursions sur de nouveaux marchés, en passant par les services aux clients et les fonctions de support. En revanche, la maturité des initiatives est extrêmement variable selon les applications envisagées et les institutions qui les développent. Aujourd'hui, une grande partie d'entre elles restent expérimentales : la transition vers la banque réellement pilotée par les données (et les algorithmes) s'annonce longue.
De la lutte contre la fraude à la diversification
Chronologiquement, les premiers territoires sur lesquels se sont implantées les nouvelles approches de l'analyse de données sont ceux de la maîtrise des risques, de la sécurité informatique et de la lutte contre la fraude. Ce sont là, en effet, des problématiques qui sont depuis toujours abordées par le traitement de l'information, pour lesquelles les Big Data ne représentent donc qu'une évolution normale. Elles ont par ailleurs l'avantage de générer rapidement un retour sur investissement, souvent conséquent et facile à quantifier.
Simultanément, les équipes marketing ont aussi cherché très tôt à profiter des possibilités offertes par les nouveaux outils, notamment dans une recherche d'efficacité pour leurs campagnes à destination des clients. Dans un exemple d'exploration des limites de la segmentation de sa clientèle, l'espagnole
À l'heure actuelle, les usages les plus visibles des données sont, naturellement, ceux qui sont mis à la disposition des clients. Les assistants de gestion de finances personnelles (PFM) en sont les plus représentatifs : sous une forme ou une autre, ils aident l'utilisateur à mieux piloter son argent, en s'appuyant sur une compréhension de ses habitudes, tirée de son historique de transactions. Le service « Perspectives NOMI » de
La connaissance dérivée du traitement de l'information brute donne parfois lieu au développement de modèles innovants. L'optimisation des abonnements à toutes sortes de services (énergie, télécommunication, divertissement…), fondée sur la surveillance des redevances dans les relevés de compte, devient ainsi une nouvelle source de revenus pour la néobanque
Il faudrait encore citer les applications moins ostensibles, qui naissent dans tous les recoins de l'organisation : dans une direction des ressources humaines, pour prédire (et prévenir) le risque de démission d'un conseiller ou bien dans la maintenance préventive des GAB dont les pannes peuvent désormais être anticipées par le suivi de quelques paramètres techniques, pour ne citer que deux solutions conçues par
Les balbutiements de l'intelligence artificielle
Les exemples d'initiatives peuvent être multipliés à l'infini mais ce foisonnement ne doit pas masquer la réalité : l'exploitation des données dans la banque n'en est qu'à ses balbutiements. D'une part, une majorité d'entre elles mettent en œuvre des techniques relativement peu sophistiquées, qui ne donnent des résultats que marginalement meilleurs par rapport à ce qui existait auparavant. D'autre part, elles ne sont souvent que des expériences, qui ne parviennent à sortir des laboratoires que dans une poignée d'institutions particulièrement avancées.
Différentes raisons expliquent les progrès modestes des Big Data. Celle qui vient immédiatement à l'esprit est le temps long d'apprentissage et d'appropriation des nouvelles technologies par l'industrie financière. S'y ajoute en outre une difficulté spécifique, liée au poids de l'héritage informatique des grandes banques. En effet, les applications envisagées requièrent un accès simple et unifié aux données, or les systèmes d'information bâtis depuis des décennies n'ont pas été conçus pour cela. Un gigantesque chantier de rationalisation est donc nécessaire avant d'espérer « libérer » les usages.
Parce qu'elle constitue une étape suivante de l'exploitation des données, en procurant des moyens infiniment plus puissants de les valoriser, l'introduction de l'IA dans le paysage est logiquement dans un état encore plus précoce. En conséquence, les déploiements de modèles à base d'apprentissage automatique (le « machine learning » et ses variantes), qui ne représentent pourtant qu'un premier pas dans cette direction, sont avant tout l'apanage de jeunes pousses ambitieuses, tandis que les banques tentent dans un premier temps de se familiariser avec les technologies et leurs possibilités.
Les chatbots, tellement en vogue actuellement, et les interfaces vocales, prêtes à déferler en France avec l'arrivée des assistants de type Google Home, fournissent une illustration de l'attentisme des acteurs historiques. Fréquemment considérés comme des cas d'utilisation de l'IA, ils n'y recourent, au mieux, que pour leurs fonctions d'interprétation du langage naturel. Les systèmes qui, en aval, prennent en charge les questions des clients ne sont généralement que des moteurs de règles opérant des algorithmes classiques. À un stade proche, bien qu'elles soient un peu plus élaborées, des applications à base d'analyse de texte apparaissent, telles que la validation de clauses bénéficiaire d'assurance vie chez BNP Paribas Cardif.
Au-delà, les exemples fournis par la FinTech donnent une idée plus précise de l'extraordinaire champ d'opportunités qui s'ouvre, dans tous les domaines évoqués précédemment. Quand
Sans atteindre l'extrême de la démonstration par
Vers la banque pilotée par les données
Malgré la timidité des progrès réalisés globalement à ce jour, l'importance croissante de l'information et de son exploitation dans les services financiers est une évidence. Au fur et à mesure de l'ajout, dans tous les domaines, de capacités de prédiction, puis de prescription, aux analyses purement descriptives d'aujourd'hui, la vision d'une banque pilotée par les données prend corps.
Pour le client, d'abord, elle se traduira par une véritable inversion de sa relation avec la banque. Plutôt que de devoir solliciter son conseiller (ou son application mobile) pour souscrire un produit dans une circonstance donnée, la plate-forme de demain sera capable de détecter les événements qui surviennent dans sa vie, de comprendre le besoin qu'ils suscitent et de suggérer spontanément, voire de mettre en place automatiquement, les solutions les mieux adaptées, en prenant de plus en considération ses préférences individuelles.
Le principe peut paraître invraisemblable mais des prémices en sont déjà visibles ici ou là : quand Amazon s'arme depuis plusieurs années pour pré-allouer des crédits aux PME dont l'activité sur sa place de marché laisse à penser que le moment est opportun, quand
La banque pilotée par les données, c'est aussi une autre manière d'appréhender le fonctionnement de l'institution financière, en recourant systématiquement aux techniques avancées de gestion de l'information, pour plus de sécurité, plus d'efficacité, plus de performance… Il ne suffit plus de suivre l'activité de l'entreprise grâce à quelques indicateurs soigneusement étalonnés, il deviendra bientôt possible de réaliser des simulations en temps réel, à tous les niveaux de l'organisation, évaluant les probabilités de succès et les meilleures options d'un projet, d'une opération ou d'une stratégie, et fournissant aux dirigeants une aide active à la décision… ou laissant les algorithmes prendre eux-mêmes les décisions.
À plus petite échelle, tous les processus opérationnels intégreront progressivement des mécanismes d'auto-apprentissage, en attendant une vraie IA, qui en assureront une optimisation continue. Par exemple, des régulateurs réfléchissent aujourd'hui à la manière dont ils pourraient proposer aux institutions financières des outils autonomes de validation de leur conformité réglementaire, le chantier auquel ils s'attaqueront ensuite visera probablement à rendre l'application des textes automatique, au moins dans les cas de modification.
La perspective d'une banque entièrement contrôlée par des algorithmes est encore lointaine, car les solutions disponibles sont très imparfaites et de nombreuses questions critiques restent à traiter (en matière d'éthique, notamment). Il est même possible qu'elle ne soit qu'une chimère, car il subsiste bien des domaines dans lesquels l'intuition, l'empathie, la créativité… exclusivement humaines (pour l'instant) sont indispensables. Néanmoins, l'exploitation industrielle des données est dès maintenant un enjeu majeur de compétitivité pour le secteur, car elle constitue d'ores et déjà un puissant facteur de transformation de la plupart des métiers historiques de la banque et un vecteur de création de nouveaux modèles d'affaires.
