Jean-Marc Israël (J.-M. I.) : Les principaux outils statistiques de la BCE ont longtemps été les chiffres d’inflation – comme mesure de l’objectif – et les agrégats monétaires et les taux d'intérêt qui permettent l'analyse économique préalable à la conduite de la politique monétaire et l'analyse ex-post pour évaluer l'impact des décisions ou non-décisions de politique monétaire sur l'économie.
Déjà avant la crise, les marchés se complexifiant, la simple observation des agrégats de masse monétaire et de taux d'intérêt n'était plus suffisante. L’internationalisation des marchés, l’abondance de nouveaux acteurs et de nouveaux produits financiers ont rendu nécessaire des analyses de plus en plus fines, fondées sur davantage de données.
Mais c'est avec la crise de 2007 et encore plus celle de Lehman en 2008 que notre approche a radicalement changé. La BCE a commencé à utiliser des outils de politique monétaire non conventionnels. Nous avons suivi en diversifiant les statistiques fournies et fait appel en premier lieu aux données de marché. Les demandes portaient sur les analyses économiques mais englobaient également le suivi de la liquidité et des risques qui avaient grossi avec la taille du portefeuille de la BCE ; auxquelles s’est ajoutée la stabilité financière qui est venue s'agréger à la BCE en 2011 avec à la fois, la fonction macroprudentielle, l'ESRB (European Systemic Risk Board), organisme indépendant mais soutenu par la BCE, et en 2014, la supervision, qui ne se limite pas aux reportings réglementaires CoRep et FinRep, mais s’est élargie à d’autres données par exemple via les données de détention de titres et AnaCredit.
Nous nous sommes trouvés face à des analyses et des données de plus en plus complexes. En outre la crise a fortement accentué le phénomène de dispersion des situations nationales et des acteurs : il n’est plus possible de regarder un agrégat ou une moyenne sans prendre en compte ce qui se passe aux deux bouts de la courbe. Des questions comme : « le crédit est-il disponible de la même manière dans les pays en détresse par rapport à ceux qui ne le sont pas ? » ou « tous les établissements de crédit dans les pays en détresse sont-ils affectés de la même manière ? » sont devenues primordiales. Or cette analyse des dispersions ne peut pas se faire sans des outils plus sophistiqués.
Enfin, nous avons dû prendre en compte, la « fatigue du reporting » des établissements financiers, confrontés à des demandes ou des modifications de plus en plus fréquentes.
C’est à ce moment que notre projet sur les données granulaires, entamé dans les années 2000, a pris de l’ampleur. Sa philosophie est claire : plus nous nous rapprochons des données que les banques ou les assurances gèrent, moins nous leur demanderons de faire des transformations en interne. Ce projet porte pour le moment sur la combinaison de trois éléments : AnaCredit, BIRD et le reporting intégré (Integrated Reporting Framework ou IReF), ces deux dernières initiatives étant complémentaires (encadré). La granularité des données donne de la souplesse, car quand un nouveau besoin apparaît, nous pouvons le satisfaire en réagrégeant les données sous d’autres critères et dans d’autres dimensions. Cela ouvre également des possibilités de rétropoler les données et de permettre des analyses plus riches, ce qui était impossible auparavant – lorsque de nouvelles données étaient collectées. Du côté des déclarants, c’est la seule manière d’arriver à maintenir et stabiliser les demandes. Il existe bien sûr un coût d’entrée dans ce nouveau process, mais la maintenance est ensuite beaucoup plus légère. Ce projet peut servir à la fois l’industrie pour ses propres besoins en termes de données en les standardisant, et les utilisateurs en termes d’analyses et de réagrégation qu’ils peuvent faire de ces données.
Convaincre les banques mais aussi les régulateurs et superviseurs
Isabelle Lefebvre (I. L.) : Nous voyons en effet arriver cette demande de granularité, dont AnaCredit est le premier exemple.
Mais nous pouvons rencontrer des difficultés pour produire des données granulaires parce que nos chaines de traitement sont très robustes, mais parfois aussi très anciennes. Dans certains cas, nous ne disposons tout simplement pas des données granulaires, ou le coût pour les extraire devient exorbitant. Quand nous rénovons certains pans de nos systèmes d'information, comme par exemple les chaines des crédits aux entreprises dans les caisses régionales de notre groupe, nous essayons d’anticiper au mieux les demandes du régulateur. Sinon, nous sommes contraints à ce que nous appelons pudiquement des solutions tactiques, en créant des usines à gaz avec le risque in fine d'une qualité de donnée moindre et d’incohérences.
Le coût d’entrée dans cette démarche très granulaire peut donc être élevé : comment être certain qu’il y aura alors moins de demandes, que les définitions seront stables ? Cette remise en perspective du reporting peut être compliquée, surtout au moment où se greffent les coûts issus de l’adaptation de nos systèmes à IFRS 9. Il est alors plus difficile de valoriser le projet auprès des états-majors et convaincre que nous construisons pour le futur…
J.-M. I. : Il nous faut convaincre non seulement les banques qui vont alimenter cette base de données, mais aussi les utilisateurs de cette dernière, superviseurs ou régulateurs. C’est pour eux aussi un changement de culture : ils ont leurs propres process d’analyse, leurs outils de prévisions, leurs modèles et ils ne changent pas spontanément. Les collaborateurs du
Nous menons sur ce sujet un dialogue actif avec l’industrie. Vous avez certainement répondu à un questionnaire sur l’IReF, et une réunion se profile en mars, qui sera la deuxième de ce dialogue des responsables de statistiques de banques centrales avec les professionnels : nous allons examiner les résultats de cette enquête et préparerons des décisions à ce moment sur les orientations concernant l’IReF. Nous avons conscience que cela représente un investissement, mais le retour sur investissement peut venir relativement vite, plus encore pour les grandes banques internationales.
Pour l’instant nous avançons sur BIRD qui est un véritable langage en commun, établi pour et avec les banques, dans des domaines déjà harmonisés comme ceux couverts par AnaCredit ou CoRep/FinRep ; en combinaison avec IReF, nous pourrons agréger les informations sur un bien plus grand nombre de dimensions que ce que nous faisons aujourd’hui. BIRD va véritablement permettre de clarifier les notions et les bénéfices seront alors très importants – y compris pour l’industrie elle-même. Par exemple l’ESRB s’est inquiété courant 2016 de l’évolution du marché immobilier notamment dans le Nord de l’Europe, sur la base d’un certain nombre d’indicateurs jugés préoccupants. Il a émis en novembre 2016 une recommandation demandant une amélioration des statistiques sur le marché immobilier physique, commercial et résidentiel, et sur son financement. Cette recommandation était adressée aux autorités de surveillance macroprudentielle, mais grâce à AnaCredit, nous disposons de la majorité des données nécessaires sur le financement de l’immobilier commercial… à un détail près : les définitions données par l’ESRB ne correspondaient pas exactement à celles d’AnaCredit ! Nous avons donc été amenés à préciser la méthode : soit aligner directement les définitions de l’ESRB sur celles d’AnaCredit, soit clarifier pour quelle raison ce n’est pas possible. La question a également été posée de distinguer l’immobilier commercial de l’immobilier résidentiel. Il est possible de distinguer ces deux catégories dans nos données granulaires, puis de les agréger selon les critères pertinents pour l’analyse. Un autre exemple est de distinguer le « prime » du « non prime
La collecte des données par les métiers
I. L. : Ce projet pose aussi la question de la fiabilité des données, et partant de leur collecte par les métiers. Quand un conseiller de clientèle fait un prêt, il doit saisir les éléments de manière suffisamment précise pour que la donnée soit de bonne qualité.
Or il me semble qu'auparavant, les données pouvaient être de meilleure qualité qu'aujourd'hui. L'importance de la data, d'une saisie correcte, du double regard sur la saisie était beaucoup plus valorisée.
Pourtant plus la donnée sera fiable, plus notre capacité à faire du commercial, à répondre aux besoins des clients, sera élevé, et plus nous serons en capacité de gagner des parts de marché. Par exemple, les générations Y, les digital natives, ont de moins en moins souvent de CDI ce qui peut poser un problème lorsqu’ils souhaitent réaliser une acquisition immobilière ; si nous disposons d’un historique de données fiable qui montrent qu’ils ont des revenus réguliers depuis 10 ans, quelle différence avec un CDI ? AnaCredit bien utilisé peut aussi être pour un directeur commercial, une source pour mieux cerner son portefeuille. Mais ce message est difficile à faire passer, le recueil de ces données reste généralement considéré par les métiers comme une charge, et pas comme un investissement ou un avantage qui concourt à la rentabilité de la banque.
Nous rattrapons à présent une dimension qui nous a un peu échappé et nous avons eu l’occasion de constater concrètement via les modèles IFRS 9 que la qualité des données influe très directement sur le montant de provision, parce que tout est paramétré statistiquement. C’est un argument fort vis-à-vis de nos états-majors.
Vers un AnaCredit retail
I. L. : Nous avons pour l’instant évoqué le domaine ‘corporate’, mais j'ai compris que vous envisagiez de faire un AnaCredit retail. Dans ce domaine, compte tenu de la volumétrie des bases que nous avons commencées à construire en interne, est-ce que les coûts d’exploitation ne risquent pas de devenir prohibitifs ? Pour les faire baisser, nous avons recours au cloud, ce qui veut dire que nos données sont partout dans le monde : n'est-ce pas aussi pas un risque opérationnel ?
J.-M. I. : La base de données AnaCredit est déjà très riche et demande à être utilisée dans le futur proche. Pour la suite, le règlement prévoit que le jour où nous ferons des extensions, nous laisserons deux ans aux banques – et autres établissements prêteurs – pour se mettre à jour. Comme il faudra bien deux ans pour arriver à la décision, ce projet n’interviendrait pas avant 4 ans. Dans le domaine du retail, notre but en matière de politique monétaire et aussi de supervision, est d'avoir des risques un peu agrégés avec une représentation de leur dispersion, mais pas de descendre au niveau individuel sauf dans trois cas de figure : tout d'abord concernant les dirigeants d’entreprise, car il peut y avoir des enjeux de supervision sur l’aspect éthique ; ensuite pour les prêts à des entreprises unipersonnelles, qui n'ont pas nécessairement de personnalité légale, comme les professions libérales ou les auto entrepreneurs ; enfin pour le marché de l’immobilier résidentiel. Dans les deux derniers cas, nous pourrions travailler avec des données anonymes (elles pourraient être nominatives au niveau de chaque BCN, et être transmises après anonymisation) pour faire différentes agrégations et mesures de dispersion, sur l’activité professionnelle, le niveau des revenus, la répartition des actifs, qui sont intéressantes par rapport à une catégorie de risques, d’analyse économique etc. Il faudrait réfléchir aux aspects liés notamment au RGPD parce que nous ne souhaitons pas nous embarquer dans un projet très lourd qui n'apporterait pas grand-chose aux utilisateurs à la BCE. Ceci sera étudié avec les utilisateurs lors de l’évaluation des besoins d’extension d’AnaCredit.
I. L. : Nous avons bien sûr les données sur les dirigeants, pas forcément dans le système central. Concernant les crédits aux entrepreneurs ou aux professions libérales, leur catégorisation en « professionnels » ou en « particuliers » a toujours été une question compliquée. On revient au problème de définition.
J.-M. I. : Les titres et les crédits constituent deux grands domaines déjà intégrés dans notre base. Restent les dérivés : il existe le reporting issu
Globalement, cette approche devrait aussi nous permettre d’aller au-delà de la profession bancaire, vers les établissements financiers prêteurs non bancaires, pour avoir sur un plan macro-prudentiel, les mêmes données avec les mêmes définitions et éventuellement moins d’attributs.
Articuler normalisateur comptable et prudentiel
I. L. : Un autre sujet qui nous concerne directement est l’articulation entre normalisateur comptable et normalisateur prudentiel. Leurs préoccupations restent encore assez éloignées, même s’ils commencent à se parler, poussés par les professionnels.
Par exemple, la manière dont on consolide les sociétés n’est pas la même sur les plans comptable et prudentiel, parce que l’intégration proportionnelle n’existe plus en comptabilité contrairement au prudentiel. Nous avons des établissements qui sont mis en équivalence en consolidation comptable, mais qui seront intégrés en consolidation prudentielle. Cela peut poser un problème par exemple pour un dirigeant qui souhaiterait avoir ses encours : les encours statutaires ne sont les mêmes que les encours prudentiels. Cela pose également un problème technique, car la granularité de comptes comptables ne correspond pas à celle des comptes prudentiels ; on ne peut pas formater les comptes comptables à partir du prudentiel, mais si celui-ci est plus fin que le comptable, j’ai sans doute intérêt à prendre le prudentiel en majeur. Aujourd'hui, les services de consolidation comprennent la fois dans le statutaire et le prudentiel. La question est de savoir s'il faut séparer les deux ? J’y suis personnellement opposée ! Ne serait-ce que parce qu'aujourd’hui les données comptables sont auditées contrairement aux données prudentielles. C'est donc la comptabilité qui produit le prudentiel, et on ne peut pas séparer les équipes qui produisent les données prudentielles des données comptables. Mais nous plaidons pour une harmonisation entre approche comptable et prudentielle.
Gestion des ressources humaines
I. L. : Reste enfin la question des ressources humaines : comment avoir des collaborateurs motivés sur des tâches qui peuvent sembler rébarbatives, contrôler de la donnée toute la journée par exemple pour formater du reporting prudentiel…
J.-M. I. : Le rôle de ces collaborateurs ne sera pas seulement de faire du « number crunching », c’est-à-dire gérer la qualité d’immenses bases de données, mais aussi d'apporter du soutien méthodologique aux utilisateurs, de les aider à faire du « story telling » à partir de ces données. Sur le plan des ressources humaines, nous entrons dans un domaine qui nous est commun, car nous recherchons les mêmes profils.
Nous recrutons directement après l'université ou après deux ou trois ans d'expérience professionnelle dans l'industrie, de préférence des candidats avec un double profil : des compétences en computer science et des connaissances en finance. Ils doivent aussi être capables de réfléchir et dialoguer avec les utilisateurs, afin de comprendre et savoir pourquoi on utilise les données. Il existe heureusement de plus en plus de cycles de formation dans les universités et grandes écoles en Europe qui proposent ce double profil.
Notre équipe dans ma division compte environ 40 collaborateurs mais nous pouvons aussi compter sur le relais des banques centrales nationales. C'est un avantage parce que nous disposons de forces de travail plus importantes et nous bénéficions de leurs expériences ce qui enrichit grandement les discussions, mais aussi un inconvénient parce que la cohérence et la coordination demandent aussi un effort.
I. L. : La difficulté de recrutement tient aussi au fait que ce sont les mêmes profils que ceux qui travaillent sur le digital. Or nous ne parvenons pas à les faire rêver de la même manière, mais nous les récupérons plus tard, car ils cherchent à évoluer !
