Les contraintes qui pèsent sur les données finance et risque sont plurielles. On peut énumérer, et la liste n’est pas exhaustive, des exigences réglementaires (comme BCBS#239), des écarts de norme (IFRS vs local GAAP), des demandes spécifiques des régulateurs, tout autant que l’inflation de la communication financière ou bien encore le développement de la communication extra-financière, telle que celle relative aux critères ESG (Environnement, social et gouvernance), par exemple.
L’heure est donc à une fusion progressive des notions de données comptables et des données de gestion, ce qui apparaît comme le moyen de répondre à toutes ces exigences et attentes de façon cohérente et homogène. Cela pose un certain nombre de défis sur la granularité, la fraîcheur, la qualité et l’accessibilité de ces données. Il faut ainsi mettre particulièrement l’accent sur les rapprochements entre les données et leurs différentes versions dans les systèmes d’information (SI).
Au départ, une structure des SI en silo
La complexité d’un SI bancaire est le fruit de nombreuses évolutions : il s’est stratifié et s’est construit progressivement en silo, au gré des besoins métiers, réglementaires ou fonctionnels. De manière simplifiée et d’un point de vue fonctionnel, un SI bancaire est composé de trois couches principales :
– une couche métier, que constituent les différents SIO
– une couche que l’on peut qualifier de couche de data-management et décisionnel (datalake, data warehouse…) ;
– une couche de pilotage et de reporting (comptabilité, risque, réglementaire, pilotage…).
Une même information, un encours crédit par exemple, va ainsi se retrouver dupliquée au sein de ces différentes couches (SIO crédit, entrepôt de données, comptabilité), dans des états de granularité, de fraîcheur, de qualité et d’accessibilité différents pour répondre à différents besoins et utilisations.
Des rapprochements fonctionnels ont donc été mis en œuvre pour les besoins de reporting financier ou bien sous la férule réglementaire, pour contrôler la réplication correcte des données considérées.
Augmentation sensible des besoins de rapprochement
Le premier rapprochement à avoir été mis en œuvre, le rapprochement comptabilité-gestion, s’est fréquemment construit avec une maille agrégée, cette maille de rapprochement étant la conséquence directe de la granularité d’information disponible en comptabilité. Cependant, si ce type de rapprochement permet de valider la cohérence globale de certains agrégats de gestion – encours, ICNE... – avec ceux présents en comptabilité, il ne permet pas de rapprocher les données à la maille ultime, d’identifier les écarts et leur cause le cas échéant et, donc, de pouvoir agir sur ces causes pour les corriger et faire évoluer la situation.
Corollairement, d’autres besoins de rapprochement se sont développés progressivement, pour répondre à des besoins de niveau de granularité et de richesse d’information différents – les dimensions caractéristiques d’une opération de gestion nécessaires variant d’une utilisation à l’autre, limitées pour les besoins comptables et plus riches pour les reportings réglementaires par exemple – et pour accompagner la multiplication progressive des copies d’une même donnée. C’est le cas des rapprochements construits pour valider les informations contenues dans le reporting FINREP. Cet exemple nécessite habituellement deux rapprochements de natures différentes afin de valider les informations qu’il contient : un rapprochement avec les informations présentes en comptabilité et un rapprochement avec les informations présentes en gestion.
La cruciale question de la qualité de la donnée
Ce besoin de cadrer et de rapprocher les données s’est donc généralisé avec les usages et on voit se dessiner autant de rapprochements que de besoins fonctionnels. Chacun de ces rapprochements se construisant au gré des besoins avec ses propres modalités de fréquence, ses propres granularités, ses propres données couvertes, ses propres questions à adresser, ses propres limites et donc avec ses propres conclusions, bien souvent non homogènes et non portables d’un rapprochement à l’autre.
Au travers de ce besoin de rapprochement qui se généralise, se profile en outre la question centrale de la qualité des données : l’encours d’un contrat de crédit conso donné est-il bien présent dans toutes les couches et utilisations qui le nécessitent, avec la même valeur et au même moment ?
Il y a donc là une opportunité d’atteindre deux objectifs : non seulement apporter une réponse commune à ces différents besoins de rapprochement, mais également, dans le même temps et plus largement, relever le défi posé par la qualité des données.
Un rapprochement automatisé à la maille la plus fine
La mise en place d'un rapprochement centralisé multi-sources, multicritères, à la maille la plus fine, permet de résoudre les limites inhérentes à la situation actuelle, avec ses rapprochements distincts et leurs résultats parfois contradictoires (en raison de mailles différentes ou de leur caractère désynchronisé par exemple), tout en permettant de rendre visibles les écarts le cas échéant, et donc de piloter les progrès.
Mettre en place une solution de rapprochement automatisé de l’information finance et risque – où qu’elle se situe dans le SI – avec toutes ses copies ou versions est donc également une réponse pratique au besoin de pilotage de la qualité des données.
Le succès d’une telle approche et sa capacité à identifier les causes d’écarts (à la maille ultime) repose sur l’aptitude à combiner au sein d’une même solution une capacité multi-sources – à savoir collecter l’information dans les différentes couches métiers, data-management et pilotage et reporting du SI – une capacité multi-dimensions (i. e. capacité à couvrir toutes les caractéristiques d’une opération considérée), ainsi qu’une capacité à le réaliser à différentes fréquences.
Objectif : rendre visible l’invisible
Cette approche se fixe un objectif simple mais ambitieux : rendre visible ce qui ne se voit pas habituellement – les problèmes de qualité des données – et en permettre le pilotage dans une perspective d’amélioration continue.
Rendre visible des problèmes de qualité des données tout en rendant la mesure du progrès possible implique de proposer des rapports précis et une perspective historique de la complétude et de la qualité des données (existence et exhaustivité, format, cohérence, respect des règles métiers…) par source, via, par exemple :
– la mise en place d’analyses statistiques et de scoring champ par champ pour chaque source de donnée, permettant d’en évaluer l’exhaustivité, le format ou bien encore l’intégrité (i. e. le respect des valeurs attendues le cas échéant) ;
– la vérification du respect de liste de règles métiers paramétrées pour les données pour lesquelles c’est pertinent ;
– la détection d’anomalies par niveau d’écart à la norme et par niveau de vraisemblance des écarts accompagnée de pré-explications de ces écarts ;
– le chiffrage d’impact des anomalies détectées.
Cette approche implique également d’expliciter les relations d’asservissement existant entre différentes occurrences d’une même donnée au sein du SI et donc d’identifier les golden sources faisant foi, pour correctement monitorer la donnée. Ces relations explicitées permettront d’être en mesure de qualifier les écarts à cette golden source et de définir les modalités pratiques d’arbitrage entre différentes sources de données (par exemple, comment traiter une différence de rating interne ?).
Une fois cette approche mise en œuvre, elle permet d’offrir sur son périmètre d’application à la fois une vision d’ensemble mais également une vision détaillée de l’état de la qualité des données finance et risque, accompagnée de moyens pratiques de la piloter.
L’ambition ? Rentabiliser son investissement de données
Les bénéfices d’une telle approche sont pluriels, l’ensemble des capacités mobilisées permettant de tirer le meilleur de l’investissement consenti dans les données et de le vérifier.
Très concrètement, centraliser et outiller sous cet angle le pilotage de la qualité des données permet une meilleure productivité, en automatisant les rapprochements, comme le rapprochement comptabilité-gestion, et en proposant par exemple des prégénérations d’écriture de corrections le cas échéant, ou bien encore de préparer des états utilisés pour d’autres besoins. En outre, la mise en œuvre de ce type d’approche à la maille ultime (bien souvent la maille contrat) permet de proposer une explicabilité pratique des causes d’écart et un accès immédiat à la donnée la plus fine. Enfin, c’est également un gage de sécurité, avec un risque opérationnel maîtrisé.
Sur un plan plus transversal et plus global, ce type d’approche donne de la visibilité, en mettant en lumière les cas de figure de non-qualité des données par le biais, notamment, d’une mesure standardisée de la qualité des données et des écarts aux golden sources. Ces mesures factuelles permettent également de cibler les efforts et de suivre les progrès dans le temps. Par ailleurs, cette meilleure visibilité sur les données finance et risque et de leur niveau de qualité aux différents endroits où elles sont présentes est factrice de risque projet réduit et donc d’une maintenabilité du SI pilotage facilitée. Cette approche permet une allocation optimisée des investissements sur la donnée.
Enfin, et plus largement, au regard des investissements massifs consentis sur les données ces dernière années, ne serait-ce pas là un moyen pratique de répondre à cette question : tirez-vous le meilleur de votre investissement dans la donnée ?
