Big Data & Data Science

1. Big Data, entre promesses et défis
LA DATA SCIENCE AU SERVICE DU SECTEUR FINANCIER
13,10%
Banque
12,00%
Production industrielle
51,60%
Autres 8,40%
Industrie de transformation
7,60%
Administration fédérale
7,40%
Secteur des services
4 Vs du Big Data appliqués au secteur bancaire
Le secteur bancaire se démarque par son soucis d’optimiser à la fois le ciblage des besoins client
et la gestion du risque
Cibler les besoins client
Les cadres dirigeants estiment que le manque
d’expérience client positive et en ligne avec la marque
de l’entreprise peut diminuer les revenus annuels de 20%
Gérer le risque
Citi group estime que les métiers de régulation et de
compliance représentent 10% des coûts opérationnels,
soit $270 milliards
Optimiser l’efficacité opérationnelle
Les entreprises qui utilisent des outils d’analyse de
données massives ont 5 fois plus de chance de prendre
des décisions plus rapidement que leurs concurrents
Afin de s’y préparer, le secteur bancaire investit particulièrement dans les technologies Big Data
Si le Big Data s’est présenté tôt comme répondant à des défis de gestion massive des données,
c’est à présent le bon usage de ces dernières qui attire l’ensemble des attentions
Le bon usage de la donnée se traduit par une démultiplication de la capacité de travail,
particulièrement dans le secteur bancaire
Dans le domaine bancaire où les problématiques d’asymétrie d’informations et de risques sont
primordiales, la Data Science trouve tout son intérêt à travers quatre grandes familles d’applications
Le Big Data, de simple « buzzword » au phénomène de société,
est devenu un défi bien concret dans le secteur bancaire
VOLUME
90% de données
créées durant les deux
dernières années
570 nouveaux sites
web chaque minute
2,5 exaoctets
nouvelles données
quotidiennes
>1 million
blogs financiers existants
VÉLOCITÉ
1 teraoctet
données de trading capturées
tous les jours sur le NYSE
VARIÉTÉ
Données client
• Distributeurs / Cartes de crédit
• Données internet et mobiles
• Dossiers clients courtage et dettes
• Taux de réponse aux publicités ciblées
Données de marché
• Nouvelles, rumeurs et alertes
• Données de trading
• Données de régulation
• Rapport des analystes
VÉRACITÉ
80%
de données financières
non structurées
Le Big Data
Légende
Data Science/Scientist
Big Data
Analyse prédictive
Différentes applications
• Analyse de sentiments
• Trading à haute fréquence
• «Backtesting»
Chiffres clefs
x3 l’utilisation de l’analyse prédictive
par les entreprises les plus performantes
dans leurs secteurs
Détection
de fraudes
Détection automatique de tentatives
de fraudes
+63% de précision déjà atteinte dans
la détection de fraude relative aux
rapport déclaratifs (formulaire 10 K)
Évaluation de la
solvabilité cliente
Récoltes de données personnalisées
via l’utilisation de distributeurs :
• 50% des clients les utilisent pour
transférer de l’argent d’un compte
à un autre
• 64% des clients les utilisent pour
déposer des chèques
Récoltes des données par téléphone
portables
• 1,7 milliards de détenteurs
de téléphones portables sont exclus
du système financier classique
Légende
Gestion de la
Satisfaction Client
Augmentation de la loyauté des clients
77% des dirigeants financiers se disent
inquiets de perdre des clients au profit
d’entreprises comme Google, Amazon,
Apple, Lending Club
Personnalisation des interactions client
via des chatbots
2015 20212016 2024
288
Million
7,6
Milliards
16.07
Milliards
21
Milliards
Investissements prévus des banques en analyse
automatique du langage
Secteur bancaire Autres secteurs
15%
2%
4%
23% 55%
14%
4%
18%
15% 49%
+10% de l’accessibilité
des données se traduit par une
augmentation de $65millions dans le
résultat net pour une entreprise dans le
classement 1000 fortunes
Optimisation
du résultat net
Investissement 2016 dans les technologies Big Data - ventilation par secteur
Data Science et usage de la donnée bancaire
25
69
37
51
83
87
76
96
Janv. 2017Janv. 2016Janv. 2015Janv. 2014
0,055%
0,023%
0,071%
0,019%
0,037%
0,017%
0,020%
0,016%
Janv. 2017Janv. 2016Janv. 2015Janv. 2014
% recruteurs intéressés sur «Indeed.com» :
Data Scientist vs. Big Data
Évolution des recherches sur Google :
Data Science vs. Big Data
Les promesses de la Data Science appliquées en finance
Avantage
concurrentiel
Les entreprises les plus
performantes sont 2x plus à
même de dire que l’utilisation
des analytiques constitue un
avantage concurrentiel
Cibler les
besoins client
Optimiser l’efficacité
opérationnelle
Gérer
le risque
Développer de nouveaux
business models
Développer la collaboration
entre employés
Objectifs de la Data Science – Sondage – IBM