Big Data & Risques. Mise en perspective du Big Data dans la gestion des risques bancaires. Stéphane Eyraud CEO

Big Data & Risques

Mise en perspective du Big Data dans la gestion des risques bancaires

Stéphane Eyraud Benoit Genest

Introduction

Christian JIMENEZ, Président PRMIA Paris & Richard FRAJND, Vice-Président Oracle France

How big is Big Data for Axa?

Philippe MARIE-JEANNE, Responsable du Data Innovation Lab, AXA

La mise en place du Big Data

Franck POULAIN, Directeur Technique, Oracle France

Mise en perspective du Big Data dans la gestion des risques bancaires

Benoit GENEST, Responsable Monde du GRA (Global Research & Analytics) de Chappuis Halder & Cie

Big Data Mining : Order out of Chaos

Bertrand HASSANI, Responsable Monde des Méthodologies de Risque Opérationnel, Banque Santander, Londres

Agenda

1

2

3

4

5

Agenda

Mise en perspective

Les opportunités permises par le Big Data

Big data : où va t’on ?

Perspectives pour l’industrie financière (Banques et assurances)

INTEGRATED

• Increased computing power

• Centralised, unlimited data storage capacity

• Self detection, auto upgrading & efficient models

DYNAMIC

• Largely improved data storage capacity

• Homogenisation of modelling practices

• business incentives for Data modelling technique development

• Aggregation of data sources (Finance, Risk, Marketing, sales…)

STATIC

• Limited data storage

• Unproved data quality

• Limited computing power

• Increase in volumes

• R&D development

3

4

5 6

2 0 1

Data collection

• Dataware house

• IT implementation & Infrastructure

Data Storage

• Historical data

Data cleaning

• Data quality management

• Data transformation

Data Statistical description

• Mean, Median, standard deviation

• Histogram…| VaR 95,99%

Data analysis

• Clustering & segmentation

• Automatic classification | Factorial analysis

“X factor” Mining

• Web mining (behavior…)

• Image mining (face recognition) | Text mining

Data Mining & Big Data

• Prediction

• Ranking / discrimination

• Anticipation & simulation Today’s average position

Past Future

Present

7

Artificial Intelligence

• Self-Learning models (auto efficient)

• Multi crossing data set

Big data : qu’est-ce que c’est ?

Les critères d’aujourd’hui pour définir les risques de demain

1.

Qualité 2.

Profon- deur

3.

Exhausti- vité

4.

Centrali- sation 5. « Real time »

data 6. « Data storage » 7.

Quelle conditions d’utilisation des données peut-on envisager sur les 10 prochaines années ?

• Capacité de stockage quasi infinie

• Historiques très profonds

• Données internes unifiées / consolidées au sein d’une seule source (finance / marketing / risques / …)

• Des durées de traitement et de calcul réduits au minimum (passage au « real time data »)

• Emergences de données d’interprétation (données externes des réseaux sociaux, …)

• Un process de stabilisation de la réglementation bancaire (fin des périodes de mise en place et intégration effective des reporting avancés et des modèles internes)

L’évolution des Directions des Risques des grandes industries (banques et assurances notamment) doit être mise en parallèle avec celles des données et des capacités IT et sera conditionnée par la capacité d’autres fonctions à intégrer ces changements (directions commerciales et marketing notamment)

fondent le Big Data d’aujourd’hui et les fonctions risques de demain

Big data : pour quoi faire ?

Tour d’horizon des anticipations du marché

Les bénéfices attendus du Big Data

Vitesse et précision : une revalorisation du principe de l’analyse

La traduction de cette vision se matérialise concrètement par des effets d’augmentation d’efficacité que ce soit :

• dans l’exécution,

• la lecture des phénomènes,

• leur interprétation,

• les actions en découlant

Le Top 3 des objectifs Big Data

Zoom sur le secteur bancaire et financier

Le marché financier croit en une nouvelle approche client ainsi qu’à une optimisation de ses fonctions supports (Finances et Risques)

Source : Ventana Research | 2013

Source : Analytics | IBM Institute | 2012

Agenda

Redistribution des cartes pour les Directions des Risques

La naissance de nouvelles fonctions

Mise en perspective des opportunités permises par le Big Data

Préambule

Evolution des Directions des Risques

1

• Meilleure intégration dans l’organisation globale de la Banque

• Meilleure structuration de « l’offre de la filière Risque » auprès des Métiers

• Plus de valorisation des résultats obtenus grâce à des indicateurs ajustés et dynamiques

Evolution des capacités IT des Institutions

2

• Mutualisation de l’architecture SI dans la plupart des banques (plus homogène)

• Marché de solutions clés en main avec simplification de la mise en œuvre, notamment pour la mise en conformité aux attentes réglementaires

• Puissance de calculs et préservation des données exponentielles

Evolution de l’approche aux données

3

• Amélioration constante de la qualité des données

• Stockage transversal des données

• Vers une exploitation des données comportementales (réseaux sociaux, etc.)

Une évolution des Directions des Risques qui va de paire avec celle des capacités IT des banques et des

environnements de recherche externes (Clouds, réseaux partagés …)

Une redistribution des cartes pour les Directions des Risques

Message # 1 : Fin de l’isolement de la fonction Risques

 Lien marketing – risques plus fort grâce aux grands projets informatique CRM

 Data warehouse unique pour toutes les fonctions de la banque

 Un marketing plus ciblé grâce à une meilleure segmentation des clients

 Après la crise durable, nécessité de sensibiliser largement aux enjeux de liquidité

 Compréhension fine des risques ALM, de marché, de crédit par la fonction Finance

 Multiplication des projets communs (ex : gestion du LCR)

 Mesure de la rentabilité du réseau d’agences grâce à la collecte de data clients

 Meilleure gestion du risque opérationnel réseau

Finance Marketing

Risques commerciale ^Direction

IT

Réseau

Une redistribution des cartes pour les Directions des Risques

Message # 2 : Organisation « intelligente & évolutive » des fonctions Risques

Vers une intelligence du risque

Vers une Gouvernance partagée

Vers une nouvelle organisation du travail

1

2

3

Les risques sont dorénavant placés au service de la stratégie de la banque en lien direct avec les organes décisionnels et les autres directions (via des Comités partagés), ce qui crée une nouvelle intelligence du risque

4. Prévention des risques 3. Contribution à

la politique de prise de risques

5. Surveillance permanente et pilotage consolidé 1. Principes généraux

de structuration d’une DR

2. Missions, organisation et gestion interne

6. Avancement règlementaire

Des fonctions régaliennes qui vont rester essentielles

…

… mais dont les modalités d’exécution vont radicalement changer !

• Naissance / développement de départements d’études =>

analyse du risque, traitement et analyse de la donnée

• Mise en place de relais beaucoup plus forts avec les autres directions de la banque (Comités partagés et/ou multilatéraux, études conjointes et reportings partagés …)

• Diminution des échelles hiérarchiques

• Une réduction des process =>

Réduction des temps de production versus un allongement de la durée d’exploitation et d’analyse des données

• Importance de la modélisation (data mining, profiliing, simulation …)

Une redistribution des cartes pour les Directions des Risques

Message # 3 : Simplification des process de production

Réduction des temps de production

Allongement de la durée d’exploitation et d’analyse des données

Recours massifs à la modélisation et aux outils IT



Process optimisés pour répondre plus rapidement aux attentes des régulateurs



Plateformes de nouvelle génération (hardware)



Outils de restitution performants



Du temps libéré pour les analystes risques



Mis à disposition pour l’analyse des données



L’intelligence du risque remise au cœur de la fonction



Data mining



Text mining



Data profiling / date visualizing

2

3

Cette simplification attendue des process se fera en contrepartie d’un allongement des étapes à valeur

ajoutée de ces mêmes process

Nouvelles fonctions au sein de la

Banque Maturité de la fonction Risques

 Réduction des effectifs mais hausse des rémunérations moyennes

 Hausse de la maturité et de la capacité analytique

 Hausse des compétences d’utilisation, d’exploitation et de modélisation des données, hausse des compétences de synthèse (« mass data analysis »)

 Forte hausse des projets communs (ex : gestion du LCR) et naissance de départements pluri directions (Finance / Risques)

 Redistribution (refacturation interne / TCI risque ?) des analyses en risque aux

autres fonctions (études CRM, potentialité des données réseaux sociaux / fraude …)

 Contribution directe aux études de la Stratégie (reporting, …)

 Création de départements « Qualité » au sein des risques : mesure en bp des actions de recouvrement, octroi, variation du RWA …, effets des stress …)

Nouveaux objectifs pour les métiers

du Risque

 Revue des objectifs (KPI) assignés à la Direction des Risques (moins réglementaires, beaucoup plus métiers : pertinence des stress, efficacité des prévisions, valorisation des actions de couverture, réduction du risque …)

 Revalorisation du positionnement du Directeur des Risques (Comité exécutif de la banque à minima)

 Beaucoup plus d’analyses « à la demande »

Une redistribution des cartes pour les Directions des Risques

Message # 4 : Les nouveaux KPI , expressions de la nouvelle efficacité des fonctions risques

Une capacité de maîtrise et de pilotage qui seront mieux mesurés

Une nouvelle efficacité de la fonction Risques qui pourra prendre les effets suivants

1

2

1

Agenda

Transformation des prestations de services

Anticipation sur l’évolution du quotidien d’une

fonction Risques (en environnement Big Data)

… vers une analyse transversale où l’on est capable d’identifier et d’appréhender de façon globale tous les risques à la fois

Une transformation des prestations de services

La fin d’une analyse en silo des risques …

D’une analyse

compartimentée où chaque famille de risques est analysée séparément et indépendamment …

Risque de marché

Risque opérationnel

Risque de crédit Analyse

Analyse Risque de crédit Risque de marché Risque opérationnel

Risque ALM

Risque ALM / liquidité

Avec l’exploitation de toutes les dimensions du Big Data et ses dérivés (utilisation du « data visualization » pour les reporting par exemple)

INFORMATION SEGMENTEE

INFORMATION PARTAGEE

& COMPLETE TRANSMISSION INTELLIGENTE

DE L’INFORMATION

Liquidité CT

Liquidité CT

Une transformation des prestations de services

… Vers une lecture multi dimensionnelle du risque

HIER AUJOURD’HUI DEMAIN

Une optimisation du portefeuille bancaire qui reste encore théorique (peu de données ) et duale (couple PNB / Actifs pondérés)

Des axes d’études multi dimensionnels : Le bilan bancaire est désormais optimisé via une analyse

« multivariée » (PNB / RWA / LCR). C’est la montée en puissance de la politique

Une optimisation en dynamique du portefeuille bancaire : tous les axes d’optimisation du portefeuille (PNB, RWA/LVR / BU …) seront utilisés pour une détermination idéale du bilan de la banque (arbitrage de composition des

D’un modèle de « Capital économique »

à une dimension …

… vers un outil d’orientation de la « Stratégie

économique » multidimensionnel

Une transformation des prestations de services

Un nouveau format de suivi et de pilotage du risque

Formats de suivi intelligents intégrant une vision plus consolidée

 Grâce aux nouvelles expertises et compétences de la Direction des Risques

- Des reporting moins segmentés mais aussi plus précis et concis - Capables de mettre en exergue les risques à un moment donné

Impacts attendus

Demande pour des analyses d’anticipation et de

prédiction (expected Risk)

 Sur des horizons aussi bien court terme que stratégiques

 Mise en perspective des risques avec d’autres dimensions - Rentabilité, Marge opérationnelle, capacité commerciale, etc.

Nouvelles limites, nouveaux indicateurs et ratios de

surveillance

 Moins axés sur les aspects réglementaires, plus flexibles

 Evolutifs (non figés) et donc adaptés au niveau général de risque de la banque à un moment donné (ex : liquidité)

 Liés à l’activité réelle de la banque et sa prise de risque (ex : transformation)

Nouveau format de reporting

 Une plus forte capacité de synthèse grâce au tri de l’information

 Un reporting dynamique et interactif

- Importance du détail et de la profondeur de la donnée

• Exemple : zoom sur une donnée particulière pour comprendre l’augmentation des RWA sur une activité de marché donnée

Un pilotage du risque plus « modulable » grâce à des données mieux exploitées

Une transformation des prestations de services

Une avancée significative attendue dans la restitution des analyses

FORMAT DE RESTITUTION « INTELLIGENT »

FORMAT DE REPORTING « FLOTTANT » (non figé)

• Embrasser tous es risques de l’établissement en 1/2 graphs

• Représentation visuelle intelligente

• Format 3D et 4D (intégration du mouvement => projections)

• Indicateurs automatiquement choisis en fonction de l’évolution des risques

• Tableaux de bord interactifs (changements d’axes en temps réel)

• Détection des zones de risques et fixation automatique des limites adéquates (auto détection du risque…)

• Construction de reporting par objectif pré-fixés (reporting stratégique, reporting détection du risque, reporting mesure du risque …)

REPORTING A POSSIBILITES CALCULATOIRES

• Formules intégrés dans un graph / TdB = simulation des effets

• Interactions entre les différents indicateurs et mise à jour instantanée (changement d’un scénario=> recalcul immédiat des niveaux de RWA,

Développement de modèles complexes

et plus prédictifs Scoring intégrant les comportements

sociaux

 Adaptation dynamique des outils de détection de la fraude

 Capacité d’adaptation des process de recouvrement beaucoup plus souples et rapides (sélection des garanties, etc.)

 Récupération automatique des données exogènes à l’établissement et utiles pour son activité

 Réseaux neuronaux (auto apprentissage => exemple de la fraude) + recherches des causalités dans les données accessibles

 Data mining à grande échelle

 Simulation (Monte Carlo ou équivalents) sur toutes les données du DWH (non limité au risque)

 Développement de nouvelles approches de modélisation comportementale (text mining)

Utilisation des outils de risque

dans la gestion quotidienne

 Couverture du risque (provisions, EFP,…)

 Réduction du risque : Sélection à l’entrée

 Maîtrise de la rentabilité / risque : Montant, totaux ou volume d’un prêt pour un client donné

 Simulation du risque : Incidence en risque d’une campagne marketing

 Pilotage du risque : Revue de limites ou de seuils de sélections «on line » pilotés en temps réels via internet

Une explosion des outils reposant sur des techniques statistiques avancées

1

2

1

Une transformation des prestations de services

Des outils de mesure et de gestion du risque plus efficaces

Une transformation des prestations de services

Effets attendus de l’intégration du Big Data dans les risques

REDUCTION DU COÛT DU RISQUE

REDUCTION DU COÛT DE COUVERTURE

NOUVELLE SOURCE DE REVENUS POUR

LES RISQUES OPTIMISATION

DU RESULTAT ET DE LA

RENTABILITE

1 2

3 4

• Sélection dynamique à l’octroi (découverts fixés en dynamiques…)

• Amélioration de la lecture du risque clientèle (intégrations des données comportementales, Informations des objets connectées pour les assureurs …)

• Intégration du coût exact des ressources rares dans les taux clientèles et la mesure des activités internes (appétit pour le risque)

• Très grande précision dans les anticipations de dotations reprises (provisions)

• Diminution du prix de la couverture actif passif (meilleurs estimations des impasses liquidité et intégration des prévisions comportementales, réduction du prix de produits de couverture …)

• Efficacités des méthodes de couvertures du risque opérationnelle (Fraude, nouvelle polices d’assurances …)

• Optimisation de la Marge net d’Intérêt

• Exploitation commerciales des clients les plus rentables

• Ventes de bases de données ciblées à certains clients

• Vente du savoir faire analytique (prestations de services)

1

2

3

4

Agenda

Et aujourd’hui ?

Des niveaux de maturités différents mais une

conviction commune de forte potentialité du Big

Data

Big Data : où en sont les banques aujourd’hui ?

Les pratiques relatives au Big Data dans les banques aujourd’hui restent très hétéroclites

Wells Fargo

Le Big Data reste du domaine de la

prospective. Réflexion autour de l’évaluation du risque de crédit

BNP Paribas

Customisation des offres produits fondée sur les

La Caixa

Constitution d’un

« Data Pool » global pour faciliter la prise de décision et la création de nouveaux produits

Zions Bank

Transformation du

processus de gestion de la

fraude NYSE Euronext

Crédit Mutuel Arkéa

Accélération des temps de traitement, création d’offres différenciantes, amélioration de la stratégie marketing

Citi

JP Morgan Production de rapports destinés aux grandes entreprises grâce aux

informations collectés sur les transactions

MATURITE

Identification, mesure, et prévention des risques

Vision consolidée des risques

Usage du Big Data en environnement risque

Intégration des risques dans le pilotage stratégique

2 3 4

1

BENCHMARK

Chiffres clés du Big Data dans l’industrie bancaire

C’est parti !

La plupart des banques initient seulement leurs efforts de développement en termes de Big Data …

Définition d’une feuille de route

Big Data

Conduite de projets Big Data

et

implémentation Compréhension

du concept

47%

26%

27%

… et l’analyse et la gestion des risques restent l’enjeu principal du Big Data pour les banques

Conformité réglementaire

Gestion de la fraude

Analyse et gestion des risques

28%

37%

22%

13%

Autres

Source: Jaspersoft Source: Jaspersoft

 Chiffre d’affaires du marché du Big Data en 2016 : 24 milliards de $

 Taux de croissance annuel :

- Solutions de stockage Big Data : 53,4%

- Services Big Data : 21,1%

 Pourcentage d’entreprises lançant des projets Big Data ou envisageant de le faire : France (10%), Allemagne (18%), UK (33%)

 58% des entreprises françaises estiment être en retard par rapport à leurs concurrents

 En France, le Big Data pourrait générer 2,8 milliards d’€ de revenus et 10 000 emplois directs

 57% des banques auraient prévu d’investir dans le Big Data sur les 2 prochaines années

Conclusion

DEMAIN ?

Les choix stratégiques des différentes institutions seront beaucoup plus perceptibles dans leurs résultats MT du fait d’une accessibilité immédiate à l’information qui oriente ces mêmes choix

CONSEQUENCES ?

1. Hausse de l’influence stratégique dans les années à venir et indirectement hausse du risque

« réputationnel »

2. Forts investissements dans le domaine du Big Data. Cet investissement ira bien au delà de l’infrastructure IT, des capacités de calcul des serveurs et de stockage . L’investissement sera aussi humain. Les prochaines années sont celles qui donneront un avantage compétitif aux

Les écarts de maturité sur le Big Data seront amenés à se réduire sur un horizon MT ou LT compte tenu de l’obligation des établissements à s’adapter in fine.

Le Big Data transformera aussi et surtout la relation des institutions à leurs utilisateurs finaux.

L’émergence de nouveaux

comportements clients, c’est

aussi celles de nouveaux

risques…

Agenda

Annexes

Une transformation des prestations de services

Une nouvelle façon de lire et interpréter les risque

EXTENSION DU PÉRIMÈTRE D’ANALYSE EN RISQUE

Intégration de toutes les lignes métiers Intégration de tous les

portefeuilles Vision intégrale et immédiate des risques de la

banque

Absence de « zones d’ombre »

« USE TEST » : UNE NOTION QUI DEVIENT MAJEURE

Une nouvelle échelle de temps : le temps réel (lecture des résultats en

temps réel, information disponibles en temps réel

…)

Vision intégrale et immédiate des risques bancaires (traitement de

masse)

AXES DE LECTURE DEMULTIPLIES

Par filiales Par produits

Par dates

Par niveau de risques Par niveau de stress (EL vs

UL) Par marges opérationnelles Par perspectives

commerciales Intégration de données … externes (comportements

1 2 3

Le Big Data va permettre une extension du périmètre d’analyse des risques sur une nouvelle échelle

de temps : le temps réel

Une transformation des prestations de services

Une gestion dynamique : anticiper et projeter le risque

RESSOURCES RARES : NOUVEAU FORMAT DE

RÉALLOCATION

Cross activité | Cross région

Circulation de ressources quasi immédiates fonction de

leur disponibilité en T

Arbitrage des niveaux de risques cross activités en temps réel

SIMULATION D’IMPACT : EXERCICE EMBRASSANT PLUSIEURS DOMAINES À

LA FOIS

Stress testing réalisés avec un degré de précision très fin et dans des temps très

courts

Scénarios avec impact sur l’ensemble des risques mais également

en lien avec les éléments financiers clés

Stress test devient un exercice de pilotage récurent et largement utilisé par la direction de la banque et les autorités de tutelles

LECTURE EN TEMPS RÉEL : NOUVEAU MODE DE LECTURE DES LIMITES EN RISQUE À L’ÉCHELLE DE LA

BANQUE

Consommation de liquidité de la banque, de l’évaluation du stock

d’actifs liquides en temps réel

Zoom sur n’importe quelle entité / activité

de la banque

Optimisation de la couverture et de son coût (instruments de hedge moins chers car

plus précis => pas de sur couverture par

exemple)

MODÈLES DE RISQUE : BEAUCOUP PLUS PRÉCIS

ET PUISSANTS (ALM, BUDGET …)

Diminution sensible des marges d’erreurs

Augmentation sensible des capacités de

prévisions

Augmentation sensible des horizons de

projections permettant un degré de

lecture a la fois sur toute la banque mais

aussi pour un sous portefeuille donné

Capacité à anticiper et projeter : une gestion en dynamique du risque de l’institution

1 2 3 4

Une transformation des prestations de services

Un nouveau rôle dans la stratégie de la banque

D’un modèle de « Capital économique » à une dimension …

… vers un outil d’orientation de la « Stratégie économique » multidimensionnel

Capital économique

Capital

Liquidité

Perspectives commerciales et

budgétaires

Evolution du marché et de la concurrence

Capacité de zoom très précis

Mise en perspective macro très large

Introduction

Christian JIMENEZ, Président PRMIA Paris & Richard FRAJND, Vice-Président Oracle France

How big is Big Data for Axa?

Philippe MARIE-JEANNE, Responsable du Data Innovation Lab, AXA

La mise en place du Big Data

Franck POULAIN, Directeur Technique, Oracle France

Mise en perspective du Big Data dans la gestion des risques bancaires

Benoit GENEST, Responsable Monde du GRA (Global Research & Analytics) de Chappuis Halder & Cie

Big Data Mining : Order out of Chaos

Bertrand HASSANI, Responsable Monde des Méthodologies de Risque Opérationnel, Banque Santander, Londres

Agenda

1

2

3

4

28 5