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
Stéphane EYRAUD, Partner du bureau de Londres et CEO de Chappuis Halder & CieBenoit 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)
Les 7 critères quifondent 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
12
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
Stéphane EYRAUD, Partner du bureau de Londres et CEO de Chappuis Halder & CieBenoit 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