130 millions de dollars ont été générés par le Big Data et les entreprises analytiques en 2017, et, d’après les chiffres des analystes de IDC, ce montant devrait atteindre 220 millions en 2020. Ces chiffres font du Big Data un service que de nombreuses entreprises veulent intégrer à leurs services nouveaux ou existants. Basé sur l’exploitation des données et outils internes, le Big Data est un facteur d’innovation pour les banques.
Les chiffres du Big Data
La tendance actuelle
Les chiffres disponibles autour de la donnée sur les années récentes sont un marqueur de l’adoption croissante de cette nouvelle technologie. Le volume mondial de données double tous les 3 ans et l’adoption des outils de Business Intelligence sur le cloud a augmenté de 50%. Le marché du Big Data est en plein essor, et les entreprises sont de plus en plus attirées par l’application de cette technologie via les outils analytiques. Les banques n’échappent pas à cette révolution numérique et sont en train de bâtir de nouveaux modèles d’affaires en valorisant les données dont elles disposent déjà. De nombreux projets ont récemment été lancés pour structurer les données dans des Data Lake et ainsi avoir à disposition l’ensemble des données client.
La projection 2020
2020, c’est dans 2 ans, et pourtant les spécialistes annoncent des chiffres impressionnants pour la prochaine décennie. Ainsi, les analystes de Forrester anticipent un gain total de 1,2 milliards de dollars dès 2020 pour les entreprises qui se servent du Big Data. Ce chiffre est à mettre en parallèle des chiffres des analystes IDC qui projettent un gain de 230 milliards de dollars pour le Big Data et les outils analytiques (contre 130 milliards en 2016). Intel projette 200 milliards d’objets connectés d’ici 2020, pour une estimation de 1,7 mega-octets de donnée créé chaque seconde par personne (chiffre IDC). A la lecture de ces chiffres impressionnants, on comprend que le Big Data est un des sujets les plus sensibles actuels et un vrai enjeu de transformation pour les banques, qui après avoir fait le choix de devenir encore plus « Customer Centric » doivent mettre en place les outils de cette transformation.
Les apports du Big Data
Collecter, stocker et exploiter la donnée
L’ensemble des données mondiales est de plus en plus volumineux, mais la collecte, le stockage et l’exploitation (processing) des données n’ont jamais coûté aussi peu cher. Craig Mundie, directeur de la recherche de de la stratégie chez Microsoft n’hésite pas à définir la donnée comme la matière première des projets au sein de son entreprise. Pour collecter de la donnée, les banques et assurances n’hésitent pas à sortir de leur zone de confort, soit en signant des partenariats, soit en créant de nouveaux outils :
- Allianz a signé un partenariat avec Tom-Tom. Ainsi est née une application mobile qui permet de collecter des informations sur la voiture et la conduite de son propriétaire.
- Axa propose une application GPS avec la possibilité d’optimiser les trajets de ses utilisateurs.
La technologie du Big Data
Le lacs de données (Data Lake)
La banque collecte et stocke les données de ses clients émanant de plusieurs axes différents (monétique, échanges avec leurs conseillers, projets personnels concrétisés ou non…). Ces données sont présentes sur plusieurs bases de données disjointes. Ces bases de données sont déversées en temps réel dans un lac de données (Data Lake). Celles-ci sont structurées dans un Data Set qui va permettre de simplifier le traitement et l’analyse de données. Le Data Lake et le Data Set sont les premières étapes d’une structure Big Data sur lesquelles des outils (ou APIs) d’analyse de données peuvent s’intégrer. Outils ou API d’analyse de données
Après avoir stocké les données dans des Data Set, il faut les utiliser pour générer de la valeur ajoutée. Il faut donc développer des APIs d’analyse de données en identifiant les restitutions attendues. Les API ne sont pas une nouvelle technologie mais elles sont aujourd’hui devenues incontournables pour l’innovation. Les APIs sont mobiles et peuvent être transorganisationnelles. L’accès à celles-ci se gère via des droits d’accès spécifiques en fonction du métier de l’utilisateur. Lorsqu’elles sont connectées à un Data Set aussi dense et complet que celui d’un Data Lake bancaire, elles permettent d’ajouter une nouvelle dimension à l’entreprise. Ces APIs peuvent avoir plusieurs objectifs :
- Apporter une plus-value aux clients bancaires. Par exemple, l’API France Connect (soutenue par La Poste) offre à l’ensemble des clients du web une identité numérique sécurisée qui permet à un internaute d’attester que son identité a été vérifiée physiquement par La Poste.
- Simplifier la collecte d’informations pour les équipes internes des banques (vision 360 pour le conseiller, historique d’un client pour la conformité, …)
- Générer des nouvelles données à intégrer au Data Lake/Data Set.
IOT
L’Internet Of Things (ou Internet Des Objets) est en plein développement. On citera en exemple les smartphones et smartwatches ou encore l’enceinte Google Home.
Comment structurer un projet Big Data
Préparer son infrastructure
Comme de nombreuses industries, les banques sont équipées de multiples bases de données. Souvent, ces bases de données fonctionnent en parallèle, en silo. Comme nous l’avons exposé, la première étape consiste en la mise en place d’un Data Lake dans lequel l’ensemble des bases de données se déversera (en temps réel ou par vacations régulières). L’ensemble des données de la banque se retrouvera ainsi dans un Data Lake qui devra être ensuite structuré grâce à des outils de Data Mining afin d’obtenir un Data Set. Les données du Data Set ne sont pas uniquement des données du CRM, on doit y trouver également des données relatives à l’utilisation d’un produit (les données Google Analytics concernant la Banque à distance ou le temps de souscription à un nouveau produit par exemple), des informations relatives aux produits commercialisés ou à venir…. Définir les cas d’utilisation
Une fois le Data Set structuré, il est nécessaire de définir les principaux objectifs business, marketing ou d’optimisation que l’on souhaite atteindre.
En effet, l’approche Big Data ne peut plus être vue comme un moyen de réduire les coûts mais comme la possibilité de générer de nouvelles opportunités et ainsi proposer un service différenciant aux clients. Les grands acteurs du web tels que les GAFA, n’ont pas hésité à créer une rupture de leur modèle commercial et technologique pour être en mesure de créer le besoin des clients, et non plus l’inverse. Pour chaque objectif identifié, il faudra créer un Lake Shore (que l’on traduit par rivage du lac). C’est un sous ensemble de données dans lequel l’API devra piocher pour répondre au besoin attendu. Au niveau bancaire, les Lake shore les plus souvent définis sont :
- Le Lake Shore client, afin de fournir une vision unifiée de son client,
- Le Lake Shore conformité, afin de répondre aux besoins d’AML et des financements illégaux,
- Le Lake Shore Banque à distance, qui regroupe toutes les informations à destination du client (activité du compte, relevés, bloquer un paiement…).
Le traitement de la donnée et la structure à mettre en place font partie des sujets actuels majeurs. Ils doivent être bien étudiés et doivent faire l’objet d’une refonte de l’organisation existante. Mais il faut définir précisément l’attendu lorsqu’un projet Big Data se lance : en effet, la puissance de la technologie permet de multiplier les projets, mais un Data Lake ne permet pas de générer de la valeur. C’est grâce à une structure étudiée et cohérente que les banques pourront créer des APIs pouvant améliorer leur gestion des données, leur exploitation et leur efficience. Il est donc nécessaire de bien structurer son Data Lake et son Data Set pour se garantir que les données utilisées par les API sont exactes, correctement alimentées et mises à jour. Cette structure solide permet une meilleure agilité, et réduit les coûts additionnels lors de la création d’API ou de projets générant de la valeur.
Thomas V.
