La finance est un secteur historique dans lequel la data est présente. Nous allons voir comment elle permet depuis toujours à ce secteur de prendre des décisions et les évolutions qui ont eu lieu.

‍

Une data collectée depuis toujours

‍

Commençons avec l’exemple de la bourse avec la data présentant le plus grand volume : les cours de bourse. Une entreprise comme Euronext, qui est la principale place boursière de la zone euro, va enregistrer l’ensemble des transactions ayant eu lieu sous la forme : 

• Acheteur
• Vendeur
• Prix 
• Volume (nombre de titres)
• Heure de la transaction (au millième de seconde près voire même au millionième)

Des millions de telles transactions ont lieu chaque seconde. On doit être capable de les traiter en temps réel, dans le bon ordre et avec les bonnes règles mises en place, en respectant notamment l’équilibre entre l’offre et la demande. C’est donc historiquement un cas où on a de la data très naturellement mais où on arrive en plus très rapidement sur du Big Data puisque les volumes de données collectés sont très grands et on doit être en capacité de les traiter rapidement.

De plus, toutes les données historiques des entreprises forment des volumes non négligeables de données avec le chiffre d’affaires, les bénéfices, la marge, les actifs. Et aussi les données textuelles telles que les perspectives, la stratégie, les objectifs... Ces données vont permettre de valoriser une entreprise à une date donnée et de faire une prévision de ses potentielles évolutions.

‍

Les évolutions amenées par les avancées de la data

‍

Cette liste n’est évidemment pas exhaustive mais voici quelques sujets sur lesquels la data et le machine learning ont permis au monde de la finance d’évoluer.

Le temps réel

Peut-être que vous n’avez pas connu cette époque mais la plupart des particuliers suivaient les cours de bourse au quotidien en achetant leur journal ou en passant un coup de téléphone - souvent payant. Le fait d’amener du temps réel a aidé le monde de la finance à se développer. Ce qui a aidé là c’est la capacité à traiter rapidement des données.

Une autre information liée au temps réel nous provient du machine learning. On peut analyser les réseaux sociaux pour comprendre les tendances politiques et sociales, le ressenti des populations vis-à-vis de tel ou tel événement ou entreprise. On peut par exemple chercher quelle entreprise est la plus discutée sur les réseaux sociaux. D’un autre côté, lorsqu’on s’intéresse à une entreprise spécifique, on peut rechercher ce que les gens en pensent.

La détection de fraudes

La détection de fraudes est un sujet pour lequel les nouvelles techniques en data ont permis d’avancer. Cela permet de détecter des comportements suspects dans les transactions. Telle personne a telle habitude d’achat et tout d’un coup elle se met à dépenser de grosses sommes de manière inhabituelle ? Une fraude est alors possible et on peut prévenir les bonnes personnes pour éviter des pertes financières.

Pour les banques ce sujet est important pour ce qu’on appelle son KYC (know your customer) - la banque doit montrer qu’elle connaît bien ses clients auprès des institutions financières - mais aussi pour sa réputation auprès de ses clients.

Amélioration des modèles de risques

Utiliser la data pour prendre certaines décisions financières est une bonne chose. Cela évite les décisions dues à l’émotion. Cela permet de diminuer le risque des mauvais investissements et des mauvais payeurs. On peut penser par exemple à l’entreprise October qui a automatisé une partie de ses modèles de risques pour proposer des crédits. Là où une banque traditionnelle peut mettre plusieurs mois à proposer un crédit, cette entreprise permet de le faire en à peine une semaine pour des crédits allant de quelques dizaines de milliers d’euros à quelques millions d’euros.