Les nouveaux terrains de jeu du Big Data Les services financiers changent de dimension
Confrontées à un environnement bien plus concurrentiel que par le passé, les banques françaises commencent à leur tour à mettre en œuvre les techniques du Big Data. "Notre patrimoine de données, c'est 10 années d'historique sur 8 millions de clients", expliquait Joseph Trojman, directeur stratégie, étude et data mining pour la banque de retail chez Société Générale, lors de la conférence DataJob 2013. "Pour calculer la valeur commerciale ou de qualité d'un client, c'est clairement une rupture pour un établissement bancaire et c'est ce que nous essayons d'appréhender aujourd'hui. On ne veut pas faire de la Data pour de la vente ou de la qualification, mais pour faire notre métier, c'est-à-dire répondre à notre client là où il nous attend : sur des dimensions d'épargne, sur ses comportements de consommation..."
Alors qu'historiquement le churn d'un établissement bancaire, c'est-à-dire la perte annuelle des clients, était de l'ordre de 5%, ce taux s'envole aujourd'hui et les banques doivent maintenant affuter leurs offres et leur marketing pour les conserver.
Le Big Data en lutte contre la fraude
Mais outre l'amélioration de la performance marketing des banques, une application clef du Big Data dans le secteur financier reste la lutte contre la fraude. En 2012, 700 000 ménages français ont été victimes d'une arnaque à la carte bancaire, un chiffre en augmentation de 44% en 2 ans. La lutte contre la fraude est donc devenue un enjeu majeur pour les acteurs du secteur et Visa, par exemple, est un utilisateur de longue date du Big Data.
SAP propose une solution de Smart Trading aux fonds d'investissement
L'analytique est bien évidemment un moyen de déjouer la fraude. Mais analyser les transactions financières des porteurs de carte est un challenge gigantesque. En 2013, Visa a traité au niveau mondial près de 90 milliards de transactions par carte bancaire, soit 47 000 à la seconde. Mettre en place une plateforme analytique capable de faire face à de tels volumes de données est un défi. Visa a misé sur Hadoop dès 2010 pour exécuter ses algorithmes de détection de fraude. Visa s'appuie sur 16 modèles mathématiques différents et exploite 500 variables pour déterminer si une transaction est frauduleuse ou pas.
Après le High Frequency Trading, place au Smart Trading
23 avril 2014, un faux tweet de l'agence Associated Press annonçant des explosions à la Maison Blanche fait plonger l'indice Dow Jones de 140 points en quelques secondes. Une preuve que désormais les algorithmes de trading intègrent des données non structurées tels que les fils d'actualité Reuters mais aussi des comptes Twitter. De nombreux acteurs se sont positionnés sur ce marché de l'agrégation de données issues des réseaux sociaux. Gnip, racheté par Twitter, Topsy, racheté par Apple, Thomson Reuters, Datasift et Ravenpack proposent ce type de service aux entreprises spécialisées dans l'analyse des médias sociaux. Elles rencontrent aussi de plus en plus de succès auprès du secteur financier et des spécialistes du High Frequency Trading (HFT). Ceux-ci enrichissent leurs algorithmes avec des informations issues des médias sociaux ainsi qu'avec des flux d'analyse des sentiments associés à ces contenus textuels.
Ainsi, Gnip qui n'avait aucun client dans le secteur financier à ses débuts, comptait une douzaine de fonds d'investissement parmi ses clients en 2012. Même constat chez son rival Ravenpack, avec 12 des 20 plus grands fonds d'investissement en portefeuille parmi ses clients. Cet intérêt du secteur financier pour ces approches directement issues du Big Data n'a pas échappé à SAP. S'appuyant sur sa base de données in-memory HANA, ainsi que sur son moteur de CEP (Complex Event Processing) Sybase Event Steam Processor, l'éditeur allemand propose une solution de Smart Trading aux fonds d'investissement. Une solution qui apporte un peu d'intelligence au trading haute fréquence grâce au Big Data.