top of page

Happy few, all happy : comment démocratiser la data au sein des banques ?


Building

La démocratisation d’Excel a permis un saut “quantique” de performance dans toutes les entreprises. Il en est de même pour la Data. C’est le nouveau game changer et c’est particulièrement vrai dans la banque.

Il faut donc démocratiser la Data, passer du Happy few au All Happy. Son appropriation par le plus grand nombre amplifie l’exécution de la stratégie, augmente la performance opérationnelle et permet de donner de la bande passante aux équipes pour transformer les modèles d’organisation et inventer la Banque de demain.  

Faire de tous les collaborateurs des hybridés de la Data, des Centaures au sens de la philosophe Gabrielle Halpern [1], tel est l’objectif. Compétences, modes de fonctionnement et culture sont les zones d’action de cette transformation. 


De réelles avancées... réservées à des happy few


La majorité des banques françaises a pris le virage de la Data. Elles ont engagé des investissements significatifs [2] comme la construction d’un socle technique permettant de collecter et de normaliser la Data afin d’en tirer pleinement parti, la constitution d’équipes Data couvrant l’intégralité de la chaîne de valeur ou encore le développement et la diffusion de cas d’usage métier grâce au recrutement de Data scientists. Enfin, elles ont initié une première acculturation des collaborateurs pour comprendre ce qu’est la Data et ce qu’elle permet. 

Cependant, la Data reste l’apanage de quelques happy fews au sein des banques. Aujourd’hui, Data est égal à Data Science : une science réservée aux initiés de la première heure, une science, pas encore un usage démocratique.  Si les cas d’usage se multiplient, qu’en est-il de leur diffusion et réelle utilisation ? Les bilans des équipes de Data Science mettent en avant les POC réussis mais, sur le terrain, le constat est sans appel : l’ensemble des équipes n’est pas encore pleinement immergé.  

C’est bien normal : toute innovation technologique majeure naît et se déploie progressivement. Pour bénéficier de tous les gains, les banques doivent maintenant intensifier et accélérer la dynamique de transformation par la Data.

Notre conviction est donc que, comme pour Excel, un grand nombre de collaborateurs, qu’ils soient Front Office, Back Office, fonctions support ou de contrôle, doivent demain faire de la Data leur outil de travail au quotidien. Il faut passer du Happy few au All happy. Et pour cela, passer à l’échelle.

Culture, compétences et modes de fonctionnement sont les domaines clés sur lesquels agir pour capter tous les gains, y compris ceux de la long tail [3]. 


Fini le « bricolage » sur Excel, bienvenu à la Data : les banques doivent montrer l’exemple pour des questions de conformité, mais aussi pour gagner en productivité avec des équipes plus agiles et performantes


Qui n’a pas été confronté au problème de reproductibilité d’une analyse ?  

Il est souvent difficile de comprendre comment un résultat affiché dans un PowerPoint a été calculé et donc de le recalculer. Travaillons-nous avec les bonnes données ? Est-on sur le bon champ ? Certaines données ont-elles été retraitées ? Voire supprimées ? La définition de l’indicateur est-elle la bonne ?

Il faut bien avouer que des logiciels comme Excel ne facilitent pas l’adoption de bonnes pratiques en matière de traitement des données et favorisent plutôt une forme de « bricolage à tous les étages ».  

Aujourd’hui une telle situation n’est plus acceptable. Il faut donner les moyens aux utilisateurs de traiter les données de manière professionnelle : les bons outils, les bonnes pratiques, les bonnes méthodes pour garantir la traçabilité des données et des traitements réalisés, la reproductibilité des analyses et souvent leur automatisation. Au-delà de l’évidence en termes de qualité des process et de minimisation des risques d’erreur, c’est une nécessité d’un point de vue réglementaire, quel que soit le type d’analyses produites.  

Les effets collatéraux sont d’ailleurs bien souvent très positifs : les collaborateurs sont plus agiles et plus créatifs dans leur travail quotidien grâce aux nouveaux outils de la Stack Data [4] qui se révèlent être des couteaux suisses du traitement de données et des textes (y compris moissonnage de données sur internet, analyses de textes, etc.) et s’interfacent naturellement avec de nombreuses API (ex. chatGPT). Ces outils permettent également d’aller plus loin dans les analyses : techniques statistiques / Machine Learning plus avancées, visualisations plus complexes, tableaux de bord interactifs.

Enfin, la mise en place d’un environnement Data stimulant est aujourd’hui indispensable pour attirer et conserver les talents.  


Le niveau de maturité des banques rend possible cette transformation


Le moment est venu pour les banques de délaisser les outils classiques de calcul et de modélisation (et notamment Excel) au profit d’outils plus élaborés reposant sur l’utilisation massive de Data.

En effet, les banques ont fait l’effort de collecter et de normaliser la Data. Elle est désormais disponible « sur étagère », les règles de son utilisation sont bien établies et encadrent les usages des collaborateurs (en particulier les règles de sécurité IT). Ensuite, les outils récents (ex : Dataiku) sont intuitifs et permettent de développer en relative autonomie. De même, les interfaces de restitution Data sont intuitives (ex : Tableau) et facilitent le partage des travaux de chacun. Enfin, les jeunes diplômés sont désormais acculturés, voire formés à la Data à travers leur cursus scolaire 

De plus, l’utilisation plus systématique de la Stack Data permettra d’améliorer la traçabilité et l’auditabilité sur les données et leur utilisation et donc améliorer la mise en conformité des banques vis-à-vis des obligations des régulateurs. 


Les pré-requis techniques existent ; ils sont accessibles


Donner les moyens aux collaborateurs d’utiliser des langages plus avancés qu’Excel est déjà un premier pas qui peut produire des résultats même sans infrastructure dédiée. Certaines banques ont commencé ainsi, mais les résultats dépendent alors de la bonne volonté et de la motivation de quelques-uns, dans un cadre qui reste artisanal.  D’autres sont allées un cran plus loin pour tirer pleinement profit de cette transformation et ont mis en place tout un environnement simplifiant et sécurisant l’utilisation des logiciels et des données par les collaborateurs :

  • Entrepôt(s) de données structurées 

  • GIT : système de gestion des versions du code facilitant le travail collaboratif et le partage des analyses déjà réalisées  

  • Si possible, un langage de programmation commun avec des règles et des bonnes pratiques partagées par tous (via des parcours de formation dédiés) 

  • Une bibliothèque de programmes pour favoriser le partage d’information et la standardisation des pratiques 

  • Des données de référence clairement identifiées tant pour les sources brutes que pour les données retraitées, potentiellement intégrées aux bibliothèques de programmes 

  • Des interfaces de restitution pour tirer pleinement parti des développements dans une optique centrée sur l’utilisateur (qu’il soit interne ou externe) 

Si les enjeux techniques sont primordiaux, une transformation Data ne peut réussir sans une gouvernance mettant le métier et donc in fine les clients au cœur du programme d’action. C’est une révolution copernicienne du rapport aux données qu’il s’agit d’opérer, afin de mettre en place les prérequis pour que le métier soit au cœur de la gouvernance et non les données.  


L'accompagnement des collaborateurs et des managers de l'entreprise reste la clé de la réussite


L’enjeu n’est pas d'impliquer uniquement quelques “utilisateurs avancés” férus de nouvelles technologies. Il s’agit d’embarquer une masse critique de collaborateurs et de managers dans une transformation en profondeur de l’entreprise.  Cela demande d’organiser et de piloter un véritable programme de transformation, avec quatre conditions de succès :

  1. S’assurer que les solutions techniques permettent d’exploiter de façon autonome et simple les données en respectant les contraintes de sécurité 

  2. Organiser des parcours de formation et des échanges entre pairs sur ces outils de développement et les possibilités qu’ils offrent 

  3. Démontrer l’intérêt que les équipes ont à utiliser ces nouvelles méthodes d’exploitation de la Data en obtenant rapidement des premiers résultats concrets 

  4. Susciter l’envie en valorisant ces initiatives 

Ce n’est pas anodin car les banques capables de réussir cette transition prendront un avantage concurrentiel important sur leurs concurrents. C’est un programme de transformation transverse à l’ensemble de la banque qui doit être piloté par le Comex, car des gains majeurs sont à la clé.


[1] Tous centaures ! Éloge de l’hybridation - Gabrielle Halpern – Éditions Le Pommier, 2020

[2] Au niveau mondial, d’ailleurs, la part du secteur bancaire s’établissait, en 2019, à 13,9 % du chiffre d’affaires des Big Data et Analytics (source IDC).

[3] Concept marketing qui désigne le fait qu'un très grand nombre de références, utilisateurs, produits avec peu d’impact unitaire permet de maximiser ses gains au global plutôt que de compter sur le succès de quelques produits

[4] Stack Data : ensemble des outils et technologies (dont cloud) pour collecter, traiter, stocker et analyser les données


Auteurs :

Charley Wattinne

Directeur Kéa


Romain Aeberhardt

Senior Partner Veltys du Groupe Kéa


Damien Chambonnière

Senior partner Kéa



306 vues

Comments


bottom of page