OPINION. Sous la contrainte de la crise sanitaire, les acteurs bancaires et gestionnaires d'actifs ont dû montrer une réactivité sans précédent. Ils doivent repenser leurs modèles et leur évaluation des risques dans un monde où données historiques et structures classiques d'évaluation ne peuvent plus servir de fondements uniques. Un défi que seul l'intégration efficace de modèles de machine learning et de nouvelles techniques de traitement des données, notamment alternatives, permettra d'appréhender. Par Sophie Dionnet, Vice-Présidente Stratégie chez Dataiku
Les effets secondaires de la crise sanitaire sur les marchés financiers sont lourds. Ainsi, avec un arrêt total de certains secteurs d'activité, une baisse du PIB en 2020 de l'ordre de 8% à 10%, un manque de visibilité sur le moment et l'ampleur de la reprise économique, la volatilité des marchés financiers n'a jamais été aussi importante depuis la crise de 2008.
Aussi dans ce contexte inédit et mondial de crise sanitaire, il est bien difficile pour les gestionnaires d'actifs financiers et acteurs bancaires de juger de leurs actifs, d'évaluer la qualité crédit aussi bien des particuliers que des entreprises, et d'agir en conséquence sur leurs activités.
Enrichir les données traditionnelles par des données alternatives
En confinant près de 5 milliards de personnes dans le monde et en paralysant l'économie mondiale, la pandémie contraint acteurs bancaires et gestionnaires d'actifs financiers à revoir leurs modèles. Ils doivent repenser leurs approches en déployant de nouvelles règles et enrichir leurs décisions en prenant en compte de nouvelles informations.
Ainsi, aux données traditionnelles utilisées pour évaluer la santé financière de particuliers et d'entreprises (résultats financiers, endettement, part de marché, présence internationale et diversification, référence, partenariat, concurrence, etc), l'intégration de données alternatives permet à ces acteurs de se donner un éclairage beaucoup plus précis sur les risques et le potentiel de chaque acteur : actualités, données de géolocalisation, images satellites et rapports sont autant d'éléments qui, traités avec des algorithmes d'IA, permettent de prendre des perspectives différentes et beaucoup plus immédiates sur la santé d'un compte.
Quel analyste du secteur de l'automobile ne souhaiterait pas avoir une vue exacte sur la nature des stocks des constructeurs et la reprise de leurs usines pour évaluer précisément la santé du secteur et de ses différents acteurs ? Permettant ensuite de prendre les meilleures décisions sur les prêts consentis à ces entreprises et l'intégration de leurs actions dans des portefeuilles.
Newsletter
Ma Tribune
L’actualité qui compte pour vous, chaque jour dans votre boîte mail.
Responsabilité sociale et environnementale
A l'heure où la Responsabilité Sociale et Environnementale (RSE) des entreprises prend de plus en plus d'ampleur dans nos sociétés, il devient crucial pour les acteurs bancaires et les gestionnaires d'actifs de prendre en compte ce type d'informations pour évaluer une entreprise et structurer leurs offres. Mais, l'essence même du RSE est complexe, puisqu'il recouvre des notions aussi complexes que l'impact de l'activité de l'entreprise sur la santé humaine, son respect à l'environnement, sa politique non discriminatoire envers les minorités, ou encore ses actions vertueuses envers la société. Toutes ces informations diverses dans leurs contenus et dans leurs formats sont difficiles à recueillir et à exploiter. Là encore l'IA et le ML permettent d'extraire du sens dans une masse de données hétérogènes et sans grandes corrélations évidentes entre elles. Intégration de données alternatives et Machine Learning jouent notamment un rôle essentiel dans l'estimation fine des impacts environnementaux et dans leur projection, permettant aux gestionnaires d'actifs et aux banques de structurer des produits plus impactant.
Or la reprise devra être responsable. La crise a montré que de nouveaux paradigmes sont possibles, et qu'infléchir la courbe des émissions CO2 est à notre portée avec le bon alignement des acteurs. Banques et asset managers ont un rôle clé à jouer dans ce domaine, en intégrant le plus largement ces considérations aussi bien dans la gestion de portefeuille que dans l'estimation des risques et le financement des entreprises. Un domaine qui ne pourra se faire efficacement sans exploitation du potentiel de l'IA à tout niveau.
Gagner en réactivité
L'IA n'est pas une solution magique : son intégration efficace dans les processus des institutions financières demande un temps d'amorce et de la preuve. Cette courbe d'apprentissage doit être soutenue par une collaboration de tous les instants entre data scientists et experts bancaires, dans un objectif de co-construction et d'accélération.
La crise sanitaire révèle plus que jamais l'importance pour ces professionnels de s'appuyer sur l'IA. Grâce à elle, ils prennent de la distance par rapport aux données financières traditionnelles, gagnent en réactivité de modélisation, et sont en mesure de mieux appréhender l'incertitude économique ainsi que de saisir à bras le corps le défi du changement climatique. Ce qui en fait une nécessité pour affronter efficacement les années à venir.
