Avec la crise sanitaire et économique mondiale, la transformation numérique du secteur financier,associée à la connaissance et à l'exploitation pertinente des données sur les individus, les produits et les marchés n'a jamais été aussi critique.
Maîtrise des risques sécuritaires, financiers et climatiques, conformité réglementaire et transposition de Bâle III, nouvelles conditions d'accès aux crédits, réduction des coûts, connaissances des marchés, lutte contre la fraude... le champ applicatif est colossal afin de permettre aux organisations financières de conserver un avantage compétitif différenciateur au sein de cette nouvelle économie de la donnée.
Un modèle unifié 360° de la data inédit, répondant à l'ensemble des métiers - Sell-side, Buy-side, Retail - et aux fonctions Corporate
Les data architectes le savent : l'exploitation des données est complexe. Structurées et non structurées, elles résident en silos dans différents systèmes - marketing, comptable, produits, ... - et sont utiles à différentes typologies d'utilisateurs dotés de besoins hétérogènes.
Ces utilisateurs métier différents peuvent également vouloir visualiser ou utiliser les mêmes données sous un angle différent.Par exemple, les données issues des Trade stores dans l'activité d'investissement Sell-side, peuvent servir à la conformité et à la régulation mais également apporter un éclairage inédit au service commercial.
Pour la partie Buy-side d'ass et management où consolider, réconcilier et rechercher des informations est essentiel à la création de nouveaux produits, il est important de fédérer un ensemble de données qui feront du sens vis-à-vis du travail de l'analyste. Enfin, dans les fonctions Corporate comme les achats, les RH ou le juridique, par exemple, si les contrats correspondent à des données non structurées mais les fournisseurs ou clients sont référencés dans des bases de données structurées, faire le lien entre ces deux types de données permettra un accès plus rapide aux informations ainsi qu'une meilleure efficacité pour le département.
Pour répondre à ces enjeux, il est possible de réconcilier des données provenant de différents systèmes sources internes comme l'ERP, les bases de données relationnelles, les système mainframe, ... pour les exposer dans un modèle métier purement fonctionnel, qui va être enrichi et contextualisé en fonction de l'utilisateur ou de l'application qui va les consommer.
Newsletter
Ma Tribune
L’actualité qui compte pour vous, chaque jour dans votre boîte mail.
Ces données seront ensuite facilement utilisables par tous les publics internes de l'organisation et à travers l'ensemble des applications.
Aller au-delà du Data Lake et du MDM vers une architecture de données agile et opérationnelle sous 6 semaine
Pour exploiter ses données de masse, une organisation financière dispose généralement d'un Data Lake, d'une
(Master Data Management) - garantissant que tous les collaborateurs aient accès à des données fiables à tout moment - ainsi qu'éventuellement d'une solution de data virtualisation pour faire communiquer les systèmes. La plateforme Marklogic propose ce type de solutions
.
Même si le data lake constitue espace de stockage global et complet, il ne permet pas d'inscrire les données au sein d'un modèle métier et de servir un cas d'usage spécifique en phase avec les enjeux de sécurité, de qualité, de gouvernance et de traçabilité des données de l'organisation.De la même façon pour un MDM.
L'intérêt sera donc de construire une architecture de données évolutive, sourcée au data lake ou au data warehouse existant, pour répondre à des besoins métiers spécifiques et même aux besoins futurs.
L'agilité du modèle de donnée métier passe en effet par sa capacité à pouvoir être enrichi au fil de l'eau selon les besoins : une phase qui ne sera possible que dans le contexte de l'usage et de la consommation des données qui en sera faite par les métiers.
5 défis à relever pour mettre en place une architecture de donnée métier agile
Gouvernance : il est impératif de mettre en place une gouvernance des données pour identifier la provenance de la donnée et sa source prioritaire par rapport à l'usage souhaité. En effet, lorsque l'on consomme les données, on peut utiliser l'ensemble des sources ou simplement chaque source de manière individuelle en fonction des besoins. La gouvernance des données permettra ainsi une meilleure exploitation des données pour réduire les risques et gérer la mise en conformité.
Traçabilité et transparence. Les données issues de différentes sources ont besoin d'être harmonisées et enrichies sémantiquement car elles peuvent, selon la source, être définies de façon différente. Toutes les opérations effectuées sur la donnée sont ainsi tracées. La provenance de la donnée associée à sa traçabilité permet de disposer d'un audit trail complet et de pouvoir revenir en arrière sur chaque opération.
Qualité : La qualité dépend des sources de la donnée et de sa consommation. L'intérêt ici est d'avoir une qualité de données qui réponde aux exigences de l'application qui la consomme.
Sécurité : Les données, une fois consolidées, ne doivent pas être toutes exposées pour des raisons évidentes de confidentialité. Les règles de sécurité s'appliquent aux données et s'adaptent à l'application qui les utilise. Elles permettent ainsi de supprimer ou de cacher une partie des données lors de l'exportation,répondant ainsi aux exigences de conformité de directives importantes telles que HIPAA, SEC17a-4, FINRA et RGPD.
Modéliser les entités métiers : On parle ici d'une modélisation fonctionnelle et non technique. Définir des entités comme Client, Produit, Contrat, etc..afin que chaque métier puisse demander ce dont il a besoin. Les données sont ensuite projetées dans ces entités et exposées aux applications, outils de reporting, Intelligence artificielle, etc... Ce défi est essentiel à relever pour répondre rapidement aux besoins d'aujourd'hui et futurs.
Le contexte économique et réglementaire mondial, le besoin de personnaliser l'expérience-client et l'innovation véloce des Fintech imposent au secteur financier une transformation structurelle.
Photo d'illustration (Crédits : DR)
À ces défis s'ajoute la capacité à exploiter intelligemment un volume de données d'entreprise disparates mais de façon granulaire et sécurisée pour répondre aux besoins de l'ensemble des métiers.
Développer une architecture de données innovante et agile tenant compte des réalités de l'organisation et capable de suivre l'évolution de ses besoins permettra à chaque utilisateur de s'approprier rapidement son propre modèle métier pour à la fois observer et exécuter rapidement des données en se basant sur une approche itérative. Une agilité conçue autour du "besoin", indispensable au dynamisme et à la transformation du secteur financier dans ce contexte de crise.
