TEST 15 JOURS

Comment les banques s’emparent-elles de leurs données ?

Optimisation des processus, meilleure connaissance client, aide dans la lutte contre la fraude… Les cas d’usage de la data science se multiplient à travers l’industrie. Mais que signifie, d’un point de vue organisationnel, la généralisation du recours à la data science ? 
 

Par . Publié le 28 octobre 2019 à 15h40 - Mis à jour le 16 novembre 2020 à 14h49

Big data, structuration des données, data lake, data science et valorisation des données…. Par où commencer dans cet océan d’informations, si facilement assimilées à “l’or noir du XXIe siècle” ? La particularité de ce questionnement, pour les institutions bancaires, est que ces dernières accumulent de la donnée depuis leur création, mais que la régulation en contrôle l’usage. Cet encadrement porte aussi bien sur les informations elles-mêmes que sur l’exploitation qui en est faite, ou sur les méthodes et durées de conservation… Comment, donc, prendre possession de ces données et tirer profit des avancées que permettent les vastes progrès de l’intelligence artificielle ? Dans quelle mesure la traditionnelle séparation entre les données de chaque métier empêche-t-elle les expérimentations et l’innovation ? 

Les quatre pieds du big data

Avant d’évoquer la data science, il faut revenir sur sa matière première : les données. “Le big data repose sur quatre pieds”, explique même le directeur de l’intelligence artificielle de Devoteam Aymen Chakhari. Et ces derniers influencent la manière dont les entreprises en général, et les banques en particulier, s’emparent ensuite des nouveaux outils de traitement et d’analyse de données. 

La data foundation, d’abord, consiste à définir la donnée, gérer les coûts systèmes, mettre en place les tuyaux par lesquels ellese passeront ainsi que les portails y donnant accès. Vient ensuite la protection de la donnée. “Il s’agit d’élaborer une stratégie de protection de toutes les informations disponibles, puis de leur appliquer les attributs de confidentialité choisis”, poursuit Aymen Chakhari. Puis vient le data management, “qui regroupe aussi bien la structuration de la donnée que les outils qui permettront de l’utiliser”. Que ce soit des bots ou d’autres types d’API, on aborde là le domaine du data knowledge : les données fournies à l’utilisateur ne sont plus ni brutes, ni de simples informations, elles sont connectées à d’autres, de manière à donner un résultat articulé, compréhensible et utile. “Le quatrième pied, termine Aymen Chakhari, est celui de la smart data, ou de la data science”.…

Cet article est reservé aux abonnés
Déja abonné ? Connectez-vous

Vous n’êtes pas encore inscrit ?

Créez un compte pour tester notre offre
gratuitement pendant 15 jours

  • Services en ligne : études, analyses, bases de données et bien plus encore
  • Briefings quotidiens : actualités synthétisées
  • Lettres hebdomadaires

Besoin d’informations complémentaires ?

Contactez

le service d’études à la demande de mind

À lire

Comment Quinten a aidé la Caisse d’Epargne Rhône-Alpes à utiliser le big data pour améliorer sa relation client

Comment Saagie aide la Matmut à créer des applications Big Data

Comment Alteryx a aidé la Caisse d’Épargne Hauts de France à prendre en main ses données

Comment les banques se positionnent-elles face au cloud ?