Big Data & Risques Mise en perspective du Big Data dans la gestion des risques bancaires Stéphane Eyraud CEO seyraud@chappuishalder.com Benoit Genest Head of Global Research & Analytics bgenest@chappuishalder.com 1
Agenda 1 Introduction Christian JIMENEZ, Président PRMIA Paris & Richard FRAJND, Vice-Président Oracle France 2 How big is Big Data for Axa? Philippe MARIE-JEANNE, Responsable du Data Innovation Lab, AXA 3 La mise en place du Big Data Franck POULAIN, Directeur Technique, Oracle France 4 Mise en perspective du Big Data dans la gestion des risques bancaires Stéphane EYRAUD, Partner du bureau de Londres et CEO de Chappuis Halder & Cie Benoit GENEST, Responsable Monde du GRA (Global Research & Analytics) de Chappuis Halder & Cie 5 Big Data Mining : Order out of Chaos Bertrand HASSANI, Responsable Monde des Méthodologies de Risque Opérationnel, Banque Santander, Londres 2
Agenda Mise en perspective Les opportunités permises par le Big Data 3
Big data : où va t on? Perspectives pour l industrie financière (Banques et assurances) Future Present Past INTEGRATED Increased computing power Centralised, unlimited data storage capacity Self detection, auto upgrading & efficient models DYNAMIC Largely improved data storage capacity Homogenisation of modelling practices Today s average position business incentives for Data modelling technique development Aggregation of data sources (Finance, Risk, Marketing, sales ) STATIC Limited data storage Unproved data quality Limited computing power Increase in volumes R&D development 0 Data collection Dataware house IT implementation & Infrastructure 1 2 Data Storage Historical data 3 Data cleaning Data quality management Data transformation 4 5 Data Statistical description Mean, Median, standard deviation Histogram VaR 95,99% 6 7 Artificial Intelligence Self-Learning models (auto efficient) Multi crossing data set X factor Mining Web mining (behavior ) Image mining (face recognition) Text mining Data Mining & Big Data Prediction Ranking / discrimination Anticipation & simulation Data analysis Clustering & segmentation Automatic classification Factorial analysis 4
Big data : qu est-ce que c est? Les critères d aujourd hui pour définir les risques de demain Les 7 critères qui fondent le Big Data d aujourd hui et les fonctions risques de demain 1. Qualité 7. Données exogènes 2. Profondeur 3. Exhaustivité 4. Centralisation 5. «Real time» data 6. «Data storage» L évolution des Directions des Risques des grandes industries (banques et assurances notamment) doit être mise en parallèle avec celles des données et des capacités IT et sera conditionnée par la capacité d autres fonctions à intégrer ces changements (directions commerciales et marketing notamment) Quelle conditions d utilisation des données peut-on envisager sur les 10 prochaines années? Capacité de stockage quasi infinie Historiques très profonds Données internes unifiées / consolidées au sein d une seule source (finance / marketing / risques / ) Des durées de traitement et de calcul réduits au minimum (passage au «real time data») Emergences de données d interprétation (données externes des réseaux sociaux, ) Un process de stabilisation de la réglementation bancaire (fin des périodes de mise en place et intégration effective des reporting avancés et des modèles internes) Désintermédiation (digital, banque en ligne ) 5
Big data : pour quoi faire? Tour d horizon des anticipations du marché Le Top 3 des objectifs Big Data Zoom sur le secteur bancaire et financier Le marché financier croit en une nouvelle approche client ainsi qu à une optimisation de ses fonctions supports (Finances et Risques) Source : Ventana Research 2013 Les bénéfices attendus du Big Data Vitesse et précision : une revalorisation du principe de l analyse La traduction de cette vision se matérialise concrètement par des effets d augmentation d efficacité que ce soit : dans l exécution, la lecture des phénomènes, leur interprétation, les actions en découlant Source : Analytics IBM Institute 2012 6
Agenda Redistribution des cartes pour les Directions des Risques La naissance de nouvelles fonctions 7
Mise en perspective des opportunités permises par le Big Data Préambule Une évolution des Directions des Risques qui va de paire avec celle des capacités IT des banques et des environnements de recherche externes (Clouds, réseaux partagés ) 1 Evolution des Directions des Risques Meilleure intégration dans l organisation globale de la Banque Meilleure structuration de «l offre de la filière Risque» auprès des Métiers Plus de valorisation des résultats obtenus grâce à des indicateurs ajustés et dynamiques 2 Evolution des capacités IT des Institutions Mutualisation de l architecture SI dans la plupart des banques (plus homogène) Marché de solutions clés en main avec simplification de la mise en œuvre, notamment pour la mise en conformité aux attentes réglementaires Puissance de calculs et préservation des données exponentielles 3 Evolution de l approche aux données Amélioration constante de la qualité des données Stockage transversal des données Vers une exploitation des données comportementales (réseaux sociaux, etc.) 8
Une redistribution des cartes pour les Directions des Risques Message # 1 : Fin de l isolement de la fonction Risques Lien marketing risques plus fort grâce aux grands projets informatique CRM Data warehouse unique pour toutes les fonctions de la banque Un marketing plus ciblé grâce à une meilleure segmentation des clients Marketing Réseau Risques Finance IT Direction commerciale Après la crise durable, nécessité de sensibiliser largement aux enjeux de liquidité Compréhension fine des risques ALM, de marché, de crédit par la fonction Finance Multiplication des projets communs (ex : gestion du LCR) Mesure de la rentabilité du réseau d agences grâce à la collecte de data clients Meilleure gestion du risque opérationnel réseau 9
Une redistribution des cartes pour les Directions des Risques Message # 2 : Organisation «intelligente & évolutive» des fonctions Risques Des fonctions régaliennes qui vont rester essentielles 3. Contribution à la politique de prise de risques 1. Principes généraux de structuration d une DR 6. Avancement règlementaire 4. Prévention des risques 2. Missions, organisation et gestion interne mais dont les modalités d exécution vont radicalement changer! 5. Surveillance permanente et pilotage consolidé 1 3 2 Vers une intelligence du risque Vers une Gouvernance partagée Vers une nouvelle organisation du travail Naissance / développement de départements d études => analyse du risque, traitement et analyse de la donnée Mise en place de relais beaucoup plus forts avec les autres directions de la banque (Comités partagés et/ou multilatéraux, études conjointes et reportings partagés ) Diminution des échelles hiérarchiques Une réduction des process => Réduction des temps de production versus un allongement de la durée d exploitation et d analyse des données Importance de la modélisation (data mining, profiliing, simulation ) Les risques sont dorénavant placés au service de la stratégie de la banque en lien direct avec les organes décisionnels et les autres directions (via des Comités partagés), ce qui crée une nouvelle intelligence du risque 10
Une redistribution des cartes pour les Directions des Risques Message # 3 : Simplification des process de production Cette simplification attendue des process se fera en contrepartie d un allongement des étapes à valeur ajoutée de ces mêmes process Réduction des temps de production Allongement de la durée d exploitation et d analyse des données Recours massifs à la modélisation et aux outils IT associés 1 2 3 Process optimisés pour répondre plus rapidement aux attentes des régulateurs Plateformes de nouvelle génération (hardware) Outils de restitution performants Du temps libéré pour les analystes risques Mis à disposition pour l analyse des données L intelligence du risque remise au cœur de la fonction Data mining Text mining Data profiling / date visualizing Outils de simulations Plateforme IT unique 11
Une redistribution des cartes pour les Directions des Risques Message # 4 : Les nouveaux KPI, expressions de la nouvelle efficacité des fonctions risques Une capacité de maîtrise et de pilotage qui seront mieux mesurés Une nouvelle efficacité de la fonction Risques qui pourra prendre les effets suivants 1 Maturité de la fonction Risques Réduction des effectifs mais hausse des rémunérations moyennes Hausse de la maturité et de la capacité analytique Hausse des compétences d utilisation, d exploitation et de modélisation des données, hausse des compétences de synthèse («mass data analysis») 2 Nouvelles fonctions au sein de la Banque 1 Nouveaux objectifs pour les métiers du Risque Forte hausse des projets communs (ex : gestion du LCR) et naissance de départements pluri directions (Finance / Risques) Redistribution (refacturation interne / TCI risque?) des analyses en risque aux autres fonctions (études CRM, potentialité des données réseaux sociaux / fraude ) Contribution directe aux études de la Stratégie (reporting, ) Création de départements «Qualité» au sein des risques : mesure en bp des actions de recouvrement, octroi, variation du RWA, effets des stress ) Revue des objectifs (KPI) assignés à la Direction des Risques (moins réglementaires, beaucoup plus métiers : pertinence des stress, efficacité des prévisions, valorisation des actions de couverture, réduction du risque ) Revalorisation du positionnement du Directeur des Risques (Comité exécutif de la banque à minima) Beaucoup plus d analyses «à la demande» 12
Agenda Transformation des prestations de services Anticipation sur l évolution du quotidien d une fonction Risques (en environnement Big Data) 13
Une transformation des prestations de services La fin d une analyse en silo des risques Risque de crédit Risque de marché Risque opérationnel Risque ALM Analyse Risque de marché Risque opérationnel Analyse Risque ALM / liquidité Risque de crédit INFORMATION SEGMENTEE D une analyse compartimentée où chaque famille de risques est analysée séparément et indépendamment INFORMATION PARTAGEE & COMPLETE vers une analyse transversale où l on est capable d identifier et d appréhender de façon globale tous les risques à la fois TRANSMISSION INTELLIGENTE DE L INFORMATION Avec l exploitation de toutes les dimensions du Big Data et ses dérivés (utilisation du «data visualization» pour les reporting par exemple) 14
Une transformation des prestations de services Vers une lecture multi dimensionnelle du risque D un modèle de «Capital économique» à une dimension vers un outil d orientation de la «Stratégie économique» multidimensionnel Liquidité CT Liquidité CT HIER AUJOURD HUI DEMAIN Une optimisation du portefeuille bancaire qui reste encore théorique (peu de données ) et duale (couple PNB / Actifs pondérés) Des axes d études multi dimensionnels : Le bilan bancaire est désormais optimisé via une analyse «multivariée» (PNB / RWA / LCR). C est la montée en puissance de la politique d appétit pour le risque Une optimisation en dynamique du portefeuille bancaire : tous les axes d optimisation du portefeuille (PNB, RWA/LVR / BU ) seront utilisés pour une détermination idéale du bilan de la banque (arbitrage de composition des actifs et passifs pour optimiser et s aligner sur la stratégie de la direction) 15
Une transformation des prestations de services Un nouveau format de suivi et de pilotage du risque Un pilotage du risque plus «modulable» grâce à des données mieux exploitées Impacts attendus Formats de suivi intelligents intégrant une vision plus consolidée Demande pour des analyses d anticipation et de prédiction (expected Risk) Grâce aux nouvelles expertises et compétences de la Direction des Risques - Des reporting moins segmentés mais aussi plus précis et concis - Capables de mettre en exergue les risques à un moment donné Sur des horizons aussi bien court terme que stratégiques Mise en perspective des risques avec d autres dimensions - Rentabilité, Marge opérationnelle, capacité commerciale, etc. Nouvelles limites, nouveaux indicateurs et ratios de surveillance Nouveau format de reporting Moins axés sur les aspects réglementaires, plus flexibles Evolutifs (non figés) et donc adaptés au niveau général de risque de la banque à un moment donné (ex : liquidité) Liés à l activité réelle de la banque et sa prise de risque (ex : transformation) Une plus forte capacité de synthèse grâce au tri de l information Un reporting dynamique et interactif - Importance du détail et de la profondeur de la donnée Exemple : zoom sur une donnée particulière pour comprendre l augmentation des RWA sur une activité de marché donnée 16
Une transformation des prestations de services Une avancée significative attendue dans la restitution des analyses FORMAT DE RESTITUTION «INTELLIGENT» Embrasser tous es risques de l établissement en 1/2 graphs Représentation visuelle intelligente Format 3D et 4D (intégration du mouvement => projections) FORMAT DE REPORTING «FLOTTANT» (non figé) Indicateurs automatiquement choisis en fonction de l évolution des risques Tableaux de bord interactifs (changements d axes en temps réel) Détection des zones de risques et fixation automatique des limites adéquates (auto détection du risque ) Construction de reporting par objectif pré-fixés (reporting stratégique, reporting détection du risque, reporting mesure du risque ) REPORTING A POSSIBILITES CALCULATOIRES Formules intégrés dans un graph / TdB = simulation des effets Interactions entre les différents indicateurs et mise à jour instantanée (changement d un scénario=> recalcul immédiat des niveaux de RWA, liquidité sur tous les tableaux) Caractère auto correctif : Détection automatique des incohérences, écarts entre indicateurs, (caractère auto correctif ) 17
Une transformation des prestations de services Des outils de mesure et de gestion du risque plus efficaces Une explosion des outils reposant sur des techniques statistiques avancées 1 Scoring intégrant les comportements sociaux Adaptation dynamique des outils de détection de la fraude Capacité d adaptation des process de recouvrement beaucoup plus souples et rapides (sélection des garanties, etc.) Récupération automatique des données exogènes à l établissement et utiles pour son activité 2 Développement de modèles complexes et plus prédictifs Réseaux neuronaux (auto apprentissage => exemple de la fraude) + recherches des causalités dans les données accessibles Data mining à grande échelle Simulation (Monte Carlo ou équivalents) sur toutes les données du DWH (non limité au risque) Développement de nouvelles approches de modélisation comportementale (text mining) 1 Utilisation des outils de risque dans la gestion quotidienne Couverture du risque (provisions, EFP, ) Réduction du risque : Sélection à l entrée Maîtrise de la rentabilité / risque : Montant, totaux ou volume d un prêt pour un client donné Simulation du risque : Incidence en risque d une campagne marketing Pilotage du risque : Revue de limites ou de seuils de sélections «on line» pilotés en temps réels via internet 18
Une transformation des prestations de services Effets attendus de l intégration du Big Data dans les risques 1 2 REDUCTION DU COÛT DU RISQUE 3 4 OPTIMISATION DU RESULTAT ET DE LA RENTABILITE REDUCTION DU COÛT DE COUVERTURE NOUVELLE SOURCE DE REVENUS POUR LES RISQUES Avec le Big Data, les fonctions risques pourront être utilisées fonctionnellement comme des centres d opportunités 1 2 3 4 Sélection dynamique à l octroi (découverts fixés en dynamiques ) Amélioration de la lecture du risque clientèle (intégrations des données comportementales, Informations des objets connectées pour les assureurs ) Intégration du coût exact des ressources rares dans les taux clientèles et la mesure des activités internes (appétit pour le risque) Très grande précision dans les anticipations de dotations reprises (provisions) Diminution du prix de la couverture actif passif (meilleurs estimations des impasses liquidité et intégration des prévisions comportementales, réduction du prix de produits de couverture ) Efficacités des méthodes de couvertures du risque opérationnelle (Fraude, nouvelle polices d assurances ) Optimisation de la Marge net d Intérêt Exploitation commerciales des clients les plus rentables Ventes de bases de données ciblées à certains clients Vente du savoir faire analytique (prestations de services) Nouveaux produits basés sur la masse d information en risk disponible (appli Risk, Objets connectés et risk, Produits financiers et assuranciels basés sur le niveaux des risques ) 19
Agenda Et aujourd hui? Des niveaux de maturités différents mais une conviction commune de forte potentialité du Big Data 20
Big Data : où en sont les banques aujourd hui? Les pratiques relatives au Big Data dans les banques aujourd hui restent très hétéroclites MATURITE 1 Identification, mesure, et prévention des risques 2 Vision consolidée des risques 3 Usage du Big Data en environnement risque 4 Intégration des risques dans le pilotage stratégique BENCHMARK Wells Fargo Le Big Data reste du domaine de la prospective. Réflexion autour de l évaluation du risque de crédit La Caixa Constitution d un «Data Pool» global pour faciliter la prise de décision et la création de nouveaux produits Crédit Mutuel Arkéa Accélération des temps de traitement, création d offres différenciantes, amélioration de la stratégie marketing JP Morgan Production de rapports destinés aux grandes entreprises grâce aux informations collectés sur les transactions Zions Bank Transformation du processus de gestion de la NYSE Euronext fraude Utilisation du Big Data pour détecter les nouveaux modèles de trading illégal BNP Paribas Customisation des offres produits fondée sur les besoins clients réels et les conditions de marché Citi Commercialisation directe de ses données, agrégées et anonymisées 21
Chiffres clés du Big Data dans l industrie bancaire C est parti! Chiffre d affaires du marché du Big Data en 2016 : 24 milliards de $ Taux de croissance annuel : - Solutions de stockage Big Data : 53,4% - Services Big Data : 21,1% Pourcentage d entreprises lançant des projets Big Data ou envisageant de le faire : France (10%), Allemagne (18%), UK (33%) 58% des entreprises françaises estiment être en retard par rapport à leurs concurrents En France, le Big Data pourrait générer 2,8 milliards d de revenus et 10 000 emplois directs 57% des banques auraient prévu d investir dans le Big Data sur les 2 prochaines années La plupart des banques initient seulement leurs efforts de développement en termes de Big Data et l analyse et la gestion des risques restent l enjeu principal du Big Data pour les banques Définition d une feuille de route Big Data 47% Conformité réglementaire 28% 22% Gestion de la fraude Compréhension du concept 26% 27% Conduite de projets Big Data et implémentation Source: Jaspersoft Analyse et gestion des risques 37% 13% Autres Source: Jaspersoft 22
Conclusion DEMAIN? Les choix stratégiques des différentes institutions seront beaucoup plus perceptibles dans leurs résultats MT du fait d une accessibilité immédiate à l information qui oriente ces mêmes choix CONSEQUENCES? 1. Hausse de l influence stratégique dans les années à venir et indirectement hausse du risque «réputationnel» 2. Forts investissements dans le domaine du Big Data. Cet investissement ira bien au delà de l infrastructure IT, des capacités de calcul des serveurs et de stockage. L investissement sera aussi humain. Les prochaines années sont celles qui donneront un avantage compétitif aux établissements pionniers en la matière. Les écarts de maturité sur le Big Data seront amenés à se réduire sur un horizon MT ou LT compte tenu de l obligation des établissements à s adapter in fine. Le Big Data transformera aussi et surtout la relation des institutions à leurs utilisateurs finaux. L émergence de nouveaux comportements clients, c est aussi celles de nouveaux risques 23
Agenda Annexes 24
Une transformation des prestations de services Une nouvelle façon de lire et interpréter les risque Le Big Data va permettre une extension du périmètre d analyse des risques sur une nouvelle échelle de temps : le temps réel 1 2 3 EXTENSION DU PÉRIMÈTRE D ANALYSE EN RISQUE «USE TEST» : UNE NOTION QUI DEVIENT MAJEURE AXES DE LECTURE DEMULTIPLIES Intégration de toutes les lignes métiers Intégration de tous les portefeuilles Vision intégrale et immédiate des risques de la banque Absence de «zones d ombre» Une nouvelle échelle de temps : le temps réel (lecture des résultats en temps réel, information disponibles en temps réel ) Vision intégrale et immédiate des risques bancaires (traitement de masse) Par filiales Par produits Par dates Par niveau de risques Par niveau de stress (EL vs UL) Par marges opérationnelles Par perspectives commerciales Intégration de données externes (comportements sociaux et risques associés) 25
Une transformation des prestations de services Une gestion dynamique : anticiper et projeter le risque Capacité à anticiper et projeter : une gestion en dynamique du risque de l institution 1 2 3 4 RESSOURCES RARES : NOUVEAU FORMAT DE RÉALLOCATION SIMULATION D IMPACT : EXERCICE EMBRASSANT PLUSIEURS DOMAINES À LA FOIS LECTURE EN TEMPS RÉEL : NOUVEAU MODE DE LECTURE DES LIMITES EN RISQUE À L ÉCHELLE DE LA BANQUE MODÈLES DE RISQUE : BEAUCOUP PLUS PRÉCIS ET PUISSANTS (ALM, BUDGET ) Cross activité Cross région Circulation de ressources quasi immédiates fonction de leur disponibilité en T Arbitrage des niveaux de risques cross activités en temps réel Stress testing réalisés avec un degré de précision très fin et dans des temps très courts Scénarios avec impact sur l ensemble des risques mais également en lien avec les éléments financiers clés Stress test devient un exercice de pilotage récurent et largement utilisé par la direction de la banque et les autorités de tutelles Consommation de liquidité de la banque, de l évaluation du stock d actifs liquides en temps réel Zoom sur n importe quelle entité / activité de la banque Optimisation de la couverture et de son coût (instruments de hedge moins chers car plus précis => pas de sur couverture par exemple) Diminution sensible des marges d erreurs Augmentation sensible des capacités de prévisions Augmentation sensible des horizons de projections permettant un degré de lecture a la fois sur toute la banque mais aussi pour un sous portefeuille donné 26
Une transformation des prestations de services Un nouveau rôle dans la stratégie de la banque D un modèle de «Capital économique» à une dimension vers un outil d orientation de la «Stratégie économique» multidimensionnel Capital Capacité de zoom très précis Capital économique Liquidité Perspectives commerciales et budgétaires Evolution du marché et de la concurrence Mise en perspective macro très large 27
Agenda 1 Introduction Christian JIMENEZ, Président PRMIA Paris & Richard FRAJND, Vice-Président Oracle France 2 How big is Big Data for Axa? Philippe MARIE-JEANNE, Responsable du Data Innovation Lab, AXA 3 La mise en place du Big Data Franck POULAIN, Directeur Technique, Oracle France 4 Mise en perspective du Big Data dans la gestion des risques bancaires Stéphane EYRAUD, Partner du bureau de Londres et CEO de Chappuis Halder & Cie Benoit GENEST, Responsable Monde du GRA (Global Research & Analytics) de Chappuis Halder & Cie 5 Big Data Mining : Order out of Chaos Bertrand HASSANI, Responsable Monde des Méthodologies de Risque Opérationnel, Banque Santander, Londres 28