Data et finance : Comment la data aide-t-elle le secteur de la finance ?

La finance est un secteur historique dans lequel la data est présente. Nous allons voir comment elle peut toujours à ce secteur de prise des décisions et les évolutions qui ont eu lieu.

Une collecte de données depuis toujours

Commençons avec l'exemple de la bourse avec la data présentant le plus grand volume : les cours de bourse. Une entreprise commeEuronext,qui est la principale place ouverte de la zone euro, va enregistrer l'ensemble des transactions ayant eu lieu sous la forme :

• cheteur
• Vendeur
• Prix
• Volume (nombre de titres)
• Heure de la transaction (au millième de seconde près vérité même au millionième)

Des millions de telles transactions ont lieu chaque seconde. On doit être capable de les traiter en temps réel,dans le bon ordre et avec les bonnes règles mises en place, en respectant notamment l'équilibre entre l'offre et la demande. C'est donc historiquement un cas où on a de la data très naturellement mais où on arrive en plus très rapidement sur du Big Data peut les volumes de données recueillies sont très grands et on doit être en capacité de les traiter rapidement.

De plus, toutes les données historiques des entreprises forts des volumes non négligeables de données avec le chiffre d'affaires, les bénéfices, la marge, les actifs. Et aussi les données textuelles telles que les perspectives, la stratégie, les objectifs... Ces données ont permis de valoriser une entreprise à une date donnée et de faire une prévision de ses potentielles révolutions.

Les évolutions entreprises par les avancées de la data

Cette liste n'est pas exhaustive mais ici quelques sujets sur lesquels la data et le machine learning ont permis au monde de la finance d'évoluer.

Le temps réel

Peut-être que vous n'avez pas connu cette époque mais la plupart des particuliers suivent les cours de bourse au quotidien en achetant leur journal ou en passant un coup de téléphone - toujours payant. Le fait d'amerer du temps réel a aidé le monde de la finance à se développer. Ce qui a aidé à là c'est la capacité à traiter rapidement des données.

Une autre information liée au temps réel nous avance dul'apprentissage automatique.On peut analyser les réseaux sociaux pour comprendre les tendances politiques et sociales, le ressenti des populations vis-à-vis de tel ou tel événement ou entreprise. On peut par exemple chercher quelle entreprise est la plus discutée sur les réseaux sociaux. D. un autre côté, lorsqu'on s'intéresse à une entreprise spécifique, on peut chercher ce que les gens en pensée.

La défense des fraudes

La détection de fraudes est un sujet pour lequel les nouvelles techniques en data ont permis d-avancer. Cela permet de protéger des comportements suspects dans les transactions. Telle personne a tele habitude dachat et tout daut coup elle se met à dépenser de grosses sommes de manière habitable ? Une fraude est possible et on peut préparer les bonnes personnes pour inviter des risques financiers.

Pour les banques ce sujet est important pour ce qu'on appelle sonKYC(connais votre client) - la banque doit montrer qu'elle connaît bien ses clients auprès des institutions financières - mais aussi pour sa réputation auprès de ses clients.

Amélioration des modèles de risques

Utiliser la data pour prendre certaines décisions financières est une bonne choix. Cela invite les décisions dues à l'émotion. Cela permet de diminuer le risque des investissements et des gains. On peut penser par exemple à l'entreprise October qui a automatisé une partie de ses modèles de risques pour proposer des crédits. Là où une banque traditionnelle peut mettre plusieurs mois à proposer un crédit, cette entreprise peut de le faire en à peine une semaine pour des crédits allant de quelques milliers de milliers d'euros à quelques millions d'euros.