1. Détecter les fraudes bancaires
Selon une étude de Fraude de Allianz Trade (le leader européen de l’assurance fraude) et la DFCG (l’association nationale des Directeurs Financiers et de Contrôle de Gestion), 69% des entreprises françaises déclarent avoir subi au moins une tentative de fraude en 2022.
Selon la même étude, le risque de fraude est toujours présent. « 78% des entreprises craignent une accentuation du risque de fraude d’ici la fin de l’année ».
Comment le Big Data vient-il résoudre ce risque?
Avant : une procédure compliquée
Avant, l’identification des fraudes reposait sur des systèmes de détection fragmentés et des procédures demandant au client un « travail » supplémentaire. Ce qui dégrade la qualité du service client.
En outre, ces outils traditionnels ne détectent souvent pas les fraudes non avérées, celles que le détenteur de la carte de paiement ne peut pas prouver ou qu’il constate trop tard.
Aujourd’hui : la capacité à traiter des données non structurées
Traiter des données issues des sources diverses est un plus pour le secteur financier. Le traitement du Big Data finance permet la capacité d’extraire, de traiter et de détecter les fraudes en temps réel.
Le potentiel du big data en matière de détection des fraudes réside donc dans la vitesse de traitement et la maitrise du fameux streaming.
Aussi, les experts de l’IA ont développé des algorithmes permettant de détecter les fraudes futures en se basant sur les données du passé.
Micropole et la détection de la fraude bancaire
La structure Micropole a développé un algorithme capable d’identifier automatiquement de nouvelles règles pertinentes contre la fraude (Scoring.AI et Fraud.AI).
Cet algorithme simule sur les données du passé pour stopper la fraude sur des transactions futures.
2. Proposer des offres adaptées aux personnes en situation financière fragile
Les banques sont dans l’obligation d’aider des personnes aux ressources précaires, comme le souligne l’article L312-1, II du Code monétaire et financier « Lorsque ces personnes sont en situation de fragilité financière (…), elles se voient proposer l’offre spécifique (…) »
La mission des banques est de différencier un client fragile d’un client non fragile, qui lui, conservera après le diagnostic un circuit classique de traitement par la relation clientèle. Elles devront détecter la source de la fragilité du client. Concrètement, il s’agit de faire un point budgétaire avec eux en leur demandant en détails leurs charges, ce qui peut aider à mettre le doigt sur certaines dépenses qui pourraient être réduites. Il s’agit aussi de trouver des solutions pour aider ces personnes à gérer leur budget. Par exemple, les conseiller d’utiliser des applications analytiques des données de finances personnelles comme Bankin’. Cela pour leur permettre de voir les différents postes de dépenses, et donc de les optimiser.
Crédit agricole et la détection des clients financièrement fragiles
Lors du salon BIG DATA & AI tenu les 26 et 27 septembre 2022 au Palais des Congrès à Paris, Crédit agricole a dévoilé la mise en place de son système de repérage. En effet, la banque a développé 37 modèles d’intelligence artificielle répartis dans ses 37 caisses régionales. La société a estimé avoir repéré ses clients en situation financière fragile en moins de 3ans.
3. Proposer une expérience client « remarquable »
Les banques traditionnelles étant concurrencées par l’arrivée des banques en ligne, il y a un travail énorme pour personnaliser des offres et des réponses en s’appuyant, là encore sur la masse incroyable de données du secteur bancaire.
Sidetrade et la prédiction du comportement des clients
Sidetrade développe des plateformes Big Data pouvant prédire les comportements des clients.
Avec son logiciel Augmented Cash, soutenu par la technologie d’intelligence artificielle « vous pouvez compter sur une automatisation des comptes clients fiables, exploitant des informations basées sur les données ».
Faites-vous accompagner par nos experts sur vos projets data
4. Mutualiser les données entre banques
Grâce à « la mise en commun des données et l’analyse collaborative, les institutions financières peuvent mieux comprendre, évaluer et réduire les risques de blanchiment des capitaux et de financement du terrorisme et par là même, identifier plus facilement les activités illégales », selon le Groupe d’action financière (GAFI), rapport publié en 2021.
L’ACPR propose la mutualisation des données bancaires pour lutter contre les transactions suspectes
L’ACPR propose d’expérimenter les méthodes collaboratives et la mutualisation des données pour lutter contre le blanchiment des capitaux et les transactions suspectes. En effet, l’objectif de l’ACPR est de booster la réflexion de place sur les applications de l’IA dans le domaine de la LCB-FT. L’expérimentation permettra de tester des applications de mutualisation de données, d’analyser l’amélioration des algorithmes de détection, en vue de réduire le nombre de fausses alertes et d’augmenter ainsi l’efficacité de la lutte contre le blanchiment.
5. Analyser le sentiment des investisseurs pour les traders
Autre cas d’usage pour le big data : le trading et la gestion de fortune. Mesurer le « sentiment » des investisseurs est crucial dans cet univers. Il est vital de « sentir » le marché et le sentiment des participants pour prendre position sur les prix.
Turbo 24 – l’outil actif 24h/24
L’outil Turbo24 lancé en 2022 par le broker britannique IG, est doté de plusieurs caractéristiques inédites, dont sa capacité à rester actif sur les places de marché jour et nuit, sept jours sur sept. L’outil de trading dispose d’un effet de levier. A la différence des Turbos proposés par la Société générale, BNP Parisbas ou Barclays, le Turbo24 prend en compte les cotations 24 h/24. Sa valeur ajoutée est un champ d’actions supplémentaires notamment sur le marché des indices, des cryptomonnaies ou des matières premières.
Avec l’aide du widget Admiral Markets Sentiment, il est possible d’étudier les relations entre des positions court et long terme détenues par d’autres participants d’un marché financier.
Avec de telles données, un investisseur est capable de disposer d’une bonne vision de l’état d’esprit d’un marché donné.
Un tel widget fonctionne de façon assez simple. Un broker agrège ses propres données, à partir des positions que ses propres traders ont prises. A partir de là, le broker présente ses données sous forme de graphiques. Chaque actif peut alors être comparé avec la synthèse de ces graphiques, il est possible d’en déduire la « croyance » à un instant des investisseurs.
6. Prêter en peer-to-peer
Lending fait du peer to peer sur Facebook
En Corée, un cas d’usage intéressant est celui de Lending. Le prêt collaboratif (« peer to peer lending » en anglais) est une forme de crédit entre particuliers organisée par des plateformes sur Internet. L’entreprise fait du crédit en peer-to-peer en utilisant des modèles de scoring de crédit basés sur les informations Facebook des emprunteurs autant que leur comportement issu de différentes sources afin de donner une note concernant leur capacité à rembourser le crédit. Les prêteurs ne sont pas des banques, mais des particuliers.
Le domaine du crédit peer-to-peer est en très forte croissance, en témoigne l’exemple de Lending Club qui a déjà diversifié son offre, en permettant par exemple aux banques d’investir à leur tour dans des prêts peer-to-peer, ou en s’adressant aux entreprises pour proposer du prêt entre salariés. Google se dit même intéressé par le projet. Lending Club, qui permet d’obtenir des taux d’intérêt plus bas que le marché, se rémunère sur les transactions des commissions à hauteur de 5 %.
A retenir :
On le voit, la finance et la banque sont des secteurs de plus en plus utilisateurs de big data. Les use cases y sont légion. Et cela ne fait que commencer. L’inventivité dans cet univers est au fond nourrie par deux facteurs-clés :
- le marketing, la concurrence et le besoin de renouveler l’expérience client
- les startups qui agissent comme des aiguillons face aux institutions en place.
