EOS and other financial actors already use data to generate knowledge for the business. With prescriptive analytics, the use of data continues to develop and poses itself the question: What actions should be performed for a particular outcome?
Par quoi on commence ? « Big data » : un terme vague et important, mais peu d'entreprises sont en capacité de développer une approche judicieuse face à ces grands volumes de données.

Nouvelle dimension du traitement des données : pourquoi le secteur financier doit se mettre aux analyses prescriptives et aux jumeaux numériques.

L'établissement de prévisions à partir des valeurs moyennes, c'est du passé: aujourd'hui, les entreprises peuvent réaliser des simulations complexes pour leurs clients à partir de données en temps réel.

 

Tirer des enseignements de grandes quantités de données à des fins commerciales ? Rien de nouveau pour le secteur financier. Les modélisations et simulations existaient bien avant l'apparition du terme souvent employé à tort « big data ». Ce qui est nouveau, en revanche, c'est un changement profond qui trouve son expression dans les termes « analyses prescriptives » et « jumeaux numériques ». Cette tendance pourrait bien transformer des industries entières : l'analyse des données et la prise de décision convergent dans une certaine mesure, un phénomène impossible par le passé.

Le concept le plus clair est celui du « jumeau numérique », une idée empruntée à l'industrie manufacturière. Dans ce contexte, un jumeau numérique est une simulation informatique d'une pièce particulière ou d'une machine complète. Là encore, pas grand-chose de nouveau à première vue : depuis bien longtemps, les ingénieurs conçoivent des pièces sur ordinateur et vérifient, grâce à des calculs reposant sur les propriétés des matériaux, si la pièce convient à sa fonction prévue. Les données de définition sont alors réutilisées à l'envi pour créer plusieurs exemplaires.

Due to the large amount of data collected at companies, it is possible to create digital twins. This means that predictions can be made for each component on the basis of data. Even customers can be represented by digital twins.
Diversité des sources : il faut une grande quantité de données concernant la consommation et le comportement des personnes, qui les génèrent au quotidien, pour que les jumeaux numériques soient possibles.

Chaque exemplaire a sa propre simulation en temps réel

Ce qui diffère, dans le cas du « jumeau numérique », c'est que pour chaque exemplaire, une copie du plan de construction est créée et alimentée en continu par des données : où la pièce va-t-elle être utilisée, quelles sont les conditions environnementales, à quelles sollicitations sera-t-elle soumise ? De cette manière, les ingénieurs peuvent calculer à l'avance le comportement et la résistance aux sollicitations de chaque pièce et sur toute sa durée de vie. Il ne s'agit pas là du calcul d'une moyenne, mais bien d'un calcul exact pour chaque exemplaire, avec son histoire particulière et mise à jour constamment.

Les données surveillées en temps réel sont transmises par des capteurs connectés dans les machines et les pièces, de plus en plus courants dans l'industrie : il s'agit du célèbre Internet des objets. Selon une étude de l'entreprise d'études de marché Gartner, d'ici 2021, la moitié des grandes entreprises industrielles aura recours à la technologie du jumeau.

Les clients aussi peuvent avoir leur propre jumeau numérique

Les personnes aussi sont de plus en plus suivies par des capteurs et produisent des données de comportement et de consommation. Cela rend possible l'utilisation de jumeaux numériques dans le secteur financier. Par exemple, vous pouvez simuler les décisions des vrais clients de votre banque. Le résultat est bien plus exact que le calcul de moyennes. Dans ce cas, le jumeau numérique est créé, à partir de données sociodémographiques, financières et médicales, ainsi que d'enseignements tirés de la recherche comportementale. S'ajoutent à cela les données de l'entreprise. L'arrivée en continu de nouvelles connaissances au sujet des habitudes de dépense et d'épargne du client permet d'alimenter en informations son double virtuel en permanence. Ce dernier peut alors par exemple concevoir une stratégie d'épargne et d'investissement pour le client, à condition que celui-ci ait donné son consentement pour le traitement nécessaire de ses données, dans le cadre des règlementations.

Prédire les conséquences de ses actions grâce aux données

Formuler des recommandations d'action à partir d'analyses de données: tel est le postulat du concept de l'« analyse prescriptive ». À l'oreille, cette expression ressemble à l'« analyse prédictive », largement popularisée par Amazon: à partir de sa base de données, le géant de l'e-commerce calcule en permanence quelle est la probabilité que telle ou telle personne achète tel ou tel produit, à tel endroit et à tel moment, et oriente le flux de ses marchandises en fonction. L'analyse prescriptive, elle, va encore plus loin: les ordinateurs calculent à partir de données actuelles plusieurs possibilités d'actions, développent une simulation de ces options, étudient les conséquences des différents scénarios, puis formulent une recommandation d'action.

Par exemple, l'entreprise de livraison de colis UPS a placé des capteurs sur ses camions pour en suivre la position et connaître les conditions de circulation. Grâce à ces informations, l'entreprise optimise l'itinéraire des livreurs. Juan Perez, directeur des technologies de l'information chez UPS, explique: « Si nous parvenons à raccourcir le trajet de chaque conducteur d'un mile par jour, rien qu'aux États-Unis, nous économiserons en un an 50 millions de dollars. »
Copyrights: Getty Images