Enseignements clés d'Expert Talks avec Jason Mikula : « Suivre l'évolution du paysage des données »

J'étais accompagné d'experts du secteur : Jonathan Gurwitz, responsable crédit chez Plaid, Manpreet Dhot, Chief Risk Officer chez Pipe, ainsi que le conseiller et consultant indépendant Kevin Moss, qui a occupé par le passé des fonctions liées au risque et au crédit chez SoFi et Wells Fargo.

Si je devais résumer la discussion en un seul grand thème, ce serait que le rythme du changement auquel les organisations font face aujourd'hui n'a jamais été aussi rapide. L'époque d'une stratégie de données que l'on met en place puis que l'on oublie, quel que soit le cas d'usage, est bel et bien révolue. Et même si notre échange ne portait pas principalement sur l'intelligence artificielle, les opportunités qu'offre l'IA pour gagner en efficacité grâce à l'automatisation et pour donner du sens aux données non structurées sont évidentes. En contrepartie, l'IA comporte des risques, notamment en matière d'explicabilité et de biais, et, entre de mauvaises mains, elle risque d'accroître la menace d'escroqueries et de fraudes à laquelle les organisations financières sont exposées.

Voici quelques-uns des principaux enseignements de notre discussion :

1. Les sources de données historiques présentent des limites structurelles

Toute personne ayant travaillé dans le crédit à la consommation aux États-Unis connaît parfaitement les grands bureaux de crédit : Equifax, Experian et TransUnion. Ces bureaux, également appelés agences d'évaluation du crédit (CRA), constituent de riches sources de données structurées sur la façon dont les consommateurs honorent leurs dettes.

Cependant, les données des CRA ont leurs limites. Elles sont, par définition, rétrospectives : elles ne reflètent que le comportement passé des consommateurs. De plus, il s'agit d'un indicateur retardé : les créanciers transmettent généralement leurs données chaque mois ; si un consommateur rencontre des difficultés financières, comme la perte d'un emploi, cela peut donc ne pas apparaître immédiatement dans les dossiers des bureaux. Les données des CRA ne donnent pas non plus une vue complète du bilan d'un consommateur : elles montrent uniquement ce qu'il doit, sans informations sur ses revenus ou ses actifs, pourtant souvent essentiels à l'octroi de crédit. Enfin, elles peuvent passer à côté de certaines dettes, comme les prêts sur salaire (payday loans) ou les prêts sur titre de propriété (title loans), ainsi que de mécanismes de financement plus récents, comme les paiements fractionnés (buy now, pay later) ou les avances de trésorerie.

2. Les données transactionnelles complètent très bien les données traditionnelles des bureaux de crédit

Les données de transactions bancaires partagées avec le consentement du consommateur peuvent compléter les données traditionnelles des bureaux et répondre à certains de ces défis. Par exemple, les consommateurs qui découvrent le crédit peuvent avoir un dossier « mince » (thin file) ou « inexistant » (no file) auprès des bureaux, ce qui rend difficile de les évaluer avec précision. Les données de transactions bancaires offrent une autre fenêtre sur la manière dont les consommateurs gèrent leurs finances, ainsi qu'un moyen d'évaluer leur solvabilité. En réalité, elles peuvent renseigner sur la solvabilité d'un demandeur d'une manière que les données traditionnelles des bureaux ne permettent pas. Par exemple, les paiements fractionnés ou les avances de trésorerie via des applications, qui n'apparaissent généralement pas dans les données des bureaux, apparaissent bel et bien dans les données de transactions bancaires des consommateurs.

Les données issues de l'open banking peuvent également aider les prêteurs à améliorer leur expérience utilisateur en réduisant les frictions à des moments clés du parcours de conversion. Au lieu de méthodes dépassées, comme les micro-transactions, les chèques annulés pour vérifier un compte bancaire, ou la demande de bulletins de paie ou de formulaires fiscaux pour vérifier les revenus, les consommateurs peuvent autoriser en toute sécurité le partage de données directement depuis leur compte bancaire ou leur prestataire de paie. Cette approche est plus fluide et plus précise pour répondre à ces exigences.

3. Des objectifs clairs sont indispensables pour identifier et évaluer de nouvelles sources de données

Face à une liste apparemment infinie de nouveaux fournisseurs de données brutes et de données prêtes à l'emploi, de nombreuses organisations peinent à identifier, intégrer et évaluer de nouvelles sources de données. La première étape devrait consister à définir le problème ou le défi que la source de données est censée aider à résoudre, et à construire un business case autour de ce cas d'usage. Définir une hypothèse et aborder un nouveau fournisseur de données avec une logique de « test and learn » permet de préciser ce que signifie le succès pour un cas d'usage donné.

Réaliser une preuve de concept en évaluant un échantillon des données d'un fournisseur dans un environnement sandbox ou hors production peut aider les organisations à mieux comprendre si une source de données convient à leur cas d'usage. La preuve de concept doit être conçue pour reproduire autant que possible l'environnement de production réel, et ses résultats doivent être comparés aux hypothèses et aux objectifs du business case.

Surtout lorsqu'une source de données fournit des données déjà traitées, comme des variables préconstruites, comprendre l'origine et la fiabilité des données sous-jacentes est essentiel pour pouvoir fournir les explications exigées par la loi si des demandeurs sont refusés sur la base de ces sources.

Les considérations techniques peuvent aussi constituer une contrainte pour intégrer et évaluer de nouvelles sources de données. Il convient de cartographier à l'avance l'infrastructure technique déjà en place ou nécessaire, ainsi que les ressources produit et ingénierie requises pour intégrer et exploiter une nouvelle source de données.

4. Surmonter les défis d'intégration exige une planification stratégique

La manière dont l'intégration d'une source de données influe sur le parcours client est un élément clé pour évaluer son impact global sur le taux de conversion et la rentabilité. Par exemple, lors de l'intégration et de la récupération des données traditionnelles des bureaux de crédit, il existe diverses approches quant à la quantité et au type d'informations à collecter auprès de l'utilisateur pour accéder à ces données. Plus il y a de champs à remplir (et plus les données sont sensibles), plus les utilisateurs risquent d'abandonner. D'autres types d'intégrations de données, comme l'open banking, peuvent avoir un impact plus important sur l'expérience et le parcours de l'utilisateur. En règle générale, dans les intégrations d'open banking, les utilisateurs doivent suivre une série d'étapes pour autoriser explicitement l'accès à leur compte et à des types de données précis. Si l'avantage est le pouvoir explicatif supplémentaire des données partagées par les utilisateurs, le taux de conversion peut en pâtir.

Le risque juridique et réglementaire est également un élément clé pour évaluer et intégrer de nouveaux fournisseurs de données. Dans le domaine du crédit à la consommation aux États-Unis, des lois comme le Fair Credit Reporting Act (FCRA) et l'Equal Credit Opportunity Act (ECOA), ainsi que leurs réglementations d'application, déterminent les types de données que les prêteurs peuvent utiliser et confèrent certains droits aux consommateurs. L'ECOA interdit toute discrimination illégale à l'encontre de certaines catégories protégées, y compris celle résultant d'un impact disproportionné (disparate impact). Les tiers externes, dont les fournisseurs de données, doivent être correctement supervisés et gérés dans le cadre d'un processus appelé gestion des risques liés aux tiers (third-party risk management), un domaine auquel les régulateurs financiers accordent une attention croissante ces derniers temps.

La sécurité de l'information et la confidentialité des données sont également des points clés lors de l'intégration de nouvelles sources de données. Selon la source et le type de données, les organisations peuvent se heurter à des restrictions quant à leur capacité à conserver ou à utiliser ces données. Par exemple, la règle 1033 récemment finalisée aux États-Unis, qui encadre l'open banking dans le pays, impose des restrictions sur l'« utilisation secondaire » des données de transactions partagées avec l'autorisation du consommateur, oblige les destinataires de données à obtenir chaque année l'autorisation des utilisateurs pour continuer à accéder à ces données, et peut contraindre les organisations à supprimer les données des utilisateurs s'ils révoquent leur autorisation.

5. Une infrastructure flexible est cruciale dans un environnement en évolution rapide

Chaque entreprise, financière ou non, a ses propres besoins et défis. Mais toutes sont confrontées à un défi commun : le changement. Qu'il s'agisse de sources de données nouvelles et changeantes, de comportements clients inédits ou inhabituels, ou d'un environnement juridique et réglementaire en mutation, la capacité des organisations à s'adapter rapidement et efficacement aux évolutions de leur environnement déterminera les « gagnants » et les « perdants ».

Disposer de la bonne infrastructure technologique, qui donne aux organisations l'agilité nécessaire pour traverser plus efficacement les changements de leur environnement, n'est pas seulement un « plus », mais une nécessité absolue dans le nouveau monde d'aujourd'hui, en perpétuel changement.