Comme plusieurs autres secteurs, la finance n’échappe pas à la déferlante du big data. Découvrez dans cet article la raison pour laquelle les milieux financiers adoptent progressivement la data science, discipline vers laquelle les diplômés du Marketing et Relations Internationales de l'ESGCI peuvent s'orienter.
Le point sur la data science
La data science ou science des données est le terme qui désigne l’extraction d’informations d’une masse de données. Essentiellement, elle repose sur les domaines d’expertise des statistiques et de la théorie de l’information. Par ailleurs, le big data repose sur trois facteurs : un flux important de données hétéroclites, une hausse des capacités de stockage et l’accroissement continu de la puissance de calcul. Lorsque ces données sont collectées, la question de leur utilisation ainsi que de leur valorisation se pose. C’est là qu’interviennent les data scientist.
Le défi de la data science
L’on remarque que le système éducatif a mis du temps à s’adapter à cette nouvelle demande. En effet, la plupart des data scientist ont un background d’ingénieurs des signaux, de statisticiens ou d’analystes quantitatifs. Sachez qu’un professionnel ayant suivi un parcours d’études en Marketing et Relations Internationales au sein de l’ESGCI peut s’investir dans les métiers de la finance quantitative et de la data science. En effet, les débouchés de cette filière sont nombreux et généralement, la diversité des compétences acquises avec la formation Marketing & Relations Internationales joue sur le niveau du salaire.
La data science inclut des « machine learning » ou méthodes d’apprentissage automatique. La grande nouveauté consiste à inclure des modélisations non linéaires. Leur utilisation nécessite beaucoup de calculs et l’augmentation de cette puissance de calcul explique le regain d’intérêt pour ces techniques.
L’adoption des méthodes en data science
L’adoption des méthodes de « machine learning » et des modélisations linéaires se fait en deux étapes. En effet, les deux utilisations de la data science sont l’inférence et la prédiction. L’inférence consiste à expliquer le passé pour comprendre un phénomène représenté par une variable. La prédiction, pour sa part, consiste à prédire cette variable. Le fait est que les modèles inférentiels sont peu fiables en prédiction. Inversement, la compréhension de la valeur prédite pour la variable s’avère difficile. Il convient ainsi de s’approprier les données en commençant par travailler l’inférence, puis d’étudier la prédiction dans un second temps.
L’on constate un degré d’appropriation de la data science très hétérogène auprès des acteurs financiers. En effet, la prudence est de mise en raison de la forte règlementation imposée aux milieux financiers. Les entreprises américaines sont les premières à s’intéresser à ces nouvelles méthodes. Les assureurs dont le business model repose sur la modélisation des risques et les banques de détail pour qui le marketing et le CRM sont primordiaux ont suivi le mouvement. Bien que l’intérêt soit présent, le déploiement de la data base dans le milieu bancaire reste limité. Les marchés financiers, pour leur part, restent dubitatifs.
