Avec la crise sanitaire, les acteurs bancaires et gestionnaires d'actifs doivent repenser leurs modèles et l'évaluation des risques. Ils doivent intégrer de nouvelles données et utiliser des solutions d'IA et de Machine Learning pour mieux comprendre et anticiper les fluctuations du marché.
Les effets secondaires de la crise sanitaire sur les marchés financiers sont lourds. Ainsi, avec un arrêt total de certains secteurs d'activité, une baisse du PIB en 2020 de l'ordre de 8% à 10%, un manque de visibilité sur le moment et l'ampleur de la reprise économique, la volatilité des marchés financiers n'a jamais été aussi importante depuis la crise de 2008.
Aussi dans ce contexte inédit et mondial de crise sanitaire, il est bien difficile pour les gestionnaires d'actifs financiers et acteurs bancaires de juger de leurs actifs, d'évaluer la qualité crédit aussi bien des particuliers que des entreprises, et d'agir en conséquence sur leurs activités.
Croiser les données traditionnelles avec des données alternatives
Face à une telle situation, les acteurs bancaires et gestionnaires d'actifs financiers sont contraints de repenser leurs approches en déployant de nouvelles règles et en intégrant de nouvelles informations. Ainsi, aux données traditionnelles utilisées pour évaluer la santé financière des particuliers et des entreprises (résultats financiers, endettement, part de marché, présence internationale et diversification, référence, partenariat, concurrence, etc), ils doivent ajouter des données alternatives de type actualités, données de géolocalisation, images satellites, études, rapports ou encore articles scientifiques. Toutes ces données structurées ou non et traitées par des algorithmes d'IA, permettent alors de recueillir des perspectives différentes et plus immédiates sur la santé, les risques et le potentiel évolutif de chaque compte. Grâce à cette information, les gestionnaires d'actifs prennent de meilleures décisions sur les prêts consentis à des particuliers ou des entreprises et visualisent l'impact de leurs actions sur leurs portefeuilles.
Extraire de l'information des RSE d'entreprises grâce à l'IA
A l'heure où la Responsabilité Sociale et Environnementale (RSE) des entreprises prend de plus en plus d'ampleur dans nos sociétés, il devient crucial pour les acteurs bancaires et les gestionnaires d'actifs de prendre en compte ce type d'informations pour évaluer une entreprise et structurer leurs offres. Toutefois, l'essence même de la RSE est complexe, puisqu'elle recouvre des notions aussi diverses que l'impact de l'activité de l'entreprise sur la santé humaine, son respect à l'environnement, sa politique non discriminatoire envers les minorités, ou encore ses actions vertueuses envers la société. Variées dans leurs contenus et leurs formats, ces informations sont difficiles à recueillir et à exploiter. Là encore l'IA et le ML permettent d'extraire du sens dans une masse de données hétérogènes et sans corrélations évidentes. Grâce à ces données et ces outils, les gestionnaires d'actifs et les banques sont en mesure de structurer des produits plus respectueux de l'environnement et socialement responsable.
Dans le contexte actuel de pandémie et de dérèglement climatique, la reprise devra être responsable. La crise a montré que de nouveaux paradigmes sont possibles, et qu'infléchir la courbe des émissions CO2 est à notre portée avec le bon alignement des acteurs. Parmi eux les banques et asset managers ont un rôle clé à jouer, en intégrant le plus largement possibles ces considérations environnementales et de santé publique aussi bien dans la gestion de portefeuille que dans l'estimation des risques et le financement des entreprises. Un domaine qui ne pourra se faire efficacement sans exploitation du potentiel de l'IA à tout niveau.
L'IA requiert un temps d'appropriation par les gestionnaires d'actifs
L'IA n'est pas une solution magique : son intégration efficace dans les processus des institutions financières demande un temps d'amorce et d'être éprouvée. Cette courbe d'apprentissage doit être soutenue par une collaboration de tous les instants entre data scientists et experts bancaires, dans un objectif de co-construction et d'accélération.
La crise sanitaire révèle plus que jamais l'importance pour ces professionnels de s'appuyer sur l'IA. Grâce à elle, ils prennent de la distance par rapport aux données financières traditionnelles, gagnent en réactivité de modélisation, et sont en mesure de mieux appréhender l'incertitude économique ainsi que de saisir à bras le corps le défi du changement climatique. Ce qui en fait une nécessité pour affronter efficacement les années à venir