En réponse aux nombreuses contraintes des banques et institutions financières, Scaled Risk apporte une panoplie de solutions fondée sur une exploitation rapide et flexible de grands volumes de données en temps réel. La plateforme de Scaled Risk, basée sur l’exploitation du big data apporte aux métiers une rapidité et une agilité inédite à ce jour.
” L’objectif de Scaled Risk est de rapprocher la donnée de l’utilisateur métier. À la fois pour lui faciliter la vie, mais aussi afin qu’il soit indépendant de l’IT ” , explique Hervé Bonazzi, CEO de Scaled Risk.
Rapprocher le métier de la donnée, et ce quel que soit le volume à traiter. Scaled Risk a en effet dès sa création en 2012 compris le potentiel des technologies Big Data pour accompagner la transformation numérique des banques et places financières. Pour ce faire, la startup développe une plateforme de data management qui complémente le socle technologique Hadoop pour avoir un système transactionnel solide, scalable et flexible, et qui surtout apporte des capacités d’audit et de traçabilité des données. Des fonctions indispensables pour répondre aux contraintes réglementaires inhérentes au secteur de la finance.
Un lac de données pour analyser et tracer les données
À partir de cette plateforme, Scaled Risk permet de construire un lac de données issu d’une collecte multicanal. Au sein de ce lac de données, les modèles de données sont dynamiques, flexibles et surtout se ” versionnent “.
Grâce à une interface de modélisation simple, ces données pourront être exploitées selon de multiples cas d’usage comme l’explique Hervé Bonazzi, ” la force de notre plateforme est d’apporter une couche logique qui permet aux différents métiers de modéliser leurs données pour construire leurs calculs. Nous fournissons un moteur d’analyse à la demande, une sorte de “self-service de l’analytique”.
Avec cet outil, l’utilisateur métier à des outils simples pour manipuler ses données, les réconcilier et élaborer ses propres rapports et analytiques. De là, les opérateurs pourront selon leur métier, réaliser de l’analyse de risque, élaborer leur P & L, répondre rapidement au reporting réglementaire, analyser les comportements clients entre autres usages possibles. Le reporting réglementaire est un bon exemple pour Hervé Bonazzi. Ces reportings sont de plus en plus fréquents et exhaustifs et nécessitent donc plus de données. En consolidant les données dans un lac de données et en l’interrogeant avec le même outil, on gagne en rapidité par rapport à des requêtes sur de nombreuses bases de données.
“Avec ce système, la banque peut avoir un historique très profond sur lequel nous faisons travailler des algorithmes de classification et de machine learning (voir plus bas), ce qui permet par exemple de détecter des comportements sur des modèles de fraude ou de comportement client (type investisseur) grâce à la détection de signaux. C’est cette logique de stockage et d’agilité de la plateforme qui donne la flexibilité nécessaire à l’institution financière.”
Le cloud comme garant de l’agilité
De fait, les banques sont en quête de cette flexibilité et d’agilité pour affronter la transformation numérique et résister aux Fintechs plus agiles et au modèle d’affaires affuté. Sur ce dernier point, le modèle SaaS de Scaled Risk (hébergé de manière sécurisée et privée par Cloud Temple) a été créé dès l’origine pour s’adapter aux cas d’usages et offrir l’élasticité nécessaire à la transformation numérique.
Pour Hervé Bonazzi, “l’industrie bancaire doit opérer sa transformation digitale pour affronter les fintech qui arrivent avec de nouveaux modèles. A ce jour, de nombreux acteurs de la finance ont une relation très peu digitalisée et moderne avec le client. La règlementation Mifid II,impose et provoque cette digitalisation donc tous devront opérer leur transformation digitale et c’est là que nous nous positionnons”, conclut Hervé Bonazzi.
L’intelligence artificielle est celle du Data Scientist
Dans la panoplie d’usage de Scaled Risk, la lutte contre la fraude est un argument massue. “C’est un sujet fort. La conformité est un sujet essentiel car les banques sont soumises à des amendes pour avoir traité avec des contreparties interdites ou frauduleuses. Le régulateur est de plus en plus coercitif avec le blanchiment. L’utilisation du machine learning, avec un moteur événementiel en temps réel, permet de réduire les faux positifs en levant une alerte en cas de doute sur une interaction. A ce jour, les banques ont trop de faux positifs à traiter de manière humaine, pour réduire les faux positifs il faut apprendre à la machine à affiner ses algorithmes”.
Pour Hervé Bonazzi il n’y a pas de miracles ni d’intelligence artificielle supérieure. Pour être efficient, il faut apprendre en permanence à la machine. La véritable intelligence est à chercher du côté du data scientist et à sa capacité à adapter l’algorithme au métier. “Les algorithmes utilisés sont anciens. Mais aujourd’hui nous savons avoir la profondeur de données pour réaliser de la classification, détecter des apprentissages avec une boucle de retour qui affine les classifications en fonction des données injectées en retour. L’efficience de l’intelligence artificielle repose sur son adaptation à vos besoins et usages en fonction de vos inputs. Cette adaptation repose sur la capacité dynamique du système à tendre vers un point de convergence entre le bon compromis et la bonne limite. Ce qui l’amène à répondre au besoin du client”
Recensé par l’Usine Nouvelle, la solution SCALED RISK permet :
- de collecter en temps réel des données structurées et non structurées depuis des systèmes hétérogènes,
- d’organiser ces données dans un modèle flexible et évolutif,
- d’y accéder immédiatement grâce à un moteur de recherche intuitif,
- de construire des analytiques temps réel dans un cube OLAP temps réel, distribué et in-memory,
- de publier par API ou de visualiser ces données selon un nombre infini d’axes,
- de faire varier les axes temporels associés à la donnée,
- de comparer, republier, alerter avec des temps de réponses inférieures à la seconde,
- de produire des preuves d’audit à destination du régulateur.
Scaled Risk se déploie sur les infrastructures du client ou est accessible en SaaS, et est entièrement ouvert par API (REST, Java, Excel). Scaled Risk intègre le format FpML nativement.