David Cassonnet (ActiveViam) : “Les banques ont besoin d’intégrer leurs objectifs réglementaires à leurs outils de gestion du risque de crédit”

Quelles solutions propose ActiveViam ? 

Historiquement, ActiveViam s’est spécialisé dans la construction d’outils de gestion du risque. Au fil du temps, nous avons ouvert ce champ à celui de la data science. Dans le secteur financier, nos solutions sont notamment utilisées par les analystes risques. Société Générale, par exemple, utilise nos logiciels pour gérer le risque de liquidité. Chaque jour, le groupe demande à ses analystes de définir de nouveaux scénarios, avec la granularité la plus fine possible. Cela les oblige à gérer des volumes considérables de données très volatiles, puisqu’il s’agit d’un contexte de marché. Pour réaliser ce type de missions en quelques heures, des infrastructures et des outils robustes sont indispensables. C’est ce sur quoi nous travaillons depuis 15 ans.  

Qu’est-ce que la crise de la Covid-19  a modifié dans les pratiques d’analyse de risque des banques ? 

Cette crise soulève une nouvelle problématique de gestion du risque de crédit, qui met les analystes sous pression. Elle  donne un coup de vieux à certains outils de reporting et un caractère urgent à des pratiques qui étaient jusqu’ici étalées dans le temps. Pour répondre à cette problématique, les banques, qui utilisaient déjà nos solutions pour du calcul de risques de liquidité par exemple, cherchent à adapter cet usage à la surveillance du risque de crédit.

Non seulement les banques font pivoter l’usage de vos logiciels, mais elles cherchent aussi à ajouter les logiques de conformité à leur calcul de risque.

Oui, car la norme IFRS 9 [norme de comptabilisation des instruments financiers, d’application obligatoire depuis janvier 2018, ndlr] a bouleversé les pratiques en modifiant la dynamique de reconnaissance de la provision que les banques doivent réaliser. Auparavant, le volume de défauts sur les engagements, les prêts à la consommation, les prêts immobiliers, etc. était constaté sur l’exercice annuel, puis une provision correspondante était comptabilisée pour l’année suivante. Avec la norme IFRS 9, la banque doit reconnaître la provision correspondante au moment de la contraction du crédit. En fonction du profil de crédit de l’emprunteur, de la qualité du crédit et d’autres paramètres, elle déterminera une probabilité de défaut. Cette obligation de calculer la provision à l’instant t a une incidence directe sur les comptes de l’institution bancaire. 

Sauf que lorsque le coronavirus provoque des difficultés économiques, cela influe sur la qualité des crédits déjà accordés. 

Exactement. Une crise sanitaire telle que celle que nous traversons peut entraîner des pertes d’emploi, une insécurité financière, avec des retards de paiement à la clé. La banque a non seulement besoin d’identifier ce risque rapidement, mais aussi d’estimer si un brusque changement d’attitude du débiteur est une situation qu’il est possible de résoudre, en négociant un rééchelonnement des échéances par exemple. C’est ce qu’elle essaie de faire en général, car autrement, le risque passera au niveau supérieur [il existe trois niveaux de risque de crédit, nommés bucket 1 à 3, qui impliquent des précautions différentes, ndlr] et la banque devra provisionner beaucoup plus. 

Qu’est ce que l’incertitude provoquée par la COVID a donc provoqué en pratique, d’un point de vue technique, en matière de gestion de ces problématiques de conformité ?

Pour conduire cette évaluation et distinguer une augmentation de risque de crédit circonstancielle, qu’il est possible de contenir, des risques véritablement dangereux, les analystes ont besoin de modéliser les évolutions de comportement. Ils cherchent à déterminer si ce qui s’est passé chez l’individu à risque de se répéter chez l’individu B ou l’entreprise C, pour pouvoir ensuite aider à prévenir la re-qualification du risque de crédit du niveau 1 au niveau 2. Pour y parvenir, il leur faut des outils précis, capables de réaliser ce type d’analyse quotidiennement, sur des volumes très importants de données. Nous comptons parmi nos clients l’un des principaux organismes de crédit à la consommation, par exemple, qui regroupe environ 100 millions de clients. En multipliant cela par le nombre de crédits de chaque client, et par les 12 mois de l’année, vous obtenez facilement 1 500 millions de lignes, voire plus. Or ce qui intéresse les analystes, ce ne sont pas les pertes de crédit attendues (expected credit loss ou ECL) au jour J, mais leur évolution dans le temps. Il faut donc être capable de mesurer la progression de cet indicateur. 

Comment avez-vous répondu à ce besoin ? 

Nous avons utilisé nos connaissances en matière d’analyse de risques financiers pour traiter ce cas d’usage d’IFRS 9. Nous avons rapidement constaté que nos clients rencontraient jusque-là un problème de volumétrie et de granularité de la donnée. Ils arrivaient à produire des simulations à l’échelle de la région ou de l’agence, par exemple, mais pas de leur clientèle précise. Nous avons travaillé à rendre cela possible, à permettre de réaliser des simulations qui répondent à divers scénarios. Que se passerait-il en cas de re-confinement à Bordeaux, par exemple ? À Barcelone ? Quel serait son impact s’il dure une semaine, deux semaines ou davantage ? Nos clients nous demandent de pouvoir simuler le passage du niveau 1 au niveau 2 de l’IFRS 9, de modéliser le passage de X% de créditeur en défaut, de déterminer l’impact sur l’ECL, etc. 

Apportez-vous une partie de la donnée utilisée pour ces simulations ? 

Non, c’est le client qui fournit la donnée et nous nous contentons de mettre à disposition les outils qui permettent de l’atteindre. C’est pourquoi nous devons travailler avec des data scientist agiles, car c’est à eux que l’on demandera d’ajouter tel ou tel bloc de données. L’univers des analystes crédit est d’ailleurs en pleine évolution, puisqu’ils doivent intégrer de nouvelles sources de données. 

Comment répondez-vous à la problématique récurrente de données structurées en silo ? 

Une banque anglaise nous a demandé de l’aider dans la détection anticipée de son risque de crédit. C’est une grande société, avec de multiples départements qui ne communiquent pas forcément, et l’accès à la donnée est réparti dans plusieurs systèmes différents. Si le client final a un souci de carte de crédit, il est possible que l’information ait des répercussions sur le département mortgage ou consumer finance quelques semaines plus tard. Mais faute d’un système uniformisé, l’anomalie n’est pas partagée dès le moment où le département chargé des paiements en prend connaissance. Pour résoudre cette problématique, nous développons une plateforme analytique qui se place au-dessus des silos de données. 

Les évolutions d’usage de vos outils constatées pendant la crise de la Covid sont-elles vouées à se pérenniser ? 

Nous observons de nouvelles manières de gérer le risque dans les banques. Nos clients veulent pouvoir détecter les anomalies plus rapidement, déterminer des scénarios de crise, effectuer des simulations… Tout cela existait auparavant, mais demandait beaucoup de temps et des bataillons de développeurs et d’analystes. Aujourd’hui, il faut des solutions rapides et précises. C’est pourquoi nous avons introduit de la data-visualisation et la possibilité de faire du travail collaboratif dans notre plateforme analytique. Nous voulons aussi concevoir des outils permettant, par exemple, d’injecter de nouvelles sources de données très simplement, à partir d’un simple langage python, pour pouvoir en mesurer l’impact en temps réel. Ce type d’outil permettra à terme d’économiser de longues heures de travail sur des tableaux Excel et laissera à l’analyste le temps de faire de la prospective. 

Y a-t-il des cas d’usage que vous voyez évoluer beaucoup plus vite que prévu sous l’effet de la crise provoquée par le coronavirus ? 

 La Banque centrale européenne a demandé à une centaine d’établissements de mener une analyse d’impact sur leurs dépôts. Les banques avaient les outils pour répondre à cet exercice, ainsi que des plateformes pour estimer leurs risques réglementaires, mais elles n’avaient pas envisagé qu’on leur demande de calculer les indicateurs réglementaires en phase de stress. À l’époque, des banques nous avaient sollicité pour qu’on les aide à gérer leurs différents systèmes. Mais désormais, la tendance est à l’unification des outils de gestion opérationnelle et réglementaire. Nous ne sommes qu’aux débuts d’une refonte de ces infrastructures, qui va concerner tous les organismes de prêts, qu’il s’agisse d’un établissement traditionnel ou d’une captive de financement.