Les analystes financiers exercent des fonctions fortement quantitatives et orientées données. Dans une enquête McKinsey, 87 % des répondants affirment être confrontés, ou le seront d’ici 5 ans, à des pénuries de compétences, et 43 % d’entre eux estiment que les plus grands manques concernent les métiers de la donnée. Ces rôles prennent une importance croissante en finance, puisque Gartner prévoit qu’en 2021 plus de 80 % des organisations de services financiers intensifieront leur recours à l’analytique avancée.
Les équipes Finance ont tout intérêt à se former aux outils de données « modernes » comme R, Python et SQL, ainsi qu’à la business intelligence, pour révéler des insights jusque-là invisibles. En plus de générer de la valeur, offrir aux analystes l’opportunité d’acquérir de nouvelles compétences en data est très attractif pour les candidats, selon 64 % des participants à une étude Robert Half.
Dans cet article, nous présentons 4 cas d’usage de la data science que les analystes financiers peuvent adopter dès aujourd’hui pour enrichir leur expertise métier.
Quatre façons pour les analystes financiers de démarrer avec les compétences data
Analyser rapidement les données et communiquer les insights
La capacité à analyser et à extraire des enseignements des données financières est au cœur du rôle d’un analyste financier. En complément de leur maîtrise d’Excel, ils peuvent rendre leurs analyses plus efficaces grâce à des outils comme SQL, associés aux solutions de BI et aux langages open source tels que R et Python.
Ces outils sont particulièrement utiles pour traiter de grands volumes de données. SQL est un langage permettant d’interroger et d’organiser des données dans des bases. Il offre la possibilité d’extraire uniquement les informations pertinentes, ce qui accélère les chaînes d’analyse. Par exemple, si un analyste construit un modèle de prévision des flux de trésorerie pour un service donné, il peut filtrer la base, qui contient l’ensemble des flux de l’organisation, afin de ne récupérer que ceux du service visé. Accéder rapidement aux seules données nécessaires rend les workflows nettement plus efficaces.
Une fois les données collectées, SQL permet aussi de produire rapidement des insights via des statistiques descriptives. Par exemple, la moyenne et l’écart-type des flux mensuels peuvent être calculés en un instant grâce aux agrégations groupées en SQL.
Communiquer les enseignements aux parties prenantes est essentiel pour créer de la valeur. Découvrir comment améliorer les flux de trésorerie n’a d’impact que si ces conclusions sont présentées de façon claire et mobilisatrice auprès des décideurs. Ces insights peuvent être mis en scène avec précision via des outils de BI (comme Power BI et Tableau) ou avec des bibliothèques open source en Python et R telles que Dash et Shiny. Ces outils permettent d’exposer rapidement les résultats via des tableaux de bord interactifs.
Prendre de meilleures décisions grâce à la prévision de séries temporelles
Un autre cas d’usage clé de la data science pour les analystes financiers consiste à analyser des séries temporelles. Produire des prévisions fiables fait partie de leurs missions courantes : anticiper l’évolution d’un cours boursier, le churn client, les flux de trésorerie ou la valeur vie client. Pour éclairer la décision, ces prédictions doivent être robustes et précises.
Les données historiques peuvent être mises à profit pour obtenir des prévisions plus réalistes et plus sûres. La saisonnalité est déterminante dans de nombreux exercices de prévision. Au fil de l’année, l’activité fluctue, d’autant plus lorsque des événements perturbateurs comme la covid-19 impactent l’organisation. Comprendre ces variations saisonnières améliore nettement la qualité des projections. De nombreux outils open source en R et en Python facilitent l’analyse de séries temporelles et offrent une approche plus dynamique des tâches de prévision.
Automatiser les processus métier grâce à la programmation
La programmation permet, dans tout domaine, d’automatiser les tâches répétitives. Des scripts en R ou en Python peuvent exécuter quotidiennement des opérations récurrentes pour faire gagner du temps aux analystes et leur laisser se concentrer sur des activités à plus forte valeur.
Parmi ces tâches répétées : établir chaque jour la liste des meilleures performances boursières d’un secteur donné. L’analyste peut créer un script qui s’exécute chaque soir après la clôture des marchés. Ce script va récupérer les données requises via l’API data de l’organisation, utiliser les structures de données Python et des outils comme les DataFrames de pandas et un Jupyter notebook pour nettoyer efficacement ces données (afin de les rendre plus simples à exploiter), puis générer un fichier Excel au format utilisé auparavant lors de la saisie manuelle.
Le lendemain matin, l’analyste peut démarrer directement les tâches suivantes, par exemple la rédaction d’un rapport. En quelques semaines, le volume de travail accompli grâce à l’automatisation de ce tableur quotidien devient significatif.
Prédire les résultats avec le machine learning
Le machine learning joue un rôle central dans l’analyse financière. L’apprentissage supervisé comme non supervisé peuvent tous deux être mobilisés en finance pour optimiser l’efficacité de tâches telles que l’analyse documentaire et la numérisation de documents papier.
Les applications de l’apprentissage supervisé (entraîner des modèles avec des étiquettes « correctes » afin qu’ils réalisent ensuite la tâche sans étiquettes) sont nombreuses : conversion de documents physiques en formats numériques, détection de fraude, gestion optimale de portefeuille, prévision de cours boursiers, etc. Toutes ces tâches exigent une grande précision. Les analystes peuvent tirer parti du machine learning et des volumes massifs de données à leur disposition pour les exécuter plus efficacement. D’autres applications du machine learning en finance sont présentées ici.
L’apprentissage non supervisé (entraîner des modèles sans étiquettes « correctes » prédéfinies) peut également être mis à contribution. Par exemple, un modèle peut organiser automatiquement les documents nouvellement numérisés dans une arborescence adéquate pour en faciliter l’accès.
En confiant à ces modèles le traitement et l’analyse documentaire de base, un analyste libère du temps pour produire des insights actionnables à partir d’une masse de données souvent sous-exploitée faute d’accessibilité.
La montée en compétences, une nécessité pour aller de l’avant
À mesure que la data science s’intègre au secteur financier, la seule voie pour les analystes financiers qui veulent rester performants et exprimer pleinement leur valeur au sein de leur organisation est d’acquérir des compétences en données. Comme on l’a vu dans les quatre cas d’usage précédents, la data science améliore fortement la productivité et la qualité du travail via l’automatisation, la structuration et la visualisation des données.
Une enquête récente indique que 90 % des entreprises financières prévoient d’accroître leur consommation de données dans l’année à venir et que 52 % d’entre elles considèrent l’analyse approfondie de ces données comme une priorité stratégique majeure. Compte tenu de la pénurie de talents data, la meilleure façon de répondre à ces attentes est d’investir dans la montée en compétences des analystes financiers.