Comment les institutions financières peuvent gérer la surcharge de données non structurées

  • Français


  • Comment les institutions financières peuvent gérer la surcharge de données non structurées

    Par Chandini Jain

    Les données non structurées, qu’il s’agisse de données brutes d’articles de presse et de rapports de recherche, ou d’images publiées sur les réseaux sociaux, connaissent une croissance exponentielle. En fait, on prévoit que plus de 80% de toutes les nouvelles données sont produites dans un format non structuré, mais que moins de 1% de toutes les données non structurées sont analysées ou utilisées de quelque manière que ce soit.

    Cette surcharge de données non structurées devient un problème croissant pour les institutions financières. Face à tant de données entrantes sous différentes formes, de nombreuses organisations ne savent tout simplement pas par où commencer pour les transformer en informations utiles et exploitables.

    De toute évidence, le potentiel de prise de décision est gaspillé en raison de la surcharge de données. Il n’est donc pas surprenant que les acteurs des institutions financières comptent de plus en plus sur l’IA pour les aider à prendre des décisions avec des données non structurées.

    Les nouveaux outils basés sur l’IA peuvent agréger, interroger, analyser et exploiter des données non structurées pour dévoiler des informations approfondies en un temps record. Voyons comment ces outils apportent de la valeur et aident les institutions financières à transformer des tas de données non structurées en pouvoir décisionnel.

    Extraire des informations significatives

    Les nouvelles solutions d’analyse de Big Data qui tirent parti de l’apprentissage automatique (ML) peuvent analyser les données pour identifier les informations importantes. Ces outils permettent aux institutions financières, en particulier aux sociétés de gestion d’investissement, de découvrir les informations commerciales cruciales qui se trouvent dans les données non structurées, leur donnant un avantage concurrentiel immédiat par rapport à leurs pairs qui ne tirent pas parti de l’IA de cette manière.

    Ces outils d’analyse peuvent découvrir de nouvelles informations sur le marché, permettant aux équipes de sociétés de gestion d’investissement d’acquérir une compréhension plus approfondie des entreprises et des industries, leur permettant de prendre de meilleures décisions d’investissement et de négociation.

    Par exemple, même après qu’une société de gestion de placements a réduit globalement le nombre d’articles de presse nécessaires à examiner, il peut encore y avoir des milliers de textes à lire au cours d’un mois. L’ajout d’une solution ML ici aiderait le gestionnaire de portefeuille à identifier les histoires les plus pertinentes en fonction de la langue et de la formulation nuancée du texte. Cela donnerait à chaque article une note pertinente et épargnerait au PM les heures innombrables qu’il aurait autrement passées à lire les articles.

    En fait, HSBC a récemment lancé un «premier mondial» indice d’investissement basé sur l’IA, qui parcourt les données non structurées provenant de sources telles que les tweets, les images satellite, les articles de presse ou les états financiers. Cet outil compatible ML permet aux analystes d’obtenir des informations sur le marché des milliers de fois plus rapidement et avec une portée plus large que lors de l’utilisation des méthodes manuelles précédentes.

    Effectuer une analyse des sentiments

    Un algorithme ML qui traite des données non structurées peut également effectuer une analyse des sentiments pour comprendre le consensus des médias sur un sujet. Ce processus est plus intelligent que les méthodes traditionnelles, qui comptent simplement l’occurrence de certains mots (par exemple «grand», «horrible» ou «désastre»), au lieu de cela, ils peuvent expliquer le contexte et les synonymes, et extraire le sens le plus probable du texte . Ceci est particulièrement important dans le secteur financier, où les mots ont des significations uniques. Par exemple, le mot «vice» peut généralement avoir des connotations négatives, mais en finance, l’utilisation de «vice» est probablement neutre car il fait référence à un «vice-président» ou à un poste similaire.

    Dans une étude de cas, JP Morgan a exploité les technologies de traitement du langage naturel pour classer la langue dans des milliers de rapports écrits et dresser une vue d’ensemble des investissements. JP Morgan Research a testé son algorithme (formé sur 250 000 rapports d’analystes) sur plus de 100 000 articles de presse pertinents pour les marchés boursiers mondiaux dans le but d’orienter les prochaines décisions d’investissement en actions. Le classificateur a conduit à des résultats solides et à une surperformance des indices de référence.

    Lorsque ces modèles sont exécutés sur un vaste corpus d’actualités concernant une seule entreprise ou un seul sujet, ils sont capables de créer une description qualitative des différents aspects du ton des écrivains. Par exemple, un algorithme peut vous dire à quel point les articles sont globalement positifs ou négatifs et à quel point des articles spécifiques sont positifs en comparaison.

    Par exemple, disons que le PDG d’une entreprise a donné une interview sur une nouvelle annonce d’entreprise. Une solution de ML pourrait déterminer si le sentiment des commentaires du PDG est plus positif ou négatif que l’année précédente, ou s’il se sent confiant ou non.

    Ceci est particulièrement utile pour les sociétés de gestion de placements. L’outil d’analyse du sentiment ne serait pas seulement détecté lorsque l’une des sociétés de son portefeuille est dans l’actualité, mais il révélerait également le sentiment des histoires. Si l’entreprise obtient une couverture pour les mauvaises raisons, l’entreprise peut prendre des mesures rapides pour minimiser l’impact sur les investissements, par exemple en redimensionnant ses positions pour les avoirs concernés.

    Utiliser de cette manière des outils de traitement du langage naturel et d’analyse des sentiments est un moyen crucial pour les institutions financières de tirer de la valeur des montagnes de données accessibles au public auxquelles elles ont accès. En fait, les fonds quantitatifs qui exploitent des analyses avancées se sont avérés plus performants que les fonds discrétionnaires en termes de revenus, selon un rapport McKinsey de 2019.

    La prise de décision axée sur les mégadonnées est cruciale dans le secteur des services financiers, que ce soit pour une banque traditionnelle, une start-up fintech ou une société de gestion d’investissement. Ce n’est qu’en recherchant des moyens innovants d’exploiter des données non structurées que les institutions financières seront en mesure de prendre les décisions les mieux informées possibles et de se démarquer véritablement de celles qui ne le font pas.




    Source

    L'équipe de Comparaland

    L'équipe rédactionnnelle du site

    Pour contacter personnellement le taulier :

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *