Compétences en données et IA pour les services financiers

Les services financiers ont la donnée au cœur de leur activité depuis des décennies. Modèles de risque, tarification, exigences en capital : le volet quantitatif est mature, souvent plus qu’on ne le reconnaît au secteur. C’est précisément pour cela que le développement des compétences y prend une autre forme qu’ailleurs.

L’écart se situe rarement dans l’équipe data. Il se situe chez tous ceux qui l’entourent. Le conseiller en crédit immobilier qui lit un score de risque, le gestionnaire de sinistres qui travaille à côté d’un assistant IA, le product owner qui décide si un cas d’usage IA mérite d’être construit. Ils n’ont pas besoin de construire des modèles. Ils ont besoin d’en comprendre assez pour contester ce qu’on leur présente et pour savoir où passe la ligne.

Et cette ligne est bien réelle. La gestion du risque de modèle, la supervision de la DNB et de la BCE, et la classification à haut risque de l’évaluation de la solvabilité dans le règlement européen sur l’IA disent toutes la même chose : un programme qui traite la gouvernance comme un ajout tardif sera arrêté par votre deuxième ligne de défense. Nous l’intégrons dès la première cohorte au lieu d’accrocher un module conformité à la fin.

Nous partons de ce qui doit changer dans le travail, pas d’un catalogue. Le comportement visé dans ce secteur est précis : un collaborateur qui lit la sortie d’un modèle, constate qu’elle ne correspond pas au dossier qu’il a sous les yeux et le dit, avec un argument que la deuxième ligne accepte. C’est une compétence, et elle s’apprend.

Y parvenir demande trois choses à la fois. Des connaissances sur ce qu’un modèle peut porter ou non, et sur l’endroit où le régulateur place la limite. Des compétences dans les outils où vos équipes travaillent réellement, exercées dans le navigateur sur vos propres rapports et dossiers, car la pratique est environ six fois plus efficace que le visionnage de vidéos (Carnegie Mellon). Et l’habitude de demander le chiffre avant l’avis, qui ne se forme que si les gens s’y exercent sur du travail réel plutôt que sur une étude de cas.

L’ancrage est la partie que la plupart des programmes sautent. Les cohortes démarrent par un lancement, se poursuivent en sessions en direct avec des Data Champions issus de vos équipes, et nous transmettons la responsabilité à votre L&D et à votre communauté à la fin pour que cela continue sans nous. La progression se mesure à partir d’une mesure de référence prise avant le lancement et se compare à celle d’autres organisations, afin de montrer une évolution des compétences plutôt qu’une liste d’achèvement.

Nous travaillons avec des institutions financières comme Rabobank, ING, PGGM et Allianz Partners.

Tous clients confondus, nos cohortes affichent un taux d’achèvement de 79 % sur les douze derniers mois et plus de 10 000 apprenants, contre une norme du secteur d’environ 12 %.

Notre cofondateur Wouter Neef a travaillé chez ING avant de créer Data Booster : les contraintes décrites sur cette page ne nous sont pas théoriques, qu’il s’agisse de la gestion du risque de modèle, d’une deuxième ligne qui doit donner son accord, ou de collaborateurs qui doivent contester un score sans jamais en construire un.