En gérant leurs données de manière compétente, les entreprises bénéficient d’un avantage concurrentiel certain. Jean-Bernard Nobs et son équipe sont les spécialistes du Big Data chez PostFinance. Dans cet entretien, il nous explique en quoi consiste son travail.
Temps de lecture 3 minutes
Temps de lecture 3 minutes
Créé le 14.07.2020
Le Big Data − une solution d’envergure: comment nos experts en données travaillent
Quel impact concret peuvent avoir les experts en données sur un établissement financier? Jean-Bernard Nobs travaille chez PostFinance au sein de l’équipe Data Science et Artificial Intelligence. Nous lui avons posé six questions sur le thème du Big Data.
Data Mining, Data Analytics ou Data Science: quel terme caractérise le mieux votre travail?
De Data Science, clairement. Car le Data Mining et le Data Analytics ne sont qu’une partie du travail lié aux données. Ce que nous faisons en revanche, c’est de la Data Science: face à des problèmes fondamentaux, nous cherchons et élaborons à l’aide de données des réponses tournées vers l’avenir, procurant ainsi un avantage à notre entreprise et à nos clients. Il ne s’agit pas de traiter et de présenter des données comme un but en soi. Notre travail sur les données, qui consiste à recourir à des outils provenant de diverses activités liées aux données, telles que le Deep Learning ou la visualisation, englobe de nombreux domaines et crée de la valeur ajoutée.
Comment la Data Science permet-elle concrètement d’améliorer le secteur bancaire?
La Data Science peut avoir un impact tant en interne qu’à l’externe. Ainsi, notre travail contribue d’une part à optimiser nos processus opérationnels dans le secteur bancaire par l’automatisation. D’autre part, les données nous aident également à mieux comprendre les clients. La Data Science permet de mettre en place des solutions sur mesure.
Jean-Bernard Nobs travaille depuis 2015 chez PostFinance au sein de l’équipe Data Science et Artificial Intelligence. Il a étudié les mathématiques et la physique au Collège St-Michel à Fribourg et est titulaire d’un bachelor et d’un master en sciences du vivant et biotechnologie de l’EPFL (Lausanne) ainsi que d’un doctorat en bio-ingénierie et biotechnologie. Quand on lui demande pourquoi il apprécie son poste de spécialiste Data Science chez PostFinance, il l’exprime ainsi: «En tant que spécialiste Data Science, tu établis des liens entre le business et les données et tu peux participer au succès de l’entreprise. Notre travail n’en est que plus passionnant: les problématiques sont toujours variées et de nouvelles questions surgissent au cours de l’analyse.»
En ce qui concerne la protection des données, elle est devenue plus restrictive avec le règlement général sur la protection des données. Quelles en sont les conséquences sur votre travail?
Il est certain que cela va créer de nouveaux obstacles. Mais d’un autre côté, cela crée des opportunités pour développer de nouvelles solutions qui ne sont pas tout à fait évidentes aujourd’hui. Des offres réellement utiles aux clients peuvent être développées pour ceux qui seront prêts à partager leurs données.
Comment se déroule un projet de Data Science?
Comme je l’ai mentionné précédemment, cela commence toujours par une question: «Comment pouvons-nous réduire le nombre d’étapes manuelles lors de l’identification de transactions frauduleuses?» Après avoir défini le problème à résoudre et les chances de succès, puis clarifié si la rentabilité économique sera positive, nous nous mettons à la recherche de données et les regroupons de manière à obtenir une base solide de données. Si la qualité des données est suffisamment haute, nous essayons, par exemple à l’aide de techniques de visualisation assistées par ordinateur, de les traiter, de les analyser et d’en tirer des enseignements. Pour résoudre le problème, nous utilisons en fonction du projet des outils tels que le Machine Learning.
Quelle place occupe la Data Science chez PostFinance?
Une place de plus en plus grande. En témoigne à elle seule l’évolution des dernières années: depuis 2014, notre équipe est passée de deux à dix personnes. À l’instar de la quasi-totalité des grandes entreprises, nous ne sommes actuellement pas encore en mesure d’exploiter tout le potentiel de notre univers de données, car il n’est pas si facile de les rassembler en raison de la complexité des systèmes. Les données sont encore trop fortement regroupées en silos, mais nous travaillons sur une banque de données centralisée tout en continuant à démontrer la valeur ajoutée de la Data Science. Souvent, notre rôle consiste aussi à effectuer un travail de persuasion, particulièrement lorsque les données fournissent une image très éloignée des valeurs empiriques.
