Application de l'Intelligence Artificielle à la gouvernance des données

Application of Artificial Intelligence to Data Governance

• Auteur / Autrice : Yara Amine
• Direction : Samira Si said cherfi, Elena Kornyshova
• Type : Projet de thèse
• Discipline(s) : Sciences pour l'ingénieur spécialité Informatique
• Date : Inscription en doctorat le 01/11/2023
• Etablissement(s) : Paris, HESAM
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur
• Partenaire(s) de recherche : Laboratoire : Cedric - Centre d'études et de recherche en informatique et communications
• Partenaire(s) de recherche : établissement de préparation de la thèse : Conservatoire national des arts et métiers (France)

Mots clés

Mots clés libres

Données

Qualité

Architecture d'entreprise

Gouvernance des données

Valorisation

Data

Quality

Enterprise Architecture

Data governance

Résumé

Ce projet de thèse s'articule autour de deux aspects distincts mais qui se retrouvent corrélés dans le contexte de l'évolution stratégique des institutions financières dans un contexte ouvert, risqué et fortement concurrentiel. Le premier aspect est celui de l'organisation des entreprises et l'articulation de leurs processus métier pour lequel l'Architecture d'Entreprise peut apporter des solutions. Le second est celui de la digitalisation du secteur bancaire et plus précisément celui du marché de l'immobilier. Le marché de l'immobilier est aujourd'hui en plein essor et représente, pour les investisseurs professionnels et particuliers, des opportunités de diversification de leurs placements. Afin d'analyser correctement les changements du marché et d'évaluer les prix des différents biens disponibles, il est nécessaire de considérer des données avec des grandes disparités dans les contraintes sur les transactions, les prix pratiqués, les méthodes d'évaluation des biens en plus d'autres données liées aux marchés financiers. En raison de l'abondance d'informations sur les marchés et les transactions immobilières, les technologies d'analyse des données et de l'Intelligence Artificielle (Viriato, 2019) pourraient apporter une aide précieuse au processus de décision de ce secteur. Les banques sont en phase de transition numérique, et il devient de plus en plus évident que le modèle d'entreprise traditionnel des banques n'est plus adapté aux nouveaux défis du secteur. Elles ont donc un avantage évident à s'engager dans la création d'écosystèmes et la mise en œuvre de nouveaux processus et nouvelles solutions afin de mener à bien cette transition. En effet, l'un des moteurs ayant un impact sur le secteur de la banque est la pression concurrentielle causée par l'innovation technologique. Qu'il s'agisse de géants établis tels que Google et Amazon ou de plus petits spécialistes, les clients sont prêts à essayer ces alternatives aux services bancaires traditionnels (Fleming, Fielding, & Roma, 2018). Ces nouveaux entrants, sous la forme d'acteurs FinTech ou BigTech, s'emparent de parts de marché en utilisant des technologies disruptives (Cortet et al.,). A ce contexte concurrentiel s'ajoute celui des nouvelles réglementations, telles que la loi de protection des données personnelles (RGPD) en Europe qui obligent les banques à ouvrir les comptes de paiement des consommateurs à des prestataires de services innovants ajoutant des contraintes supplémentaires. Les défis à relever sont : - La mauvaise connaissance des données. Les données étant aujourd'hui fragmentées, disparates et parfois inconnues. Les processus utilisant et transformant ces données peuvent avoir des résultats non maîtrisés. Il est indispensable de mettre en place une architecture claire et surtout évolutive qui tienne compte des processus, des sources de données disponibles et surtout de l'évolution des deux. - Le manque de vision globale et commune. Les données sont présentes dans chaque système d'information et parfois dans chaque application, sans définition ou catalogue partagé. Il est donc nécessaire de mettre en place une solution dans laquelle les données peuvent être partagées, intégrées et exploitées pour offrir une meilleure compréhension de l'état des opérations immobilières intelligentes et les aider à prendre des décisions plus éclairées - Le manque de standards dans le traitement des données. Les traitements sur les données elles-mêmes (reporting, monitoring, transformation) sont propres à chaque application. Il n'existe pas de traitement automatisé de gestion des méta-données (data management). Il est important de mettre en place des solutions validées, réutilisables, éprouvées et s'appuyant le mieux possible sur des normes référentiels approuvés. - Le cloisonnement des processus métier. Chaque métier à ses propres activités, sans connaissance des données partagées. - L'obsolescence des outils d'analyse des données. Les outils analysant les données et leur utilisation sont basés sur des technologies et des méthodologies inadaptées aux nouveaux enjeux. Il y a eu durant les dix dernières années de nombreux travaux appliquant des techniques d'analyse de données pour par exemple étudier les comportement des investisseurs ou la volatilité des marchés immobiliers au domaine de la gestion immobilière [15] qu'il est nécessaire d'étudier et d'exploiter. - La qualité et l'intégrité des données sont également des atouts et par conséquent leur assurance est un défi majeure. La qualité et l'intégrité des données est gérée de façon opportuniste et les processus d'amélioration de la qualité ainsi que de contrôle de l'intégrité ne sont pas gérés ni de manière systématique ni globale. Des données nettoyées, actuelle et fiables sont indispensable pour la gestion et la prévention des risques qu'ils soient financiers ou naturels. Les données de capteurs provenant de bâtiments intelligents peuvent s'avérer très utiles pour la prévention et la gestion des risques. L'objectif est donc de proposer des solutions qui permettent d'atteindre des objectifs tels que un avantage concurrentiel, l'augmentation de la valeur de l'organisation, l'augmentation de l'agilité des processus en combinant les cadres structurants de l'AE (Shanks et al. 2018) et la puissance d'analyse et la réactivité des solution d'analyse des données et de l'Intelligence Artificielle.

This thesis project is structured around two distinct aspects but which are correlated in the context of the strategic evolution of financial institutions in an open, risky and highly competitive context. The first aspect is that of the organization of companies and the articulation of their business processes for which Enterprise Architecture can provide solutions. The second is that of the digitalization of the banking sector and more precisely that of the real estate market. The real estate market is booming today and represents, for professional and individual investors, opportunities to diversify their investments. In order to correctly analyze market changes and evaluate the prices of the different goods available, it is necessary to consider data with large disparities in the constraints on transactions, the prices charged, the methods of valuation of goods in plus other data related to financial markets. Due to the abundance of information on real estate markets and transactions, data analysis and Artificial Intelligence technologies (Viriato, 2019) could provide valuable assistance to the decision-making process in this sector. Banks are undergoing a digital transformation, and it is becoming increasingly clear that the traditional banking business model is no longer suited to the new challenges of the sector. They therefore have a clear advantage in engaging in the creation of ecosystems and the implementation of new processes and new solutions in order to successfully complete this transition. Indeed, one of the drivers impacting the banking sector is the competitive pressure caused by technological innovation. Whether established giants such as Google and Amazon or smaller specialists, customers are willing to try these alternatives to traditional banking services (Fleming, Fielding, & Roma, 2018). These new entrants, in the form of FinTech or BigTech players, are capturing market share using disruptive technologies (Cortet et al.,). Added to this competitive context is that of new regulations, such as the personal data protection law (GDPR) in Europe, which oblige banks to open consumers' payment accounts to innovative service providers, adding additional constraints. The challenges to be met are: - Poor knowledge of the data. Data is now fragmented, disparate and sometimes unknown. The processes using and transforming this data can have uncontrolled results. It is essential to put in place a clear and above all scalable architecture which takes into account the processes, the available data sources and above all the evolution of both. - Lack of global and common vision. Data is present in each information system and sometimes in each application, without a shared definition or catalog. There is therefore a need for a solution in which data can be shared, integrated and leveraged to provide a better understanding of the status of smart real estate operations and help them make more informed decisions - Lack of standards in data processing. The processing of the data itself (reporting, monitoring, transformation) is specific to each application. There is no automated processing of meta-data management (data management). It is important to implement validated, reusable, proven solutions based as best as possible on approved reference standards. - The compartmentalization of business processes. Each profession has its own activities, without knowledge of the shared data. - The obsolescence of data analysis tools. The tools analyzing data and their use are based on technologies and methodologies unsuitable for the new challenges. Over the last ten years, there has been numerous work applying data analysis techniques to, for example, study investor behavior or the volatility of real estate markets in the field of real estate management [15] which it is necessary to study and exploit. - Data quality and integrity are also assets and therefore their assurance is a major challenge. Data quality and integrity is managed opportunistically and quality improvement and integrity control processes are not managed systematically or comprehensively. Cleaned, current and reliable data are essential for the management and prevention of risks, whether financial or natural. Sensor data from smart buildings can be very useful for risk prevention and management. The objective is therefore to propose solutions which make it possible to achieve objectives such as a competitive advantage, increasing the value of the organization, increasing the agility of processes by combining the structuring frameworks of the AE (Shanks et al. 2018) and the analytical power and responsiveness of data analysis and Artificial Intelligence solutions.