Qu’est-ce que les données alternatives ?
Ce terme désigne toute information sur un instrument financier provenant de sources non traditionnelles. Les sources conventionnelles utilisées par les professionnels de l’investissement comprennent généralement les documents déposés auprès de la SEC, les registres financiers, les communiqués de presse et les rapports des médias.
Parfois, les analystes ont besoin de compléter ou d’étayer leurs analyses. Ils cherchent alors à trouver des informations provenant d’autres sources, telles que les sentiments exprimés dans les actualités, les réseaux d’experts et les données collectées sur le web, par exemple, appelées « données alternatives ».
Dans ce contexte, les gestionnaires d’investissement peuvent s’appuyer sur deux sources principales de données :
1. Données traditionnelles: rapports financiers, actualités, rapports commerciaux, documents déposés auprès de la SEC
2. Données alternatives: paiements, géolocalisation, réseaux sociaux et satellites
Comment les données alternatives sont-elles générées ?
Comme nous l’avons expliqué précédemment, les données alternatives peuvent provenir de nombreuses sources.
Mais qui crée ces données ?
Il existe trois principales sources de données alternatives :
1. Les particuliers : les gens ordinaires génèrent chaque jour d’énormes quantités de données, par le biais de leurs interactions sur les réseaux sociaux, de leur travail, ainsi que de leurs recherches sur Google, Bing et Yahoo. Chaque fois qu’une personne publie un commentaire ou un avis sur un site de commerce électronique, elle crée des données alternatives qui reflètent des modèles de comportement. Ces données sont considérées comme des « données alternatives non structurées » et peuvent être utilisées comme l’un des nombreux facteurs dans le processus décisionnel des entreprises.
2. Les entreprises : les entreprises, quant à elles, ont tendance à créer des données structurées qui sont plus faciles à analyser et peuvent fournir des informations plus approfondies lors de la prise de décisions financières. Cela inclut les données transactionnelles, c’est-à-dire les données générées à la suite d’un achat, d’une transaction par carte de crédit ou autre. Les données provenant des agences gouvernementales, des impôts, etc. font également partie de ce groupe.
3. Données générées par l’Internet des objets (IoT) : ces données sont généralement non structurées, car elles sont générées par des capteurs et des terminaux. Les appareils IoT tels que les téléviseurs intelligents, les systèmes de point de vente (POS), les capteurs de stationnement et de trafic fournissent des données utiles qui, si elles sont correctement analysées, peuvent vous fournir des informations précieuses. Par exemple, la fréquence à laquelle les gens passent dans une certaine rue ou la fréquence à laquelle les clients se rendent dans un certain centre commercial. Ce groupe comprend les données générées par les téléphones portables et autres systèmes basés sur la géolocalisation.
Les différents types de données alternatives
Données web: recherches sur le web, taux de clics, données démographiques web. Elles sont particulièrement utiles pour le marketing et la recherche en matière de commerce électronique.
Données sur le sentiment social: comportement des consommateurs et réactions au contenu et au positionnement des marques. Cela inclut les commentaires, les interactions en ligne, les tweets et les publications. Ces données peuvent vous orienter vers les tendances actuelles du marché et les changements dans le comportement des consommateurs.
Données de géolocalisation: ce type de données peut aider les entreprises à comprendre, par exemple, quels sont les endroits où la demande pour des produits spécifiques est la plus forte. Les investisseurs immobiliers peuvent également utiliser ce type de données pour identifier les zones présentant des perspectives favorables pour le développement de projets, sur la base de points de données alternatifs tels que les réglementations en matière de zonage ou la construction de nouvelles infrastructures.
Transactions par carte de crédit: les données transactionnelles permettent de suivre les revenus du commerce de détail et les habitudes de paiement à des fins d’évaluation des prêts, afin d’anticiper les rapports sur les bénéfices des commerces de détail et d’identifier les habitudes de dépenses discrétionnaires des consommateurs.
Transactions au point de vente (POS) : elles peuvent fournir des informations sur le volume des ventes, les comportements des consommateurs, les produits populaires, ainsi que les méthodes de paiement préférées par les différents segments de consommateurs.
Données météorologiques et images satellites: bien que ces données soient principalement collectées sous forme brute (images), elles peuvent être intégrées à des algorithmes et/ou des outils analytiques permettant de tirer des conclusions et des prévisions concrètes. Par exemple, elles permettent de mesurer l’activité économique d’une zone ou d’un groupe démographique donné, y compris l’heure de la journée où l’activité est la plus intense et le nombre de magasins ouverts ou actifs (ce qui s’est avéré particulièrement utile pendant la pandémie de coronavirus pour aider les gens à éviter les magasins bondés et ainsi réduire les taux d’infection).
Pourquoi les données alternatives sont-elles si populaires ?
Les sociétés de gestion d’investissements exploitent les données pour identifier des tendances et obtenir des informations uniques sur les produits d’investissement. Les hedge funds ont été parmi les premiers à tirer parti des technologies d’analyse de données et du big data, suivis de près par les gestionnaires de capital-investissement. Ces mêmes entreprises « avant-gardistes » sont à la pointe en matière de données alternatives : les premiers à les adopter sont les mieux placés pour en tirer profit, avant que les données alternatives ne soient largement adoptées.
Qu’est-ce qui rend les données alternatives si attrayantes ?
Les énormes jeux de données disponibles offrent un avantage potentiel sur les concurrents. La quantité de données générées à l’échelle mondiale devrait atteindre 163 ZB d’ici 2026. Cela signifie davantage de données pour alimenter les outils d’IA, davantage de modèles et de tendances potentiels à découvrir, et davantage de possibilités de prendre l’avantage sur les concurrents.
Dans cette optique, les sociétés d’investissement embauchent de plus en plus de scientifiques et d’analystes de données afin de les aider dans leurs efforts d’exploration de données. Selon le Financial Times, le nombre d’analystes de données dans les sociétés d’investissement connaît une croissance exponentielle.
Quel est le rôle des données alternatives dans l’investissement basé sur des modèles ?
L’investissement basé sur des modèles fait référence à l’utilisation de modèles de données analytiques afin de trouver des informations utiles pour le secteur financier en général, et l’investissement en particulier. Si la plupart des entreprises n’ont pas encore complètement abandonné les sources de données traditionnelles, les données alternatives prennent de plus en plus d’importance pour les sociétés d’investissement qui cherchent à identifier des idées nouvelles et innovantes afin de générer un alpha accru.
Définition rapide : selon Investopedia, «l’alpha (α) est un terme utilisé en investissement pour décrire la capacité d’une stratégie d’investissement à surpasser le marché ou son avantage ».
De plus, en raison de la COVID-19, on a assisté à une transition plus importante vers les activités en ligne et un marché numérique qui pousse les banques et les investisseurs à se tourner vers les données alternatives comme source d’aide à la décision. Ce type de données peut fournir une image en temps quasi réel qui permet aux institutions financières de prendre des décisions opportunes en matière de gestion des risques, de prêts, etc.
La mise en place d’une approche d’investissement quantitative ou basée sur des modèles comprend deux volets : la collecte et l’analyse des données. La collecte des données peut être effectuée à l’aide d’outils de collecte de données et de crawling, de plateformes de données et de fournisseurs de données spécialisés dans la collecte de données alternatives.
Cependant, trouver les données n’est que la première étape. Les données ne peuvent vous être utiles qu’après avoir été analysées et interprétées. Comme les données alternatives proviennent de sources disparates et ne sont pas structurées, elles peuvent être plus difficiles à analyser que les données traditionnelles. L’essor des outils d’apprentissage automatique (ML) et de traitement du langage naturel (NLP) est essentiel pour analyser les énormes Jeux de données générés par les données alternatives. Les outils d’IA peuvent traiter les données à un rythme beaucoup plus rapide que n’importe quel être humain. Les modèles basés sur l’IA et les fournisseurs de données peuvent aider le secteur de l’investissement à trouver les modèles et les informations nécessaires pour prendre des décisions précises.
Cas d’utilisation des données alternatives
Les données alternatives vont transformer la manière dont les sociétés d’investissement et les hedge funds sélectionnent leurs investissements au cours des prochaines années. Les applications des données alternatives pour générer des idées, évaluer les investissements et gérer les portefeuilles peuvent être très efficaces lorsqu’elles sont combinées à des outils d’analyse de données. Voici quelques cas d’utilisation courants des données alternatives :
Suivi des variations de prix et de l’inflation: les entreprises peuvent suivre des Jeux de données contenant des millions de prix afin de comprendre les variations de prix et les effets de l’inflation.
Utilisation des réseaux sociaux pour prévoir les bénéfices: un gestionnaire d’actifs peut exploiter les données des réseaux sociaux et des moteurs de recherche pour prévoir les bénéfices d’une entreprise sur une période donnée.
Données de paiement pour suivre les performances: un fonds spéculatif peut utiliser des données combinées, telles que les transactions par carte de crédit, les données de localisation et l’utilisation des applications, pour suivre les performances des ventes en ligne et via les applications d’une entreprise de vente au détail.
Données web et commentaires sur les réseaux sociaux pour prévoir les mouvements du marché: vous pouvez utiliser les données provenant de sites web et de réseaux sociaux pour détecter les événements susceptibles d’influencer le marché.
Comment obtenir des données alternatives
Vous pouvez obtenir des données alternatives en les collectant directement sur Internet ou en les achetant auprès d’un fournisseur tiers. Voyons cela de plus près.
Option 1 : exploration du Web
Il s’agit de collecter des données à partir de sites web à l’aide d’un outil de Scraping web ou d’un logiciel de Scraping web interne. Le logiciel explore les pages web et télécharge les données pertinentes en fonction de mots-clés spécifiques. Les données peuvent ensuite être enregistrées dans différents formats, par exemple dans un fichier CSV. Les applications des outils de Scraping web sont nombreuses, de la Protection de la marque à la vérification des prix.
Vous disposez de plusieurs options en termes d’outils, depuis les solutions à monter soi-même (DIY), dans lesquelles vous intégrez un réseau Proxy et exploitez les adresses IP réelles des consommateurs, jusqu’aux solutions entièrement automatisées qui ne nécessitent aucun codage ni infrastructure. Il vous suffit de :
- définir vos ensembles de données cibles
- choisir le format souhaité
- planifier
- la méthode de livraison préférée
et profiter d’un flux de données en direct directement vers votre équipe et/ou vos systèmes.
Option 2 : Achat d’ensembles de données
Il existe d’autres fournisseurs de données qui peuvent vous fournir des données à différents stades de traitement. Vous pouvez par exemple acheter des données brutes, « propres » ou semi-structurées. C’est une bonne option pour les entreprises qui ont besoin d’ensembles de données « statiques », c’est-à-dire pour lesquelles il n’est pas indispensable que leur équipe et leurs systèmes soient alimentés en temps réel. Par exemple, une maison de couture peut souhaiter analyser les réseaux sociaux une fois par saison afin d’identifier les nouvelles tendances, mais elle n’a pas besoin de le faire quotidiennement. En revanche, une entreprise de commerce électronique peut souhaiter analyser les prix de ses concurrents toutes les heures et apporter des modifications en temps réel afin de proposer des prix plus bas ou plus compétitifs que ceux de la concurrence. Dans ce dernier cas, l’achat d’ensembles de données peut s’avérer moins viable.
Quelle est la prochaine étape ?
À mesure que les entreprises identifient la valeur que les données alternatives peuvent apporter à l’économie en général et au secteur financier en particulier, nous commencerons à voir se généraliser l’adoption de modèles de prédiction basés sur les données alternatives et de sources de revenus tirées de ces données. Lorsque les entreprises apprendront à collecter :
- précises
- propres
- générées par les utilisateurs
et à ajouter un niveau de sophistication en alimentant ces ensembles de données brutes avec des algorithmes prédictifs et l’intelligence artificielle, nous commencerons vraiment à en voir l’impact.
Imaginez des chaînes de magasins qui prennent des décisions en matière de production et de collecte en fonction du sentiment des consommateurs sur les réseaux sociaux.
Imaginez des sociétés d’investissement qui connaissent et investissent dans des titres ou vendent à découvert en fonction de l’activité des consommateurs dérivée des données transactionnelles en temps réel.
Imaginez des compagnies d’assurance capables d’évaluer les risques en se basant sur des données géospatiales relatives aux phénomènes naturels (comme les ouragans, les tsunamis et les inondations).
Vous n’avez plus besoin de faire appel à votre imagination. Les exemples ci-dessus sont des cas d’utilisation réels de données alternatives exploitées par des entreprises visionnaires qui ont décidé de prendre les devants dans leur secteur plutôt que de se laisser mener par d’autres.
