Patrick Pansier (LBP-AM) : « il n’y a aucun cas d’usage data que je ne sais pas traiter »

Pouvez-vous nous présenter La Banque Postale Asset Management (LBP-AM) ?

Comme notre nom l’indique, nous sommes l’entité du groupe Banque Postale spécialisée en gestion d’actifs. Nous avons 75 milliards d’euros sous gestion dont 25 au sein de notre filiale La Financière de l’Echiquier.

Outre la gestion privée de manière marginale, notre activité se répartit à peu près équitablement entre la gestion d’actifs pour les entités du groupe (Banque Postale, CNP…) et celle pour de grands institutionnels (mutuelles, assurances…).

Comment sont organisées les fonctions IT et data ? Sont-elles communes avec La Banque Postale ?

IT et data nous sont propres. En tant que responsable de la Direction Data, Digital & Innovation, j’assume le rôle de DSI.

Dans cette direction, il y a une équipe production informatique, une équipe IT Business (développement pour les métiers comme les applicatifs pour les gestionnaires, gestion des progiciels spécifiques…) et une équipe Digital Lab. Cette dernière est spécialisée dans les technologies innovantes (IA, agents, NoSQL…). De plus, grâce à une plateforme de developpement métier (citizen development), il s’agit pour elle de lutter contre le shadow IT grâce à un support Tech des équipes métiers, notamment pour réaliser des développements en Python avec des accès par API à nos données. Nous voulons absolument éviter la multiplication de feuilles Excel aux multiples macros que personne ne maîtrise en dehors de son créateur. Cette approche nous garantit la maîtrise de notre IT et la fraîcheur de la data employée.

Quelles sont les grandes lignes de votre architecture ?

Comme beaucoup, nous avons une architecture hybride à peu près moitié-moitié entre le Cloud et nos datacenters propres. Nous utilisons des applicatifs SaaS comme notre CRM, notre outil PMS (gestion de portefeuille), etc. Mais nos développements propres sont dans nos datacenters.

De quoi est composé votre patrimoine data ?

En dehors des données classiques de toute entreprise (RH, etc.), nous utilisons des données de marché comme les informations sur les titres et les émetteurs de titres. Nous avons également besoin de données sur la RSE (ESG) des entreprises dans lesquelles nous investissons ou envisageons d’investir.

Les données peuvent donc être structurées : cours d’action, nombre d’actions sur le marché, émetteur…

Mais les données RSE sont, en général, non-structurées (rapports, articles en ligne…).

Comment architecturez-vous les outils pour traiter les données ?

Les données issues de sources fiables (data providers du marché) et structurées sont gérées dans des bases SQLServer. Les sources ont chacune leur structure et nous les convertissons à notre structure avec des scripts C# développés en interne.

Nous avions auparavant un ETL mais un tel outil coûte cher et finissait par poser plus de problèmes qu’il n’en résolvait. Avec des agents pour gérer les flux de données, c’est beaucoup plus simple.

Pour les données non-structurées, nous utilisons une plateforme data NoSQL (not-only SQL pour être exact). En l’occurrence, il s’agit de Progress Data Platform.

Dans celle-ci, nous utilisons notamment Progress Marklogic, une base de données NoSQL multi-modèles, et le data hub avec un ELT, un datamodel, une gestion des relations… La plateforme comprend également Progress Semaphore, pour la modélisation sémantique, Progress Corticon, pour la gestion des règles métiers, Progress DataDirect pour l’acquisition des données, MarkLogic FastTrack pour la visualisation et Progress Agentic RAG pour la gestion des agents. Nous n’utilisons pas ces derniers modules pour l’instant.

Pourquoi avoir fait ce choix ?

Nous avons commencé à déployer cette plateforme, que je connaissais déjà dans d’autres postes auparavant, à partir de la fin 2021. Depuis, nous avons connu une très forte croissance de ses usages au fil des années.

Le gestionnaire de fonds utilise au quotidien son logiciel de Portfolio Management System pour gérer son portefeuille. Mais pour décider d’acheter ou de vendre, il a besoin de données. Il utilise donc la plateforme Python qui est connectée par API à la plateforme data.

Au contraire d’autres bases NoSQL (Elastic Search, MongoDB…), Progress Data Platform est une plateforme intégrée. Il n’y a donc pas besoin de beaucoup de développements pour gérer la sécurité, l’intégration, etc. Nous avons donc pu aller très vite : le démonstrateur était prêt en six semaines.

Avant ce démonstrateur, nous utilisions deux sources pour nos données RSE/ESG et nous n’arrivions pas à les gérer correctement. Avec le démonstrateur, nous y avons réussi et nous avons même rajouté une troisième source en live…

Quels bilan et perspectives voyez-vous à cette plateforme ?

Aujourd’hui, il n’y a aucun cas d’usage data que je ne sais pas traiter. Notre plateforme nous permet de gérer tous nos cas, de l’analyse de portefeuilles à la RSE. Nous sommes donc dans une phase de veille.

Mais la limite demeure dans l’ouverture à l’extérieur. Si nous investissons dans une entreprise dans le cadre de notre activité Private Market (dette privée et private equity), nous allons lui demander un reporting de données financières et non-financières. Si un client nous confie ses fonds, il nous demande bien sûr un reporting similaire. Or chacun a ses propres formats et structures de données, sa propre sémantique, il n’existe aucune norme.

Et nous avons en plus des problèmes de qualité de données. Un questionnaire peut comporter un item type « faites-vous ceci ? oui/non » et obtenir une réponse « parfois »…

De ce fait, la question reste complexe à gérer.