Interview d'un responsable DataLab

Interview - Jérémie Guez - Responsable DataLab BNP Personal Finance

Quel est votre parcours ?

J'ai un background en finance. Après des études à Dauphine et une spécialisation à l'ENSAE, j'ai d'abord travaillé en salle de marché : en structuration et en trading. Suivirent plusieurs expériences d'entrepreneuriat en start-up. Il y a 3 ans, j'ai eu envie de me spécialiser dans la datascience. J'ai suivi alors le master BigData de TelecomParis. Je suis maintenant responsable du datalab de BNP Personal Finance.

Pourquoi avoir choisi BNP ?

C'est spécifique à mon parcours, j'ai toujours gravité dans le monde des start-ups et arriva un moment où j'ai eu envie de changer d'écosystème pour me tourner vers un grand groupe. Une banque ensuite, c'est avant tout des données très exhaustives et de qualité. Avec une grande flexibilité de la part de ma hiérarchie je peux ici aborder un grand nombre de sujets : que ce soit avec les équipes du Risque pour le calcul des scores d'octroi de prêt, de la détection de fraude, ou bien avec les équipes Marketing pour déterminer le meilleur canal de contact ou une segmentation plus fine de notre base de clients, voir des sujets plus opérationnels comme la performance de nos centres d'appel en établissant les plages d'horaires d'appels pour joindre plus efficacement chacun de nos clients. Enfin, nous explorons également les possibilités d'analyse automatique du langage naturel et avons par exemple développé en open-source notre propre solution de chatbot.

Que ce soient les régressions, les classifications ou le NLP, voilà les trois grandes familles de problèmes que nous adressons au datalab de BNP.

Toujours avec un esprit start-up ?

Oui, cela faisait partie du contrat. En rejoignant BNP au début le datalab était constitué de 2 personnes. Dans un cadre neuf et très flexible, j'ai retrouvé beaucoup de liberté dans les choix que je peux prendre et également le fait de toucher à pleins de sujets connexes comme l'acculturation à la datascience. En résumé : le point positif d'être positionné au sein d'un grand groupe, c'est d'être un peu plus protégé qu'une start-up et d'avoir une plus grande amplitude pour agir. En revanche, il y a des contraintes en termes de process à respecter plus importantes dans un grand groupe, évidemment.

Quelle est la principale difficulté rencontrée ?

Avec un peu plus d'expérience désormais, je me rends compte le terme "transformation digitale" je l'entendais déjà il y a 3 ans et je pensais alors "bon, ça c'est fait, on peut passer à autre chose". Mais au final, la réalité c'est que les technologies très innovantes qui sont amenées par la datascience doivent cohabiter avec des SI anciens qui ont fait leur preuve, fonctionnent, sont en production depuis des années et apportent toujours de la valeur. Alors je peux comprendre la réticence des équipes IT à nous voir tout chambouler avec des technologies qui ne sont pas encore totalement maîtrisées.

Le constat, c'est que "Mettre En Production" des modèles prédictifs issus du machine learning dans un écosystème bancaire qui existe depuis plus de 30 ans, c'est tout simplement le parcours du combattant ! c'est en travaillant avec les équipes qui ont la maîtrise et la gestion des systèmes de production qu'on peut progressivement les amener à changer les mentalités et les habitudes technologiques. Nous avons donc construit ensemble un workflow d'industrialisation qui permet de garder la cohérence des systèmes existants et d'introduire progressivement les nouveaux outils de machine learning.

Quel conseil aux jeunes datascientist(e)s qui te rejoignent ?

De la patience déjà ! (rire) On doit accepter d'atterrir dans un espace de contraintes qu'on ne connaissait pas forcément. Mais justement, nous devons être force de proposition tout en tenant compte des règles du jeu. Ensuite l'avantage, c'est d'avoir une hiérarchie qui l'a bien compris et qui fait le nécessaire pour appuyer les changements que nous apportons.

En deuxième lieu c'est d'être ouvert d'esprit et continuer la veille technologique au-dehors pour pouvoir être pertinent dans nos problématiques internes. Le monde de la datascience change très très vite, et s'il est important d'acculturer avec patience en interne, il est capital de continuer à se former en continu à ces nouvelles technologies.

Our Latest
News