Le Rapport de PFE

Université Cadi AYYAD Marrakech
Ecole Nationale de Commerce et de Gestion
Projet de fin d’études sur le thème :
Gestion financière et comptable
Elaboré par : Encadré par :

Ranya LAGHRI Pr. Hansali Abderrahim
ENCG MARRAKECH Gestion financière et comptable-S10 2022 - 2023
REMERCIEMENT
2|Page
3|Page
INTRODUCTION
L'industrie financière est en constante évolution, et l'émergence du Big Data et de
l'Intelligence Artificielle (IA) a provoqué une transformation majeure de ce secteur. Ces
technologies révolutionnaires ont ouvert de nouvelles perspectives et bouleversé les pratiques
traditionnelles en matière de collecte, d'analyse et d'utilisation des données financières.
Le Big Data, qui se réfère à l'énorme volume de données générées chaque jour, a permis aux
institutions financières de rassembler des informations provenant de sources variées telles que
les transactions financières, les médias sociaux, les historiques de clients, et bien plus encore.
Grâce à l'analyse de ces données massives, les acteurs du secteur peuvent désormais obtenir
des insights précieux sur les tendances du marché, les comportements des consommateurs, et
les risques potentiels.
L'IA, quant à elle, complète cette analyse en utilisant des algorithmes sophistiqués et des
modèles prédictifs pour automatiser les processus et prendre des décisions éclairées. Dans le
domaine de la finance, cela se traduit par l'émergence de chabots pour l'assistance client, de
robo-conseillers pour la gestion d'actifs, de modèles d'apprentissage automatique pour la
détection de fraudes, et bien d'autres applications. L'IA améliore également les modèles de
prévision des risques et des performances des investissements, aidant ainsi les professionnels
de la finance à prendre des décisions plus éclairées et à gérer les portefeuilles de manière plus
efficace.
L'impact du Big Data et de l'IA sur la finance est significatif. Ces technologies permettent aux
institutions financières de réduire les coûts opérationnels, d'améliorer l'efficacité des
processus et de développer de nouveaux produits et services innovants. Les banques peuvent
offrir des recommandations personnalisées aux clients, détecter rapidement les fraudes et les
comportements suspects, et optimiser les performances de leurs portefeuilles.
Cependant, l'utilisation du Big Data et de l'IA soulève également des défis et des
préoccupations. La confidentialité et la sécurité des données sont des enjeux majeurs, et il est
essentiel de garantir que les informations sensibles des clients soient protégées. De plus, il est
important de se pencher sur les questions d'éthique et de responsabilité liées à l'utilisation de
l'IA, en veillant à ce que les décisions prises par les machines soient transparentes et
justifiables. Donc, le Big Data et l'IA ont apporté des changements profonds dans le domaine
de la finance. Ces technologies offrent des opportunités considérables pour améliorer
l'efficacité opérationnelle, la prise de décision et les services aux clients. Cependant, il est
4|Page
crucial de rester vigilant quant aux questions de sécurité, de confidentialité et d'éthique, afin
de garantir que ces avancées technologiques bénéficient à tous les acteurs du secteur financier.
Alors, pour bien comprendre l’impact de ces technologies sur le monde de la finance à travers
la réponse a la problématique centrale suivante : Dans quel mesure les technologies
émergentes tel que : le Big Data et l’IA ont impactes le monde de la finance ? qu’on peut
la diviser en sous-questions :
Comment l'IA et le Big data sont-ils utilisés dans le domaine de la finance et quels sont les
domaines spécifiques où ils ont eu un impact significatif ? quel sont les opportunités et les
limites de ces technologies sur la finance ? Quels sont les changements organisationnels
nécessaires pour intégrer avec succès le Big Data et l'IA dans les institutions financières ?
Dans le but de répondre à ces questions, nous avons prévu deux grandes parties :
Dans la première partie (partie théorique), le premier chapitre comprend deux sections. La
première section aborde les concepts de base tels que le Big Data et l'IA. Dans cette section,
des généralités sont fournies pour expliquer ces concepts. La deuxième section traite des
différentes technologies émergentes applicables à la finance, en fournissant des définitions
pour chacune d'entre elles. Dans le deuxième chapitre, trois sections sont présentes. La
première section explore les applications concrètes du Big Data et de l'IA dans le domaine de
la finance. Dans la deuxième section, les opportunités et les limites liées à l'utilisation de ces
technologies dans la finance sont discutées. Cette section examine les avantages et les défis
liés à l'utilisation du Big Data et de l'IA dans ce domaine. Ensuite, les perspectives d'avenir de
ces outils dans la finance sont présentées.
Pour la partie pratique, le premier chapitre expose le cadre méthodologique de l'enquête, qui
est divisé en quatre sections. La première section présente l'approche méthodologique
adoptée. La deuxième section décrit l'objectif de la recherche, tandis que le plan
d'échantillonnage est détaillé dans la troisième section. Enfin, la quatrième section traite du
questionnaire utilisé dans l'étude.
Dans le deuxième chapitre, les résultats sont analysés en trois sections. La première section se
concentre sur la description de l'échantillonnage, en présentant les caractéristiques de
l'échantillon utilisé dans l'étude. La deuxième section est consacrée aux tests statistiques
effectués à l'aide du logiciel SPSS. Cette section examine les résultats statistiques obtenus à
partir des données recueillies. Enfin, la dernière section analyse les réponses aux questions
ouvertes du questionnaire. Enfin, le troisième chapitre se concentre sur les résultats et les
discussions afin de répondre à la problématique de recherche. Ce chapitre présente une
synthèse des principales conclusions de l'étude et les discute en relation avec la problématique
5|Page
soulevée.
6|Page
PARTIE 1 : Volet Théorique.

Introduction de la première partie :
Cette partie introductive vise à établir le contexte conceptuel nécessaire à la compréhension

des enjeux liés au Big Data et à l'IA dans le domaine de la finance. Dans la première section,
nous définirons les concepts clés tels que le Big Data et l'IA, en mettant en évidence leurs
caractéristiques et leurs implications dans le secteur financier. Nous préciserons également les
sources de données pertinentes et les différentes approches de l'IA. Cette clarification des
termes et des concepts servira de fondation solide pour explorer les applications concrètes de
ces technologies dans la finance, ce que nous aborderons dans la deuxième section. Nous
examinerons comment le Big Data et l'IA sont utilisés pour améliorer la gestion des risques
financiers, optimiser les décisions d'investissement, détecter la fraude, automatiser les
processus de trading, et bien d'autres aspects de l'industrie financière. En comprenant les
définitions et en voyant comment ces technologies sont appliquées, nous pourrons ensuite
analyser les avantages et les défis liés à leur utilisation, ainsi que les perspectives d'avenir
qu'elles offrent.
Chapitre 1 : Cadre conceptuelle et l’identification

des technologies émergentes applicable a la finance
Introduction du chapitre 1 :
Le cadre conceptuel et l'identification des technologies émergentes applicables à la finance

sont des éléments essentiels pour comprendre l'évolution du secteur financier. Le Big Data et
l'intelligence artificielle ont transformé la collecte et l'analyse des données financières, offrant
de nouvelles opportunités et défis. Ces technologies émergentes, telles que le machine
learning, le data mining, la blockchain, la RV et d’autres outils ont le potentiel de
révolutionner différents domaines de la finance. Comprendre ces concepts et identifier les
technologies clés permet de mieux appréhender les changements en cours et les avantages
qu'elles peuvent apporter au secteur financier.
8|Page
Section 1 : définitions des concepts.

1- Définition de Big Data :
Le Big data devenu un sujet d'intérêt majeur pour les entreprises, les gouvernements, les
chercheurs et les scientifiques, car il peut fournir des informations précieuses et des
perspectives inédites sur les comportements des consommateurs, les tendances du marché, les
performances des entreprises, les habitudes de vie, les préférences politiques, les événements
météorologiques et bien d'autres choses encore. Alors, qu’est-ce qu’un « Big Data » ?
On ne peut pas définir ce concept d’une manière simple car ces définitions sont plus
managériales qu’académique. D’abord, le "Big data » selon l’analyste du GARTNER GROUP
Doug laney (2000) peut le définir par une théorie de 3V : « Big data is high volume, high
velocity and high variety information assets that demand cost-effective, innovative forms of
information processing for enhanced insight and decision making. », c’est-à-dire la définition
de ce concept se base sur 3 termes : le volume, la vélocité et la variété. Le volume c’est le fait
de traiter une grande quantité de données ou bien des informations en même temps, donc un
volume massif de données qu'aucun outil classique de traitement des données ou de traitement
des informations ne peut vraiment le travailler. La vélocité concerne la capacité à ajuster
rapidement le traitement des données au fur et à mesurer leur arrivée. Enfin, la variété qu’est
associée à l'idée de traiter tous les types de données sans pré-sélection, ce qui rend
potentiellement toutes les données exploitables. Massives peut aider à améliorer la prise de
décision, à identifier des modèles et des tendances, à créer de nouveaux produits et services, à
optimiser les processus métier, à personnaliser les expériences utilisateur et à accélérer la
recherche scientifique. Cependant, le traitement des données massives peut également
présenter des défis techniques et éthiques, notamment en termes de stockage, de traitement, de
sécurité, de confidentialité et de transparence. Autrement dit, le Big Data c’est un système de
collecte et d’exploitation des données massives abondantes et structurées ou non structurées
d’une manière rapide. Au fil de temps les gestionnaire et les économistes ont été élargir la
définition de ce terme par l’ajout de 3V aux 3V premières tel que : la Valeur (value), la
Variabilité (variability) et la Véracité (veracity). La première, concerne la qualité et
l'exactitude des données collectées. Les données peuvent contenir des informations
manquantes, inexactes ou non pertinentes, ce qui peut affecter la confiance que l'on peut leur
accorder. En d'autres termes, la véracité reflète le niveau de fiabilité des données collectées.
Dans certains cas, les données peuvent être complexes et difficiles à utiliser, et leur abondance
peut causer plus de confusion que d'utilité. La deuxième c’est la Valeur, qu’est le facteur clé
9|Page
dans l'utilisation du Big Data par les entreprises, car elle dépend directement de la capacité à
exploiter les données collectées. Ainsi, la valeur des données du Big Data augmente
considérablement lorsque les informations qu'elles contiennent sont utilisées de manière
efficace. Par conséquent, la capacité à extraire de la valeur des Big Data est une condition
essentielle pour les entreprises. Finalement, la Variabilité qui décrit les différences dans la
cohérence et la structure des données entre différentes sources de données. Contrairement aux
données transactionnelles traditionnelles, les ensembles de données variables peuvent avoir
plusieurs significations et des formats différents, ce qui complique leur traitement et leur
analyse.
Big Data
Les 6 Vs
1- Définition
Lesde3 l'IA
Vs : Les 3 Vs nouveaux :
 Volume  Valeur
 Vélocité  Variabilité
 Variété  Véracité
Figure 1 : Un schéma simplification de la définition de la Big Data. Source 1 : Réaliser par l’auteur.
2- Définition de l'IA
Le concept « d’intelligence artificielle » peut être ambigu. Lorsque nous avons interrogé
Cédric Vasseur, un expert en IA, pour en donner une définition, il a expliqué que cela
10 | P a g e
implique « des machines qui peuvent résoudre des problèmes que les êtres humains ou les
animaux sont capables de résoudre ». Cette description est en ligne avec celle de Marvin Lee
Minsky (1955), l'un des pionniers de l'IA, qui la considérait comme « la science de rendre les
machines capables de réaliser des tâches qui exigent de l'intelligence si elles se réalisaient par
des êtres humains ». Aussi Pour les auteurs Marie David et Cédric Sauvait l'IA est difficile à
définir, même pour les experts en la matière. Il existe autant de définitions que de chercheurs,
mais l'objectif principal est de rendre les machines intelligentes. L'IA est un domaine
multiforme, qui comprend des algorithmes prédictifs, des algorithmes d'optimisation et de
traitement du langage. Les techniques utilisées ne sont pas fixes et varient en fonction de
l'évolution des technologies. Par exemple, un simple système de classement de données peut
être considéré comme de l'IA, tout comme un système de guidage GPS. Les techniques
d'apprentissage statistique, qui datent du siècle dernier, sont encore utilisées aujourd'hui, mais
les méthodes prédictives ont évolué avec l'augmentation de la puissance de calcul des
ordinateurs et l'explosion des données. Le deep learning est une technique prédictive très en
vogue qui permet d'apprendre sur des volumes de données importants et de prendre en compte
un grand nombre de caractéristiques. L'IA est donc un domaine en constante évolution qui
cherche à reproduire une intelligence de niveau humain. Ensuite, pour l’auteur GANASCIA-J-
Gabriel a défini ce concept à travers la théorie d’Alan Turing qu’est connu pour ses travaux
novateurs dans les domaines de l'informatique et de l'intelligence artificielle. En 1936, à l'âge
de 24 ans, Turing établit les fondements théoriques de l'informatique en reliant la
formalisation mathématique du calcul aux automates à états finis, autrement appelés
ordinateurs. Pendant la Seconde Guerre mondiale, il a travaillé dans le renseignement
britannique et a utilisé ses talents mathématiques pour déchiffrer les messages ennemis
interceptés. Après la guerre, il contribue à la construction d'un des premiers calculateurs
électroniques et poursuit des travaux spéculatifs sur les capacités de réflexion des futures
machines, préfigurant ainsi ce qui deviendra l'intelligence artificielle. Turing a également
proposé le célèbre test de Turing, qui tente de déterminer si une machine peut présenter un
comportement intelligent indiscernable de celui d'un humain.
Pour résumer, le fonctionnement d'un système doté d'intelligence artificielle (IA) diffère de
celui d'un système informatique classique en ce qu'il est capable d'apprendre à partir
d'exemples et de produire une fonction de généralisation. Comme un enfant apprend à
reconnaître les animaux en extrayant les caractéristiques communes et spécifiques, un système
intelligent fonctionne de la même manière en se basant sur la complexité du modèle et le
11 | P a g e
nombre de données d'apprentissage pour progresser dans sa capacité à prédire les objets ou les
événements. La capacité à prédire, raisonner et décider sont liés, et un système intelligent peut
prendre des décisions en calculant les probabilités de différentes actions successives en
combinant les probabilités entre elles. On parle souvent de logiciels d'aide à la décision.
Section 2 : les technologies émergentes applicable à la finance.
Les technologies émergentes telles que l'intelligence artificielle, la blockchain, le big data, l'internet
des objets, la RPA et la fintech sont en train de transformer de manière significative le secteur
financier. Elles offrent des opportunités d'automatisation, d'analyse avancée des données, de sécurité
améliorée et de nouvelles solutions financières, perturbant ainsi les modèles traditionnels et ouvrant la
voie à des services plus efficaces, personnalisés et accessibles.
1- Les technologies émergentes : définitions.
 La blockchain :
Conclusion du chapitre 1 :
En conclusion, ce chapitre a présenté les concepts clés liés aux technologies émergentes
applicables à la finance. Le Big Data a été défini comme la gestion et l'exploitation de
données massives et variées, apportant des informations précieuses aux entreprises et aux
chercheurs. L'IA a été définie comme la capacité des machines à résoudre des problèmes
nécessitant normalement une intelligence humaine. Ces définitions posent les bases
nécessaires pour comprendre l'importance et l'impact de ces technologies dans le domaine
financier. La section suivante a ensuite mis en évidence les principales technologies
émergentes appliquées à la finance, telles que l'IA, la blockchain, le Big Data, l'internet des
objets, la RPA et la fintech. Chacune de ces technologies offre des avantages spécifiques et
transforme les pratiques et les processus financiers. Cependant, il est essentiel de souligner
que l'adoption de ces technologies présente également des défis, tels que la gestion des
données, la sécurité et l'éthique. Les institutions financières doivent donc être prêtes à relever
ces défis tout en exploitant les opportunités offertes par ces technologies émergentes afin de
rester compétitives et innovantes dans un secteur en constante évolution. L'analyse plus
détaillée de ces avantages et limites sera abordée dans le prochain chapitre.
12 | P a g e
Chapitre 2 : Le Big Data et l'IA : applications, opportunités, limites

et perspectives d'avenir dans la finance.
Section 1 : Les applications concrètes de Big Data et de l’IA dans

la finance :
1- Le big data appliquer à la finance :
Les entreprises financières peuvent désormais utiliser le big data pour diverses applications
telles que la génération de nouveaux flux de revenus en utilisant des offres basées sur les
données(data-driven), la personnalisation des recommandations selon les différents publics,
l'amélioration de leur efficacité pour obtenir un avantage concurrentiel, renforcer la sécurité et
offrir de meilleurs services aux clients. Beaucoup de ces entreprises qui exploitent le big data
peuvent bénéficier rapidement de ses avantages.
 Augmentation des recettes et de la satisfaction des clients :
L'utilisation du big data peut conduire à une augmentation des revenus et de la satisfaction des
clients. Par exemple, des entreprises comme « Sidetrade » ont exploités cette technologie pour
créer des plateformes d'analyse prédictive qui évaluent les comportements de paiement des
clients. En analysant ces comportements, une entreprise peut réduire les délais de paiement,
augmenter sa trésorerie et améliorer la satisfaction des clients en répondant à leurs attentes.
 Accélération des processus manuels :
Le big data peut permettre l'automatisation de processus manuels, comme l'a fait « Qudos
Bank », une société de cartes de crédit, en utilisant des solutions d'intégration de données. Ces
outils offrent une vue d'ensemble de toutes les transactions, ce qui permet d'automatiser
certains processus, de réduire les heures de travail du personnel informatique et de fournir des
informations sur les transactions quotidiennes des clients. De plus, ces solutions peuvent
s'adapter aux besoins évolutifs des entreprises.
 Amélioration du parcours d'achat
Le processus d'achat peut être amélioré grâce à l'utilisation d'outils de gestion de données dans
13 | P a g e
le cloud, car les anciens outils ne sont plus adaptés pour traiter de grandes quantités de
données disparates et offrent une flexibilité limitée pour le déploiement de serveurs. Les
entreprises peuvent utiliser des data warehouses pour extraire des données de différents
services web et les mettre à disposition de divers services tels que la finance, le marketing, la
business intelligence, la veille et le reporting. En adoptant des stratégies cloud similaires,
telles que la collecte quotidienne d'indicateurs de prévisions de performance et la réalisation
d'analyses de données ad hoc, les entreprises peuvent améliorer le parcours d'achat des clients.
 Workflow rationalisé et traitement fiable du système
La modernisation des données bancaires de base et des systèmes d'application est devenue
essentielle dans le secteur bancaire en raison de l'augmentation constante des volumes de
données. Les plateformes d'intégration uniformes permettent de rationaliser le workflow et de
garantir un traitement fiable des données. Ainsi, des entreprises telles que la « Landesbank »
Berlin a pu utiliser l'intégration d'applications pour traiter 2 To de données par jour, mettre en
place 1 000 interfaces et utiliser un seul processus pour gérer la logistique de l'information et
l'interfaçage.
 Analyse des performances financières et contrôle de la croissance :
L'analyse de la performance financière et le contrôle de la croissance entre les employés d'une

entreprise peuvent être complexes, surtout lorsqu'il y a des milliers d'affectations par an et des
dizaines d'unités commerciales. Cependant, des entreprises comme « Syndex » ont pu
automatiser le reporting quotidien et augmenter la productivité des services informatiques en
utilisant des processus d'intégration de données. Ces processus permettent également aux
utilisateurs professionnels d'accéder facilement à des analyses stratégiques et simplifiées.
2- L’IA appliquer à la finance :
Avec l'avènement de l'ère numérique, les établissements manipulant des données bancaires
sont confrontés à une augmentation des délits et des attaques, ce qui pousse chaque institution
bancaire à chercher à minimiser ce risque. Cela montre que le domaine financier offre des
conditions propices au progrès de l'IA, grâce à deux facteurs : premièrement, les avancées
dans le domaine de l'apprentissage automatique, qui reposent sur la sélection des données les
plus importantes, et deuxièmement, le développement des outils informatiques et
technologiques nécessaires pour traiter ces données. Les services financiers peuvent bénéficier
considérablement de l'application de l'IA dans quatre domaines, à savoir la gestion de la
performance, la compréhension des clients, la gouvernance et la conformité, ainsi que la
14 | P a g e
gestion des risques.
 Le management de la performance :
Le trading algorithmique :
a) Le trading haute fréquence/high frequency trading (HFT) :
Le trading haute fréquence est une pratique courante dans le trading algorithmique, impliquant
l'utilisation d'algorithmes ultra-rapides pour générer et exécuter des ordres boursiers, des
canaux de communication privés avec les échanges, des taux de rotation de positions très
élevés et peu de positions overnights. Les algorithmes de trading exploitent les données
générées par les marchés, et différentes stratégies sont mises en œuvre, telles que le Market
Making, le Liquidity Rebate Trading, l'Arbitrage Statistique, l'Ignition Momentum et
l'Exploitation de différences structurelles. Les banques et les gestionnaires doivent non
seulement obtenir les données de manière efficace, mais aussi traduire leur point de vue sur le
marché pour obtenir une martingale pendant un temps. Les grandes années du HFT étaient de
2009-2010, mais depuis, la pratique a été quelque peu délaissée en raison de la volatilité faible
des marchés, de la liquidité améliorée, des coûts d'infrastructure élevés et de l'intérêt
grandissant des régulations pour ces pratiques et leurs encadrements.
b) Robo-advisor :
Selon Victor Hüni (2019) dans son document réalisé en vue de l’obtention du Bachelor HES,
le Robo-advisor et automated trading sont des concepts apparus avec l'avènement de
l'intelligence artificielle, du Big Data et la perte de confiance envers les institutions
financières en 2008. Les robots advisors définissent un profil de risque et des objectifs
d'investissement via un questionnaire, construisent une stratégie d'investissement basée sur les
stratégies fondamentales telles que celle de Markovitz concernant l'allocation d'actifs,
rééquilibrent les portefeuilles automatiquement et proposent des solutions d'optimisations
fiscales. Les USA sont parmi les premiers investisseurs dans les robots Advisors, avec une
valeur des actifs sous gestion évaluée à 400 milliards en 2018, pouvant atteindre près de 1,5
trillions de dollars en 2023. L'Europe compte également plus de 70 robots advisors en
croissance rapide.
Robotic Process Automation : (Automatisation des processus robotiques)
L'automatisation des processus est une application de la Data Science dans les services
financiers. Elle permet d'améliorer la cohérence des données en éliminant les erreurs
humaines, ainsi que de surveiller et d'optimiser les processus plus facilement grâce à la
15 | P a g e
génération et au stockage de données. Les processus automatisés peuvent également être

optimisés à l'aide du machine learning et de l'IA, ce qui permet aux services financiers
d'augmenter leur efficacité et leur compétitivité. Selon un sondage d'IBM, 91% des entreprises
ont automatisé certains de leurs processus (Chao et al., 2018), avec des niveaux de complexité
allant du basique à l'intelligent. Dans le cas de l'intelligence, le robot responsable du processus
est doté d'une certaine capacité d'intelligence pour prendre des décisions en fonction des
données d'entrée. Pour le niveau avancé, le robot suit des parcours préétablis par des
algorithmes et effectue des analyses complexes qui s'appuient souvent sur des techniques
sophistiquées d'intelligence artificielle. Enfin, pour le niveau basique, le robot suit simplement
des chemins prédéfinis pour effectuer des tâches simples de manière automatisée.
Back testing investment strategy :( Back tester la stratégie d’investissement)
Le Back testing de stratégies consiste à utiliser des données de marchés passées pour simuler
un comportement des cours dans le futur. Les analystes peuvent ainsi tester leurs hypothèses
et stratégies sur une simulation du futur et valider ou non leur stratégie grâce à des indicateurs
tels que le Sharpe Ratio (le Ratio de Sharpe), le maximum drawdown, Total P/L, la Value At
Risk (VAR), etc. Cette pratique est une obligation en risque management selon les accords de
Bale, et bien que les données utilisées soient des données de marchés stockées dans des
systèmes de gestions de bases de données rationnelle (RDBMS) classiques, des bases de
données NoSQL et des architectures Big Data peuvent accélérer ce type de processus. L’IA
est donc un véritable atout pour augmenter le nombre de simulations et de leur vitesse et ainsi
valider des modèles plus complexes à plus grandes échelles.
 Le Risk management et régulation :
Le secteur financier est soumis à une réglementation stricte et en constante évolution, ce qui
entraîne une augmentation des coûts et des équipes de conformité pour les entreprises du
secteur. Les regtechs sont de plus en plus évaluées pour répondre à ces défis. La Data Science
peut aider à maîtriser ces risques et coûts, ainsi qu'à mettre en place de nouveaux processus de
réglementation de manière efficace. Comment l'IA peut-elle aider dans ce domaine ?
Le crédit scoring :
Le crédit scoring est un résumé de la solvabilité apparente d'une personne, utilisé pour prendre
des décisions de souscription de prêts. Le système le plus ancien de ce type est le FICO score
aux États-Unis, qui compile des informations telles que l'historique de paiement et
d'utilisation des crédits. Les nouvelles entreprises proposant des solutions de scoring de crédit
utilisent également des données comportementales pour améliorer les prévisions de défauts et
16 | P a g e
réduire les risques des émetteurs de prêts. L'exploitation de ces nouvelles données nécessite
des architectures adaptées, telles que Hadoop & Spark.
Détection de fraudes :
Les fraudes en finance sont en augmentation, mais seules 16% des institutions financières sont
capables de les détecter avant qu'elles ne soient réalisées. Les technologies l’IA pourraient
aider à découvrir des relations difficiles à repérer, telles que les comportements en ligne des
clients et les adresses IP. L'automatisation des processus et le machine learning pourraient
permettre de détecter les fraudes plus rapidement, ce qui permettrait aux institutions
financières de réagir plus rapidement également en bloquant des transactions ou en demandant
des identifications supplémentaires.
Analyses des cyberattaques :
La sécurité des données dans le secteur financier et de l'importance de la protection des

données sensibles des clients. Les nouvelles technologies telles que les API ouvrent des points
d'entrée pour les cybercriminels, et les institutions financières doivent se protéger contre les
cyberattaques. Les solutions proposées, comme celles développées par Guidewire, utilisent le
machine learning pour détecter et contrer les cyberattaques. Dans la suite du chapitre, on
abordera la manière dont l’IA peut offrir une valeur ajoutée aux clients.
 La connaissance du client :
Les relations entre les banques et leurs clients ont changés avec l'explosion technologique, et
de nombreux clients sont désormais plus volatiles et changent souvent de banque. Pour mieux
comprendre leurs clients et leurs comportements, les banques cherchent à enrichir leurs
données avec des sources externes telles que les médias sociaux et la géolocalisation. Les
banques estiment que la maîtrise des technologies Big Data leur permettra d'augmenter leur
revenu en comprenant mieux leurs clients. Les banques qui analysent précisément leurs
données clientes ont des parts de marché légèrement plus élevées que leurs concurrents. Les
technologies d'analyse avancée ont permis aux fournisseurs de paiement d'augmenter leur
satisfaction client et de réduire leurs coûts opérationnels. A travers :
Acquisition de clients et limiter les départs :
Selon le même document de Victor Hüni (2019), réalisé en vue de l'obtention du Bachelor
HES, une banque américaine a réussi à maximiser son taux de conversion de prospects de
100% en intégrant les résultats d'une analyse de données clients en ligne et hors ligne dans son
CRM. Cette analyse a également été utilisée pour fournir des informations ciblées à son centre
17 | P a g e
d'appels et donner des recommandations à ses développeurs web pour améliorer la conception
de leur site et le rendre plus convivial pour les utilisateurs. De même, une grande banque
européenne a augmenté son taux de conversion de 7 fois son niveau précédent grâce à
l'analyse prédictive de données clients internes et externes. Par ailleurs, une banque
européenne ayant plus de 2 millions de clients a réussi à créer un modèle prédictif utilisant
l'IA pour identifier les clients qui risquaient de partir, évitant ainsi des pertes annuelles
d'environ 30 millions d'euros.
Marketing cible :
Les banques peuvent utiliser l'IA pour surveiller les réseaux sociaux et effectuer une analyse
des données clients afin de proposer des offres personnalisées tout au long de la vie de leurs
clients, depuis leur mariage jusqu'à leur retraite. Cependant, cette pratique peut rappeler des
œuvres dystopiques. Les banques qui ont mis en place des stratégies basées sur l'analyse des
données ont vu leurs revenus augmenter considérablement et leur taux de conversion
augmenter de manière significative. En utilisant ces techniques, les banques peuvent créer des
profils précis de leurs clients, découvrir des modèles de dépenses et identifier les canaux de
communication et les transactions préférés afin de concevoir des offres personnalisées.
Customer feedback analysis, Sentiment analysis et Brand reputation : (Analyse des retours clients,
Analyse du sentiment et Réputation de la marque) :
Les statistiques (80% de consommateurs suivent leurs marques préférées) montrent que les
consommateurs sont fortement engagés auprès de leurs marques préférées sur les réseaux
sociaux et sont prêts à dépenser plus et à recommander davantage une marque qui leur répond
sur Twitter. Les marques, y compris les services financiers, doivent utiliser les médias sociaux
pour analyser et prédire les réactions de leurs clients. Les techniques d'IA, comme le
traitement du langage naturel, peuvent aider à évaluer les commentaires des clients. Cela
permettrait aux banques de s'adapter en temps réel aux évolutions des avis et de répondre de
manière adaptée aux attentes de leurs clients. Cependant, l'exploitation de ces données non
structurées nécessite des technologies Big Data et une équipe de data scientists pour en tirer le
meilleur parti.
En résumé, les secteurs financiers ont désormais de nouvelles opportunités grâce à la Big Data
et l’IA, que ce soit en termes de performance, de gestion des risques ou de connaissance des
clients. Bien qu’il soit clair que ces nouveaux outils ont cruciale pour l'avenir des services
financiers en termes de rentabilité et de gestion des risques. Dans le second chapitre de notre
18 | P a g e
travail nous allons mettre en œuvre concrètement ces avantages et ces défis dans le secteur
financier.
Section 2 : Les avantages et les défis liées à l’utilisation du Big
Data et de l’IA.
1- Les avantages du Big data et de l’IA :
L'IA est devenue essentielle dans tous les services de l'entreprise, de la logistique à la
comptabilité en passant par les ressources humaines. Son principe consiste à utiliser des
machines intelligentes et des données pour améliorer la productivité globale de l'entreprise.
De nombreux niveaux et domaines d'activité de l'entreprise peuvent profiter de cette approche.
Ainsi, ces nouvelles technologies offrent plusieurs avantages pour les entreprises en général,
tels que : l’amélioration de la précision des prévisions de risque, l’optimisation de la
tarification et de la souscription, la personnalisation des offres de services pour les clients et
l’automatisation de la prise de decision.
 Amélioration de la précision des prévisions de risque :
Le Big Data et l'IA ont considérablement amélioré la précision des prévisions de risque dans
de nombreux domaines, tels que la finance, l'assurance, la santé et la sécurité. D’un premier
lieu le Big Data permet de collecter, stocker et analyser de grandes quantités de données
provenant de diverses sources, telles que les médias sociaux, les capteurs IoT, les transactions
financières, etc. L'analyse de ces données permet d'identifier des tendances, des modèles et
des anomalies qui peuvent être utilisés pour améliorer les prévisions de risque. D’un
deuxième lieu l'IA, quant à elle, utilise des algorithmes d'apprentissage automatique pour
analyser les données et créer des modèles prédictifs. Ces modèles peuvent être utilisés pour
identifier des schémas de comportement, des corrélations et des prévisions de risque plus
précises. Par exemple, dans le domaine de la santé, les modèles prédictifs basés sur le Big
Data et l'IA peuvent être utilisés pour identifier les patients à haut risque de développer
certaines maladies. Dans le domaine de la finance, ils peuvent être utilisés pour détecter les
fraudes ou pour prédire les tendances du marché financier.
En résumé, le Big Data et l'IA permettent de collecter, d'analyser et d'utiliser des données de
manière plus efficace et plus précise, ce qui peut aider à améliorer les prévisions de risque
dans de nombreux domaines et à prendre des décisions plus éclairées
 Optimisation de la tarification et de la souscription :
Le Big Data et l'IA ont un impact significatif sur l'optimisation de la tarification et de la
19 | P a g e
souscription dans le domaine financier. En utilisant les données financières et économiques

provenant de diverses sources, l'IA peut évaluer les risques de manière plus précise. Les
modèles prédictifs sophistiqués développés à l'aide de l'IA permettent d'analyser les tendances
du marché, les données financières historiques et d'autres variables pertinentes pour prédire
les performances d'investissement futures. De plus, les systèmes d'IA peuvent automatiser et
accélérer les processus de souscription et de prêt en analysant les données financières des
candidats et en évaluant leur solvabilité, ce qui réduit les délais de traitement et améliore
l'efficacité opérationnelle. Les institutions financières peuvent également proposer des
produits personnalisés en analysant les données des clients, ce qui conduit à une meilleure
expérience client et à une plus grande satisfaction. En somme, l'utilisation du Big Data et de
l'IA dans la tarification et la souscription permet une évaluation des risques plus précise, des
processus automatisés et personnalisés, ainsi qu'une amélioration de l'efficacité opérationnelle
et de l'expérience client.
 Personnalisation des offres de services pour les clients :
Les technologies du Big Data et de l'IA permettent de personnaliser les offres de services pour
les clients. Les entreprises collectent des données sur les clients à partir de diverses sources,
telles que les historiques d'achat, les préférences et les interactions en ligne. L'IA analyse ces
données pour identifier les tendances et les corrélations. Les algorithmes d'apprentissage
automatique sont ensuite utilisés pour générer des recommandations personnalisées pour
chaque client, y compris des produits, des services ou des contenus pertinents. Les entreprises
peuvent également personnaliser la communication avec les clients, en leur envoyant des
messages ciblés et adaptés à leurs intérêts et préférences. L'utilisation de ces technologies
permet une amélioration continue des offres de services, en s'adaptant aux réactions et aux
comportements des clients en temps réel. En personnalisant les offres de services, les
entreprises renforcent l'engagement des clients, améliorent leur expérience globale, et
augmentent leur fidélité à long terme.
 Automatisation de la prise de decision :
L'automatisation de la prise de décision est l'un des avantages les plus importants du Big Data
et de l'IA. Les entreprises ont besoin de prendre des décisions rapides et précises pour rester
compétitives sur le marché. Cependant, ces décisions sont souvent complexes et nécessitent
des analyses approfondies des données. Le Big Data et l'IA permettent d'automatiser cette
tâche, en fournissant des outils pour collecter et analyser des données en temps réel, et générer
des informations précieuses. Les algorithmes d'IA peuvent évaluer des milliers de variables à
20 | P a g e
la fois, identifier des tendances significatives et prédire les résultats futurs. Les décisions
automatisées peuvent être prises rapidement, sans l'influence de biais humains ou de
subjectivité. Cela permet aux entreprises de réduire les erreurs, d'optimiser les processus, de
réduire les coûts, et de gagner en agilité. L'automatisation de la prise de décision permet
également aux entreprises de se concentrer sur des tâches à plus forte valeur ajoutée, telles
que la créativité, l'innovation et la résolution de problèmes complexes. En somme,
l'automatisation de la prise de décision est un avantage majeur du Big Data et de l'IA, qui
offre des avantages significatifs pour les entreprises, tant en termes d'efficacité opérationnelle
que de compétitivité.
2- Les limites de Big Data et de l’IA dans le secteur financier :
Le Big Data et l'IA ont révolutionnés la façon dont les entreprises gèrent, analysent et utilisent les
données pour prendre des décisions éclairées. Cependant, malgré les nombreux avantages qu'offrent
ces technologies, elles sont confrontées à des défis importants. Le volume, la variété et la vélocité des
données peuvent rendre leur collecte et leur traitement difficiles et coûteux. Les questions liées à la
sécurité et à la confidentialité des données sont également des préoccupations majeures. En outre, l'IA
est souvent confrontée à des questions éthiques et de responsabilité, notamment en ce qui concerne les
biais et les discriminations.
 Risque de bais dans les algorithmes :
Le risque de biais dans les algorithmes est l'un des principaux défis du Big Data et de l'IA. Les
algorithmes sont souvent formés sur des ensembles de données historiques, qui peuvent
contenir des biais et des préjugés. Ces biais peuvent se propager dans les résultats des
algorithmes, ce qui peut avoir des conséquences néfastes sur les décisions prises sur la base de
ces résultats. Par exemple, un algorithme de recrutement formé sur des données historiques
peut reproduire des schémas de discrimination envers certaines catégories de personnes, telles
que les femmes ou les minorités ethniques. De même, les algorithmes de prêt peuvent
discriminer les personnes en fonction de leur race, de leur sexe ou de leur âge. Le risque de
biais peut également avoir des conséquences financières, juridiques et de réputation pour les
entreprises qui utilisent ces technologies. Pour remédier à ce problème, les entreprises doivent
adopter des pratiques de collecte et d'utilisation de données éthiques, diversifier leurs
ensembles de données, auditer régulièrement les algorithmes et concevoir des mécanismes de
transparence et de responsabilité. Le risque de biais dans les algorithmes est un défi majeur du
Big Data et de l'IA, qui nécessite une approche proactive pour garantir que ces technologies
sont utilisées de manière éthique et juste.
21 | P a g e
 Respect de la vie privée des clients :
Le respect de la vie privée des clients est l'un des défis du Big Data et de l'IA. Ces
technologies permettent la collecte, le stockage et l'analyse de vastes quantités de données
personnelles, ce qui soulève des préoccupations légitimes en matière de confidentialité et de
protection des données. Les entreprises doivent s'assurer que les données des clients sont
traitées de manière sécurisée, conformément aux réglementations en vigueur telles que le
Règlement général sur la protection des données (RGPD). L'utilisation inappropriée ou non
autorisée des données peut entraîner des violations de la vie privée, des atteintes à la sécurité
et des risques de piratage. De plus, le croisement et la combinaison de différentes sources de
données peuvent aboutir à la création de profils détaillés des individus, suscitant des
inquiétudes quant à la surveillance et à la manipulation des comportements. Pour relever ce
défi, les entreprises doivent adopter des politiques de confidentialité transparentes, obtenir le
consentement éclairé des clients pour l'utilisation de leurs données, mettre en œuvre des
mesures de sécurité robustes et limiter la rétention des données au strict nécessaire. Le respect
de la vie privée des clients est essentiel pour maintenir la confiance des utilisateurs et assurer
la durabilité et la légitimité des initiatives basées sur le Big Data et l'IA.
 Complexité et coût de mise en œuvre des technologies :
La complexité et le coût de mise en œuvre des technologies de Big Data et d'IA représentent
un défi important pour de nombreuses entreprises. La collecte, le stockage et l'analyse des
données à grande échelle nécessitent des infrastructures informatiques complexes et des
ressources de traitement de données importantes. De plus, l'IA exige souvent des algorithmes
sophistiqués qui nécessitent des compétences spécialisées en matière de science des données
et de modélisation statistique. Tout cela peut entraîner des coûts élevés, notamment en ce qui
concerne l'acquisition de logiciels, de matériel et de compétences spécialisées.
En outre, la mise en place d'une infrastructure de Big Data et d'IA nécessite souvent des
changements organisationnels importants, notamment la modification des processus de
collecte de données et l'intégration de nouvelles technologies dans les systèmes existants. Ces
changements peuvent être coûteux et prendre du temps à mettre en place.
Pour faire face à ces défis, les entreprises doivent élaborer une stratégie claire pour leur
22 | P a g e
initiative de Big Data et d'IA, en identifiant les priorités en matière de données, les
compétences nécessaires et les technologies appropriées. Les entreprises peuvent également
chercher à externaliser certaines tâches, telles que la collecte et l'analyse de données, pour
réduire les coûts et les risques associés à la mise en œuvre de nouvelles technologies.
En somme, la complexité et le coût de mise en œuvre des technologies de Big Data et d'IA
peuvent être un défi important pour les entreprises, mais une planification rigoureuse et la
recherche de solutions alternatives peuvent aider à minimiser les coûts et à maximiser les
avantages de ces technologies.
Bref, le Big Data et l'IA ont apporté des transformations majeures dans la gestion des données
et la prise de décisions. Cependant, ces technologies ne sont pas exemptes de défis. Le risque
de biais dans les algorithmes est une préoccupation majeure, car les données historiques
utilisées pour entraîner les modèles peuvent contenir des préjugés. La protection de la vie
privée des clients est également un défi important, compte tenu de la quantité de données
personnelles collectées et analysées. De plus, la mise en œuvre des technologies de Big Data
et d'IA peut être complexe et coûteuse en raison de l'infrastructure requise et des compétences
spécialisées nécessaires. Néanmoins, en adoptant des pratiques éthiques, en assurant la
conformité réglementaire, en garantissant la sécurité des données et en planifiant
soigneusement la mise en œuvre, les entreprises peuvent surmonter ces défis et tirer
pleinement parti des avantages offerts par le Big Data et l'IA dans le domaine de la finance.
Section 3 : les perspectives d’avenir de Big Data et de l’IA dans le
monde de la finance
1- L’Évolution continue des technologies du Big Data et de l’IA :
L'évolution continue des technologies du Big Data et de l'IA est l'un des développements les
plus importants dans le monde des affaires et de la technologie. Depuis leur émergence, ces
technologies ont révolutionné la façon dont les entreprises collectent, stockent, analysent et
utilisent les données. Les progrès en matière de puissance de calcul, de stockage de données et
d'algorithmes ont permis aux entreprises de traiter des quantités massives de données et de
générer des informations utiles à partir de celles-ci. Les technologies du Big Data et de l'IA
ont un impact sur tous les secteurs d'activité, y compris la finance, la santé, le marketing, la
logistique, etc.
L’évolution continue des technologies du Big Data et de l'IA est encore plus accentuée avec
l'émergence de nouveaux outils et plateformes qui rendent ces technologies plus accessibles
23 | P a g e
aux entreprises de toutes tailles. Cette évolution ouvre de nouvelles perspectives pour les
entreprises en termes d'innovation et de compétitivité, mais soulève également des questions
éthiques et de confidentialité des données.
 la convergence entre le Big Data, l'IA et d'autres domaines technologiques :
Selon Helmut Herrmann (2014), la convergence du Big Data et de l'IA avec d'autres domaines
technologiques offre des opportunités stimulantes. L'intégration de ces deux domaines avec
l’IoT1, la RV2, la cybersécurité3, la santé numérique, la mobilité intelligente, et bien d'autres,
permet de tirer parti des avantages synergiques. L’intégration du Big Data et de l'IA avec l'IoT
permet de collecter et d'analyser les données massives provenant de capteurs et d'appareils
connectés, facilitant ainsi la prise de décisions intelligentes et la création de services
novateurs. De même, l'utilisation conjointe du Big Data et de l'IA avec la RV permet de
personnaliser les expériences virtuelles en analysant les données des utilisateurs et en générant
du contenu en temps réel. Dans le domaine de la cybersécurité, l'application du Big Data et de
l'IA permet une détection proactive des menaces en analysant les schémas de trafic réseau et
les comportements suspects. En santé numérique, l'analyse avancée des données médicales
massives grâce au Big Data et à l'IA permet d'obtenir des diagnostics plus précis et
d'améliorer les soins de santé personnalisés. Enfin, l'intégration du Big Data et de l'IA dans la
mobilité intelligente offre des opportunités pour optimiser la gestion des transports, la
planification urbaine et les services de mobilité. Ces combinaisons créent des synergies et
ouvrent de nouvelles possibilités pour innover et améliorer divers domaines technologiques.
Enfin, la fusion des technologies du Big Data et de l'IA avec d'autres domaines
technologiques offre des synergies et des possibilités nouvelles et innovantes. Elle permet de
tirer parti des capacités d'analyse des données massives
2- Réinvention des métiers et acquisition de nouvelles compétences :
De nombreux pays ont rencontré des difficultés pour adopter ces nouvelles technologies en
raison du manque de profils compétents dans les organisations, ce qui se traduit par une
absence de nouvelles compétences. Les pays européens ont également été confrontés à ce
1
IoT : Selon Microsoft : "L'Internet des objets (IoT) est un réseau de dispositifs physiques, véhicules, appareils domestiques et autres objets intégrant des capteurs, de l'électronique, des logiciels
et une connectivité réseau, qui leur permet de collecter et d'échanger des données."
2
RV : Jeremy Bailenson - "Experience on Demand : What Virtual Reality Is, How It Works, and What It Can Do" : "La réalité virtuelle est un système technologique interactif qui simule une
présence physique dans des environnements générés par ordinateur. Elle donne aux utilisateurs l'illusion de se déplacer et d'interagir dans ces environnements comme s'ils étaient réels."
3
La cybersécurité : Bruce Schneier - "Secrets and Lies : Digital Security in a Networked World" : "La cybersécurité est l'ensemble des pratiques, technologies et mesures mises en place pour
protéger les systèmes informatiques, les réseaux, les données et les utilisateurs contre les attaques, les intrusions et les menaces provenant de l'environnement numérique. Elle vise à assurer la
confidentialité, l'intégrité et la disponibilité des informations et des ressources dans un monde de plus en plus connecté ."
24 | P a g e
problème, comme l'indique le journaliste Christophe Auffray : "La France affiche un retard en
termes d'adoption de l'IA en Europe. Pour combler ce retard, il est nécessaire de recruter des
compétences pluridisciplinaires spécifiques, ce qui constitue un obstacle à l'adoption en
entreprise. Cependant, la formation continue peut également jouer un rôle clé". Alors,
comment surmonter la pénurie de compétences spécialisées en Big Data et IA dans le
domaine de la finance ?
Les compétences spécialisées en Big Data et IA sont devenues un facteur clé de succès dans
les projets d'intelligence artificielle dans le domaine de la finance. Cependant, selon une étude
du cabinet de recrutement, 57% des entreprises citent la difficulté de recruter des profils ayant
les compétences adaptées comme un obstacle majeur à l'adoption de ces technologies. De
plus, 45% des entreprises signalent un manque de compétences en interne. Pour combler ce
déficit, le recrutement est essentiel.
Le mouvement de recrutement s'intensifie pour ces profils. Les recrutements de profils Data &
IA ont augmenté de 40% en 2020, selon Michael Page Technology. Les métiers de la Data
sont ainsi « surreprésentés » parmi le Top 15 des métiers émergents, avec le DPO en tête en
France, suivi de l'ingénieur en intelligence artificielle, l'ingénieur Data, le Data Scientist et le
développeur Big Data.
Aux États-Unis, les profils les plus techniques sont les plus recherchés. Le spécialiste de
l'intelligence artificielle occupe la première place, suivi du Data Scientist et du Data Engineer.
Les États-Unis se positionnent en tête de la compétition mondiale en raison de l'accent mis sur
les moyens financiers et humains.
Cependant, attirer les talents en Big Data et IA coûte cher. Les salaires d'embauche se situent
déjà dans la fourchette haute des salaires d'entrée sur les métiers IT. Malgré tout, les
compétences spécialisées en Big Data et IA restent un élément clé pour l'avenir de la finance.
Alors, parmi les profils chercher par les recruteurs selon le site « RETENGR » (2019) on
trouve :
 Chief data Officer (ou bien responsable des données) :
Le Chief Data Officer (CDO), également connu sous le nom de Directeur des données, est un
nouveau métier de l'intelligence artificielle qui se spécialise dans la gestion et l'analyse des
données. Avec la prolifération d'internet et des objets connectés, de nombreuses entreprises
ont accès à des quantités massives d'informations, mais ne savent pas comment les utiliser
efficacement. Le rôle principal du CDO est de collecter et d'analyser ces données, en créant
un environnement qui permet à tous les membres de l'entreprise d'y accéder rapidement et en
25 | P a g e
toute sécurité. Il travaille également en étroite collaboration avec des experts en données, tels
que des scientifiques des données et des analystes web, pour extraire les informations les plus
pertinentes nécessaires à la stratégie opérationnelle et organisationnelle de l'entreprise.
Pour devenir CDO, il est essentiel d'avoir un diplôme de niveau Bac+5 dans des domaines tels
que l'informatique, le management, le marketing ou les statistiques. Une expérience préalable
en informatique, en science des données ou en exploration de données est également requise.
Les compétences nécessaires pour réussir dans ce métier comprennent une connaissance
approfondie des outils de Business Intelligence et d'analyse de données, ainsi que des
compétences en mathématiques et en statistiques. Le CDO doit également être un leader
compétent, un communicateur efficace et un diplomate, capable d'emmener les membres des
différentes équipes de l'entreprise dans l'analyse de données.
Le salaire d'un CDO varie en fonction de l'entreprise, de l'expérience et de la position. Après
plusieurs années d'expérience, un CDO peut évoluer vers des postes tels que Chief Digital
Officer ou Directeur Général d'une entreprise où la data est au cœur du business. Les salaires
pour ce poste sont généralement compris entre 3 500 et plus de 5 000 euros. En raison de la
demande croissante de spécialistes de la data et du potentiel de croissance du secteur, il existe
de nombreuses offres d'emploi pour les CDO.
 Architecte big data :
L'architecte Big Data est un profil très recherché par les entreprises dans le domaine de
l'intelligence artificielle. Il est chargé de concevoir des solutions techniques capables de gérer
et de stocker de grandes quantités de données. Son rôle principal consiste à organiser la
collecte, la gestion et le stockage des données brutes, en amont du traitement et de
l'organisation des données.
Les missions de l'architecte Big Data comprennent la collecte de données brutes à partir de
sources internes ou externes, de différentes tailles et structures. Une fois les données
collectées, il met en place l'infrastructure nécessaire pour les stocker et crée et optimise les
systèmes de stockage, de manipulation et de restitution des données. Il travaille en étroite
collaboration avec le data Scientist, qui lui fournit les données nécessaires. Alors, pour réussir
dans ce métier, l'architecte Big Data doit maîtriser les principales technologies du Big Data,
notamment les bases de données NoSQL (MongoDB, Cassandra, Redis), les infrastructures
serveurs (Hadoop, Spark) et le stockage de données en mémoire (Memtables). En plus de ces
compétences techniques, il doit avoir un esprit d'équipe solide, être collaboratif, organisé et
26 | P a g e
rigoureux, ainsi qu'une résistance au stress et à la pression. Aussi, pour devenir architecte Big
Data, il est généralement nécessaire d'obtenir un diplôme de niveau Bac+5 en informatique,
management, marketing ou statistiques. Bien qu'il existe des formations spécialisées en Big
Data et en architecture de données, elles sont encore relativement rares. La plupart des
personnes exerçant ce métier sont des professionnels seniors ayant une longue expérience
dans le domaine de l'intelligence artificielle.
En ce qui concerne le salaire, il n'y a pas de salaire d'entrée spécifique pour un architecte Big
Data. Cependant, après quelques années d'expérience, le salaire peut varier entre environ 3
000 euros par mois. Il est également possible d'évoluer vers des postes tels que Chief Digital
Officer ou Directeur Général d'une entreprise où la data joue un rôle central.
 Ingénieur Big Data :
Afin de favoriser la croissance et de guider les stratégies de chaque entreprise, l'ingénieur Big
Data joue un rôle crucial dans le traitement des données. Il est le premier intervenant dans
l'ensemble du processus de traitement des données et est responsable de toutes les opérations
liées aux bases de données.
Les responsabilités et missions de l'ingénieur Big Data consistent à fournir les supports
nécessaires pour traiter de grandes quantités de données de manière efficace. Il est chargé de
concevoir l'architecture, de mettre en place et de configurer les clusters, ainsi que d'ajouter des
algorithmes, d'effectuer des tests techniques et d'assurer la qualité des résultats. Il doit
également valoriser les données en les triant à travers divers logiciels, afin de les transformer
en informations exploitables. Ensuite, il les classe selon les besoins définis par l'entreprise ou
les clients et produit des rapports d'analyse.
Pour exceller en tant qu'ingénieur Big Data, il est essentiel de maîtriser l'informatique, les
mathématiques, les statistiques et les systèmes de bases de données numériques. La maîtrise
de l'anglais technique est également cruciale pour comprendre les outils utilisés. L'ingénieur
Big Data doit être compétent dans les technologies de développement telles que Java ou Scala
(Python), ainsi que dans les Framework Hadoop, Spark, Kafka, Hive, Storm ou Pig, et les
logiciels de bases de données tels que MongoDB ou Cassandra. Il doit faire preuve de rigueur
et posséder une expertise en gestion d'entreprise, capable de détecter les besoins sous-jacents
et d'anticiper la viabilité des projets. L'esprit d'équipe et les compétences en communication
orale sont également essentiels pour réussir en tant qu'ingénieur Big Data.
Pour devenir ingénieur Big Data, il est généralement nécessaire d'obtenir un master en Big
Data auprès d'une école d'ingénierie informatique, ou un diplôme de niveau BAC+8 dans le
27 | P a g e
domaine des statistiques avec des connaissances en programmation orientée base de données.
En ce qui concerne le salaire, un ingénieur Big Data débutant peut gagner entre 2 500 et 3 000
euros par mois. Au cours des trois premières années, il peut rapidement évoluer et atteindre
des salaires dépassant les 5 000 euros. Par la suite, il peut envisager des postes tels que
consultant en Big Data, data analyst ou ingénieur en Business Intelligence.
 Data analyst (ou bien analyste des données) :
Le data analyst est un métier émergent de l'intelligence artificielle qui a vu le jour avec
l'avènement du big data. Proche du data Scientist, ce professionnel a pour mission d'exploiter
les informations collectées via divers canaux afin de faciliter la prise de décision au sein de
son entreprise. Avec la quantité croissante de données collectées par les entreprises, le data
analyst est devenu un acteur clé de l'intelligence artificielle et du big data. En tant que
technicien hautement qualifié, il analyse les données massives pour identifier celles qui sont
les plus pertinentes et contribuer ainsi à la croissance de l'entreprise. À partir des données
sélectionnées, le data analyst établit des profils types de clients, identifiant leurs attentes et
besoins. Il en résulte des indicateurs pertinents qui influencent la stratégie opérationnelle de
l'entreprise, notamment dans le domaine du marketing, en élaborant des critères de
segmentation pour optimiser la stratégie et en produisant des rapports d'analyse web. Les
compétences requises pour exercer ce métier comprennent la maîtrise des langages
informatiques, du big data et de l'analyse web, ainsi que des techniques statistiques et de
datamining. Le data analyst doit également avoir des connaissances solides en bases de
données, en droit et en business. Pour devenir data analyst, un diplôme de niveau BAC+5 en
ingénierie informatique est généralement requis, avec une formation complémentaire en
marketing ou en statistiques. Des formations professionnelles en data sont également
possibles pour se spécialiser dans ce domaine. En termes de rémunération, un data analyst
peut prétendre à un salaire d'environ 3 000 euros par mois à la sortie d'un master, pouvant
atteindre 4 500 euros après 2 à 3 années d'expérience. Au cours de sa carrière, il peut évoluer
vers le poste de data Scientist, ce qui entraîne une augmentation significative de son salaire de
base.
 Data Scientist :
Le data Scientist est l'un des métiers clés de l'intelligence artificielle aujourd'hui, apportant
son innovation à la big data grâce à sa créativité unique. Évoluant à partir du rôle de data
analyst dans le domaine du big data, le data Scientist gère, analyse et exploite une vaste
quantité de données au sein d'une entreprise. Il possède une vision globale des données et les
28 | P a g e
croise provenant de multiples sources. Son rôle principal consiste à comprendre et à modéliser
les différentes problématiques métier, en développant des modèles prédictifs pour anticiper les
évolutions de la data et les tendances spécifiques au secteur d'activité de son entreprise. En
collaboration étroite avec les data Engineers et les data analysts, il joue un rôle central dans
l'organisation de son équipe. Les compétences essentielles pour être un data Scientist incluent
une expertise triple en statistique et informatique, en bases de données et en marketing ou
finance. Ils maîtrisent des domaines tels que le machine learning, le deep learning et la
visualisation des données. La connaissance des langages informatiques, des bases de données
et de la programmation fait partie de leur vocabulaire quotidien. Le data Scientist est à la fois
sensible et stratégique, et il est passionné par les chiffres. Pour devenir data Scientist, un
parcours similaire à celui d'un data analyst est recommandé, avec une formation approfondie
dans toutes les composantes du big data mentionnées précédemment. L'obtention d'un master
en gestion et analyse des données massives est une option envisageable. Des formations
professionnelles spécifiques en data science sont également disponibles pour accélérer le
développement des compétences. En termes de salaire, un data Scientist peut s'attendre à un
revenu d'environ 5 000 euros par mois au début de sa carrière. Il a également la possibilité
d'évoluer rapidement vers des postes de data Scientist senior ou de chef de projet data.
 Data miner :
Le métier de data miner consiste à explorer les données de l'entreprise afin de les sélectionner
et de les rendre utiles. Ce professionnel est considéré comme un spéléologue de la donnée,
capable de fouiller et d'analyser les données cachées du marketing pour les rendre
intelligibles. Ses missions sont similaires à celles du data analyst, à savoir trier et explorer les
données issues de diverses sources. Il doit aussi formater les données pour les rendre
utilisables et produire des tableaux de data visualisation. Les compétences et qualités
nécessaires pour devenir data miner incluent une passion pour l'analyse des données, une
connaissance approfondie des outils d'analyse de données et des langages de programmation
tels que SQL, Python et Java. Un diplôme de BAC+5 en statistiques avec une spécialisation
en marketing, en informatique décisionnelle ou en économétrie est recommandé, ainsi qu'une
formation professionnelle en Big Data. Les data miners gagnent un salaire d'ingénieur
débutant d'environ 3 000 euros par mois, mais avec de l'expérience, ils peuvent atteindre
jusqu'à 80 000 euros par an en tant que senior.
 Machine learning Engineer :
Le Machine Learning Engineer est un métier méconnu mais très recherché dans le domaine de
29 | P a g e
l'intelligence artificielle. Ce professionnel combine les compétences d'un data Scientist et d'un
ingénieur logiciel pour créer des modèles de machine learning et des logiciels self-running. Il
développe des algorithmes pour traiter de gros volumes de données, choisir le modèle le plus
pertinent pour résoudre les problématiques de l'entreprise et industrialiser les modèles d'IA.
Le Machine Learning Engineer doit avoir des connaissances pointues en mathématiques, en
modélisation et en programmation, notamment en Python et Java, ainsi qu'une grande capacité
à collaborer et à travailler en mode Agile. Les entreprises qui recrutent privilégient les masters
et les doctorants en informatique, statistiques ou mathématiques. Les salaires pour les
Machine Learning Engineers débutants varient autour de 45 000 euros par an, tandis que les
freelances peuvent gagner jusqu'à 1 200 euros par journée travaillée. Les reconversions
possibles incluent les postes de développeur informatique ou de data Scientist.
 Développeur big data :
Le développeur Big Data est un expert en langages et codages informatiques qui intègre des
algorithmes aux systèmes de stockage de données. Il est spécialisé dans les langages de script
tels que Java, Scala ou Python et a pour mission principale de développer des applications
spécialisées en big data. Pour cela, il doit créer des solutions fiables et performantes capables
de traiter de gros volumes de données. Pour devenir développeur Big Data, il est recommandé
d'avoir un diplôme de BAC+5 en informatique et de se former sur le terrain. Les développeurs
Big Data sont assez rares et bien payés, avec un salaire entre 3 000 et 4 000 euros par mois à
leurs débuts, mais peuvent évoluer vers le consulting big data. Le développeur Big Data doit
également être capable de travailler en équipe et de collaborer avec des data scientists ou des
architectes big data.
Alors, la réinvention des métiers et l'acquisition de nouvelles compétences sont essentielles
dans le contexte de l'adoption des nouvelles technologies telles que le Big Data et l'IA.
Cependant, de nombreux pays, dont la France, ont du mal à combler le déficit de compétences
spécialisées dans ces domaines. Cela représente un obstacle majeur à l'adoption de ces
technologies par les entreprises. Donc pour résoudre le manque de compétences spécialisées
en Big Data et IA dans le secteur financier requiert une approche de recrutement ciblée et
renforcée. Des postes tels que le CDO, l'architecte Big Data, l'ingénieur Big Data, le data
analyst et le data Scientist sont hautement recherchés et jouent un rôle crucial dans la
transition numérique des entreprises financières.
En résumé, l'évolution des technologies du Big Data et de l'IA a transformé le paysage des
30 | P a g e
affaires, offrant de nouvelles opportunités et défis. Les synergies entre le Big Data, l'IA et
d'autres domaines technologiques ont ouvert la voie à l'innovation dans différents secteurs.
Cependant, la pénurie de compétences spécialisées constitue un obstacle à l'adoption et à
l'utilisation maximale de ces technologies. Le recrutement de profils compétents et la
formation continue sont des stratégies essentielles pour surmonter ces défis et favoriser la
croissance dans le domaine du Big Data et de l'IA.
31 | P a g e
Conclusion de la première partie :
En conclusion, cette partie introductive nous a permis de poser les bases nécessaires à la
compréhension des enjeux du Big Data et de l'IA dans le domaine de la finance. Nous avons
défini les concepts clés et exploré les applications concrètes de ces technologies dans le
secteur financier. Nous avons également pris en compte les avantages qu'elles offrent, tels que
l'amélioration de la gestion des risques et de la prise de décisions, ainsi que les défis auxquels
elles font face, notamment les risques de biais, les préoccupations liées à la vie privée des
clients et les coûts de mise en œuvre. Ces réflexions nous permettent de mieux appréhender
les perspectives d'avenir du Big Data et de l'IA dans le monde de la finance, et d'envisager les
transformations potentielles dans les métiers et les compétences requises. Ce chapitre
introductif jette les bases nécessaires pour approfondir notre analyse et explorer plus en détail
les différents aspects de l'utilisation du Big Data et de l'IA dans le secteur financier. En
somme, cette partie introductive nous a fourni une base solide pour la suite de notre étude, où
nous examinerons de manière approfondie l’impact du Big Data et de l'IA dans le domaine de
la finance à travers une enquête.
32 | P a g e
PARTIE 2 : Volet Empirique
33 | P a g e
Introduction de la partie :
Dans cette deuxième partie, nous avons consacré le quatrième chapitre à la méthodologie de
recueil des données, en utilisant le questionnaire comme modèle de recherche. Nous avons
défini notre cible et procédé à l'analyse des résultats à l'aide des logiciels SPSS ce qui sera
abordé dans le cinquième chapitre. Cette confrontation entre la partie théorique et l'analyse
nous permettra de valider ou d'invalider les hypothèses énoncées dans l'introduction et de
fournir une réponse précise à notre question principale de recherche.
Chapitre 3 : cadre méthodologique.

Dans cette partie consacrée au cadre méthodologique de notre enquête sur "l'impact du Big
Data et de l'IA sur la finance", nous présenterons les approches et les outils que nous avons
utilisés pour collecter et analyser les données. Cette méthodologie nous permettra d'obtenir
des informations fiables et pertinentes pour répondre à notre question de recherche.
Tout d'abord, nous décrirons le choix du questionnaire comme principal instrument de
collecte de données. Le questionnaire nous a permis de recueillir les opinions, les perceptions
et les expériences des professionnels de la finance quant à l'utilisation du Big Data et de l'IA
dans leur domaine. Nous avons élaboré des questions spécifiques qui couvrent différents
aspects de cette thématique afin d'obtenir des réponses détaillées et approfondies.
Ensuite, nous aborderons la population cible de notre enquête. Nous avons identifié un
échantillon représentatif de professionnels de la finance, notamment des experts, des
gestionnaires et des décideurs travaillant dans diverses institutions financières. La sélection de
cette population cible est essentielle pour obtenir des données pertinentes et représentatives de
l'impact réel du Big Data et de l'IA dans le secteur financier.
Nous examinerons également les techniques d'analyse des données que nous avons utilisées.
Dans notre recherche, nous avons employé des logiciels statistiques tels que SPSS et Excel
pour traiter et interpréter les réponses obtenues. Ces outils nous permettent d'effectuer des
analyses quantitatives approfondies et d'identifier les tendances et les relations entre les
34 | P a g e
variables étudiées.
Enfin, nous discuterons de l'éthique de notre enquête et des mesures que nous avons prises
pour garantir la confidentialité et l'anonymat des participants. Nous avons pris soin de
respecter les principes éthiques et les normes de confidentialité pour assurer le consentement
éclairé et la protection des données personnelles.
Cette partie méthodologique joue un rôle crucial dans la validité et la fiabilité des résultats de
notre enquête. En adoptant une approche rigoureuse et structurée, nous sommes en mesure
d'obtenir des données de qualité qui contribuent à une compréhension approfondie de l'impact
du Big Data et de l'IA sur le monde de la finance.
Section 1 : la démarche méthodologique.
Pour notre recherche sur l'impact du Big Data et de l'IA sur la finance, nous avons choisi
d'utiliser le questionnaire comme principal outil de collecte de données. Le questionnaire est
une méthode largement utilisée dans les études de recherche, permettant de recueillir des
opinions, des perceptions et des informations précieuses des enquêtés. Il a été distribué aux
professionnels de la finance par le biais de divers canaux tels que le courrier traditionnel, le
courrier électronique et d'autres moyens appropriés. Cette approche nous a permis d'obtenir
une validation qualitative et quantitative de nos hypothèses, ainsi que des suggestions et des
commentaires pertinents de la part des répondants. Le questionnaire a été soigneusement
conçu pour couvrir différents aspects de l'impact du Big Data et de l'IA, en posant des
questions spécifiques qui nous aideront à approfondir notre compréhension de cette
problématique. En utilisant cette méthode, nous visons à obtenir des données riches et
diversifiées, contribuant ainsi à la validité et à la fiabilité de notre recherche.
Section 2 : l’objectif de la recherche.
L'objectif de cette recherche est d'étudier l'impact du Big Data et de l'Intelligence Artificielle
(IA) sur le domaine de la finance. À l'heure où les données jouent un rôle de plus en plus
crucial dans les décisions financières, il est essentiel de comprendre comment ces
technologies révolutionnaires influencent les pratiques et les performances financières des
35 | P a g e
entreprises. Cette étude vise à examiner en profondeur les différentes dimensions de cet
impact, notamment en analysant les changements dans les processus de collecte, d'analyse et
d'utilisation des données, ainsi que l'émergence de nouvelles opportunités et de nouveaux
défis. En explorant ces aspects, nous cherchons à fournir des insights précieux pour les
professionnels de la finance, les décideurs et les chercheurs, afin de mieux appréhender les
transformations en cours et d'orienter les stratégies d'adaptation et d'innovation dans un
environnement financier en constante évolution.
Section 3 : le plan d’échantillonnage.
1- Définition de la population :
Cette recherche vise à comprendre l'impact du Big Data et de l'Intelligence Artificielle (IA)
sur le domaine de la finance en se concentrant sur deux groupes de population clés : les
étudiants des écoles de gestion et de commerce et les salariés au Maroc. Ces deux groupes
représentent des acteurs importants de l'écosystème financier, à la fois en termes de formation
académique et d'expérience professionnelle. En incluant les étudiants des écoles de gestion et
de commerce, nous souhaitons obtenir des perspectives et des connaissances des futurs
professionnels qui seront confrontés aux enjeux du Big Data et de l'IA dans leur carrière. De
plus, l'inclusion des salariés et des entrepreneurs actuels du secteur financier au Maroc
permettra d'explorer les réalités et les défis rencontrés par les professionnels en exercice. En
combinant ces deux groupes, cette recherche vise à obtenir un aperçu complet de l'impact du
Big Data et de l'IA sur la finance, en tenant compte des perspectives des futurs professionnels
ainsi que des praticiens expérimentés.
Pour faciliter notre recherche, nous avons décidé de la limiter aux étudiants de 5ème année de
l'École Nationale de Commerce et de Gestion de Marrakech, qui représentent un échantillon
important de futurs professionnels de la finance (300 étudiants). En raison de l'absence d'une
base de données exacte sur le nombre de salariés au Maroc, nous avons choisi de sélectionner
cinq grandes entreprises marocaines (Maroc Telecom, le Groupe OCP, Marjane Holding,
Total Energies, le Groupe Renault) et de contacter deux salariés de chacune de ces entreprises
via LinkedIn pour leur participation à notre enquête. La taille totale de notre population est
donc de N = 300 + (5 x 2) = 310 personnes.
2- Méthode d’échantillonnage :
36 | P a g e
Pour sélectionner un échantillon représentatif de notre population composée des étudiants de

5ème année de l'ENCGM et des salariés travaillant dans les grandes entreprises marocaines,
nous avons opté pour une méthode d'échantillonnage stratifié. Cette méthode est
particulièrement adaptée lorsque la population est hétérogène et divisée en groupes
indépendants, ce qui est le cas dans notre recherche.
Nous avons divisé notre population en deux sous-groupes : les étudiants de 5ème année de
l'ENCGM et les salariés des grandes entreprises marocaines. Cette division nous permettra de
prendre en compte les différences potentielles entre ces deux groupes et d'obtenir des
informations spécifiques à chaque catégorie.
Pour le premier sous-groupe, celui des étudiants de 5ème année de l'ENCGM, nous utiliserons
une méthode d'échantillonnage aléatoire simple. Nous attribuerons un numéro unique à
chaque étudiant, puis nous utiliserons un générateur de nombres aléatoires pour sélectionner
les individus qui feront partie de notre échantillon. Cette approche garantira que chaque
étudiant a une chance égale d'être sélectionné, assurant ainsi la représentativité de notre
échantillon par rapport à la population totale des étudiants de 5ème année de l'ENCGM.
Pour le second sous-groupe, celui des salariés des cinq grandes entreprises marocaines, avec
l’absence une base exacte on juste essayer de trouver deux profils qui travaillent au sien les
cinq entreprises via les profils officielle de chaque entreprise parme les cinq sur LinkedIn.
Cette approche nous permettra d'obtenir une représentation adéquate des salariés travaillant
dans les grandes entreprises marocaines, fournissant ainsi des données significatives pour
notre analyse.
En utilisant la méthode d'échantillonnage stratifié, nous serons en mesure d'obtenir des
données précises et représentatives pour chaque sous-groupe, ce qui nous permettra d'analyser
les différences éventuelles entre les étudiants de 5ème année de l'ENCGM et les salariés des
grandes entreprises marocaines. Cette approche nous permettra de répondre aux objectifs de
notre recherche de manière rigoureuse et fiable.
4- Détermination de la taille d’échantillon :
Puisque on opter la méthode probabiliste ou bien aléatoire simple pour mon premier sous-
groupe, pour calculer la taille de notre échantillon on doit utiliser la formule suivante :
37 | P a g e
Tel que :
N = taille de population
z = niveau de confiance : dans notre cas on a un niveau de confiance de 95%, z = 1.96
p = proportion estimée de la population qui présente la caractéristique (lorsque inconnue, on
utilise p = 0.5 ce qui correspond au cas le plus défavorable c’est-à-dire la dispersion la plus
grande)
e = marge d’erreur tolérée : dans notre cas égale 5%
Donc, la taille de notre échantillon est : N = 172
Les étudiants du 5eme année Les salariés du cinq grande e\ses

marocaine
Population = nombre des étudiants/ la population totale =nombre des salaries/ la population totale
= (300/310) *100 = 96.77% = (10/310) *100 = 3.23%
Échantillon =Taille de l’échantillon*la fréquence de chaque sous-groupe
= 172 * 96.77% = 166 étudiants = 172* 3.23% = 5 salariés.
Tableau 1 : La taille de notre échantillonnage source 2 : Réaliser par l’auteur.
Section 4 : le questionnaire.
1- Collecte des données :
La collecte des données de cette recherche s'est effectuée à travers un questionnaire distribué
via des canaux électroniques tels que les courriels et les réseaux sociaux. Le questionnaire a
été conçu sur la plateforme en ligne Google Forms, accessible via le lien :
https://forms.gle/QeJjnjjjExHthtDG6.
Les répondants ont pu remplir le questionnaire en ligne à leur convenance, en fonction de leur
disponibilité et de leur choix de support. Le choix de ces canaux électroniques s'est avéré être
38 | P a g e
un moyen efficace de collecter des données auprès d'une population diversifiée et dispersée
géographiquement. Cette méthode de collecte de données a permis de recevoir un nombre
important de réponses en un temps relativement court.
2- La structure du questionnaire d’enquête :
Ce questionnaire est composé d’une rubrique introductive et quatre autres sections tel que :
 Une lettre d’introduction :
La première page du questionnaire est destinée aux répondants et comporte l'intitulé du sujet
de recherche, ainsi que des informations sur le cadre institutionnel et académique de l'étude.
Elle informe également les participants sur la confidentialité des réponses qu'ils fourniront.
 Le corps du questionnaire :
Le questionnaire est divisé en quatre sections. La première section vise à collecter des
informations personnelles telles que le genre, l'âge et la profession, ainsi que l'expérience
professionnelle dans le domaine de la finance. La deuxième section concerne les
connaissances générales des participants sur le Big Data et l'IA dans le domaine de la finance,
ainsi qu'un exemple de leurs connaissances et une distinction entre les deux technologies. La
troisième section se concentre sur l'impact du Big Data et de l'IA sur la finance et comprend
des questions sur l'amélioration des opérations financières, l'impact futur, les avantages
potentiels, les défis et les risques associés, et l'expérience personnelle des participants avec
des applications ou des services financiers basés sur ces technologies. Enfin, la quatrième
section se concentre sur les perspectives d'avenir de ces technologies dans le secteur financier,
en particulier sur la transformation potentielle du rôle des professionnels de la finance et les
compétences essentielles pour travailler dans un contexte de Big Data et d'IA, ainsi que les
évolutions à venir dans le secteur financier.

En conclusion, la démarche méthodologique de notre recherche sur l'impact du Big Data et
de l'IA sur la finance a été rigoureusement planifiée et mise en œuvre. Nous avons opté
pour l'utilisation d'un questionnaire comme principal outil de collecte de données,
permettant d'obtenir des informations précieuses auprès des professionnels de la finance.
Le questionnaire a été distribué via différents canaux électroniques, ce qui a facilité la
39 | P a g e
collecte de données auprès d'une population diversifiée et géographiquement dispersée.

Notre approche d'échantillonnage stratifié nous a permis de sélectionner un échantillon
représentatif des étudiants de 5ème année de l'ENCGM et des salariés des grandes
entreprises marocaines. La taille de l'échantillon a été déterminée en utilisant une formule
statistique appropriée. Enfin, la structure du questionnaire a été conçue de manière à
couvrir différents aspects de l'impact du Big Data et de l'IA sur la finance, fournissant ainsi
des données riches et diversifiées pour notre recherche. Grâce à cette approche
méthodologique, nous espérons obtenir des données précises et représentatives qui nous
permettront d'analyser l'impact du Big Data et de l'IA sur la finance de manière rigoureuse
et fiable pour notre prochain chapitre.
Chapitre 4 : Analyse des résultats.

Dans le présent chapitre, nous entamerons l'analyse des résultats de notre questionnaire, qui
revêt une importance capitale dans le cadre de notre étude. Cette analyse reposera sur deux
méthodes complémentaires : l'utilisation du logiciel SPSS et l'analyse des réponses aux
questions ouvertes formulées dans notre questionnaire. En combinant ces approches à la fois
quantitative et qualitative, nous serons en mesure d'obtenir une vue d'ensemble approfondie
des données recueillies. Cette approche exhaustive nous permettra de répondre de manière
approfondie à nos questions de recherche et de formuler des conclusions solides et étayées.
Sans plus tarder, plongeons-nous dans une analyse détaillée de nos résultats en explorant les
tendances, les relations et les informations clés révélées à travers l'utilisation du logiciel SPSS
et l'analyse des réponses aux questions ouvertes.
Il convient de noter que, en raison de contraintes de temps et de la non-réponse de plusieurs
participants de notre échantillon, notre étude s'est appuyée sur les réponses de 52 participants.
Section 1 : Description de l’échantillon :

1- La fréquence de l’échantillon Selon le sexe et la profession :
40 | P a g e
Tableau 2 : tableau croisé sexe/profession. Source 3 : logiciel de statistique SPSS.
Les résultats montrent qu'il y a un total de 29 femmes et 23 hommes inclus dans l'étude. Parmi
les femmes, 26 sont étudiantes, aucun n'est Freelancer et 3 sont salariées. Parmi les hommes,
20 sont étudiants, un est Freelancer et 2 sont salariés.
En analysant ces chiffres, on peut observer que les femmes sont principalement représentées
en tant qu'étudiantes, tandis que les hommes sont plus diversifiés dans leurs professions, y
compris un Freelancer. Cependant, il est important de noter que ces résultats sont basés sur un
échantillon de 52 personnes et peuvent ne pas être représentatifs de l'ensemble de la
population.
Figure 2 : la répartition de l’échantillon selon la profession et le sexe. Source 4 : logiciel de statistique
SPSS.
D'après les données fournies dans le tableau et la figure ci-dessus, on constate qu'un total de 52
participants ont été pris en compte. Parmi eux29 étaient des femmes, ce qui correspond à 55,8%
de l'échantillon, tandis que les hommes représentaient 23 participants, soit 44,2% de
l'échantillon. En termes de pourcentages valides, les femmes constituent 55,8% de l'échantillon,
tandis que les hommes représentent 44,2%. Lorsqu'on examine le pourcentage cumulé, on
remarque que les femmes représentent 55,8% de l'ensemble des participants, alors que la somme
des hommes et des femmes atteint 100%. Ces données révèlent une légère majorité de femmes
parmi les participants, ce qui indique une répartition relativement équilibrée entre les deux
genres.
41 | P a g e
Tableau 3 : La répartition de l’échantillon selon le sexe. Figure 3 : La fréquence de genre.
Source 5 : logiciel de statistique SPSS.
D'après les informations du tableau et de la figure ci-dessus, nous pouvons observer la

répartition des participants en fonction de leur profession. Les résultats révèlent que la
catégorie la plus prédominante est celle des étudiants, avec 46 participants, ce qui équivaut à
88,5% de l'échantillon total. On constate également la présence d'un freelance, représentant
1,9% de l'échantillon, ainsi que 5 participants salariés, correspondant à 9,6% de l'échantillon.
En analysant les pourcentages valides, il est clair que les étudiants constituent la grande
majorité, avec 88,5%, tandis que les freelances et les salariés représentent respectivement
1,9% et 9,6%. Le pourcentage cumulé démontre que les étudiants représentent 88,5% de
l'ensemble des participants, et lorsque l'on inclut les freelances et les salariés, le total atteint
100%. Ces données mettent en évidence la prédominance des étudiants parmi les participants,
tandis que les freelances et les salariés sont moins représentés.
Tableau 4 : la répartition de l’échantillon selon la profession. Figure 4 : la fréquence selon la profession.
Source 6 : logiciel de statistique SPSS.
42 | P a g e
2- La fréquence de l’échantillon selon l’âge et la profession :
Tableau 5 : tableau croise Age/profession. Source 7 : : logiciel de statistique SPSS.
Le tableau croisé nous permet de visualiser la répartition des participants en fonction de leur
âge et de leur profession. En examinant les données, nous constatons que la catégorie la plus
représentée parmi les participants est celle des étudiants, avec un total de 46 individus. Ces
étudiants sont répartis sur différentes tranches d'âge, allant de 22 à 32 ans. Plus
spécifiquement, il y a 13 étudiants âgés de 22 ans, 25 étudiants âgés de 23 ans, 4 étudiants
âgés de 24 ans, 2 étudiants âgés de 25 et 26 ans.
En ce qui concerne les autres professions, nous constatons la présence d'un seul freelance
parmi les participants, quelle que soit sa tranche d'âge. De plus, nous observons la présence de
5 participants salariés, répartis sur différentes tranches d'âge, notamment 2 salariés âgés de 27,
un âgé de32 ans, et autre de 30 ans.
Le tableau révèle donc une forte représentation des étudiants dans l'échantillon, tandis que les
freelances et les salariés sont moins nombreux. Ces résultats mettent en évidence la diversité
des professions et des tranches d'âge parmi les participants, reflétant ainsi la composition
variée de l'échantillon étudié.
Section 2 : L’analyse des données par le logiciel SPSS.
1- La relation entre l’amélioration des opérations financière par l’utilisation des
technologies émergentes avec l’impact de ces technologies.
 Test choisi : corrélation de PEARSON.
On choisit ce test car nous cherchons à savoir s’il existe une relation entre les deux variables,
une quantitative continue (l’amélioration des opérations financière par l’utilisation de Big Data et de
l’IA dans la finance) et l’autre qualitative (l’impact du Big Data et de l’IA sur la finance).
43 | P a g e
Afin de réaliser ce test deux conditions sont nécessaires :
 La distribution de l’échantillon doit être normalement distribuée ;

 Les données doivent être de type intervalle ;
 L’Hypothèse :
H 0 : il n’existe pas une corrélation entre l’amélioration des opérations financière par l’utilisation
de Big Data et de l’IA dans la finance et l’impact du Big Data et de l’IA sur la finance ; donc
(r=0)
H 1 : il existe une corrélation entre l’amélioration des opérations financière par l’utilisation de Big
Data et de l’IA dans la finance et l’impact du Big Data et de l’IA sur la finance ; donc (r≠0)
 L’Exécution du test à l’aide du logiciel :
La première condition : La distribution de l’échantillon doit être normalement distribuée.
Tableau 6 : Tableau du test de normalité des variables étudies. Source 8 : Logiciel de statistique SPSS.
Figure 5 : histogramme du test de normalité. Figure 6 : tracé Q-Q normal la variable dépendante.
Source 9 : Logiciel de statistique SPSS.
La distribution est asymétrique et les données se présente sous forme d’une cloche avec des
44 | P a g e
variables continues donc la distribution est normale.

Après exécution du test de corrélation de Pearson, nous obtenons le tableau suivant :
Tableau 7 : Tableau des résultats du test de corrélation de Pearson. Source 10 : Logiciel de statistiques SPSS.
 Constat :
On a le Sig 0,449>0.05 donc on accepte H 0, autrement dit il n’existe pas de relation entre la
motivation et le mode d’enseignement.
2- La relation entre l’impact du Big Data et de l’IA sur la finance avec la

transformation du rôle du professionnelles de la finance :
 Test choisi : corrélation de Spearman.
On choisit ce test car nous cherchons à savoir s’il existe une relation entre les deux variables
qualitative tel que : la transformation du rôle du professionnelles de la finance et l’impact du Big
Data et de l’IA sur la finance.
H 0 : il n’existe pas une corrélation entre la transformation du rôle du professionnelles de la

finance et l’impact du Big Data et de l’IA sur la finance.
H 1 : il existe une corrélation entre entre la transformation du rôle du professionnelles de la finance
et l’impact du Big Data et de l’IA sur la finance.
45 | P a g e
Après exécution du test de corrélation de Spearman, nous obtenons le tableau suivant
Tableau 8 : Tableau des résultats du test de corrélation de Spearman. Source 11 : Logiciel des statistiques SPSS.
 Constat :
3- La relation entre l’impact du Big Data et de l’IA sur la finance avec les
compétences.
 Test choisi : corrélation de Spearman.
On choisit ce test car nous cherchons à savoir s’il existe une relation entre les deux variables
qualitative tel que : les compétences et l’impact du Big Data et de l’IA sur la finance.
H 0 : il n’existe pas une corrélation entre les compétences et l’impact du Big Data et de l’IA sur
la finance.
H 1 : il existe une corrélation entre les compétences et l’impact du Big Data et de l’IA sur la
finance.
46 | P a g e
Après exécution du test de corrélation de Spearman, nous obtenons le tableau suivant :
Tableau 9 : Tableau des résultats du test de corrélation de Spearman. Source 12 : Logiciel des statistiques SPSS.
 Constat :
4- La relation entre la transformation du rôle du professionnelles de la finance et les

compétences :
 Test choisi : corrélation de KHI-DEUX.
Nous allons effectuer ce test afin d’inférer une relation entre la transformation du rôle du
professionnelles de la finance et les compétences qui représente la variable dépendante et qui
est dans notre cas est qualitative.
H 0 : il n’existe pas une corrélation entre la transformation du rôle du professionnelles de la

finance et les compétences.
H 1 : il existe une corrélation entre la transformation du rôle du professionnelles de la finance
et les compétences
Après exécution du test de corrélation de Khi-Deux, nous obtenons le tableau suivant :

47 | P a g e
Les résultats indiquent que la corrélation est non significative puisque on a le

Sig=0,397>0.05 et donc on accepte H 0.
Tableau 10 : Tableau des résultats du test de Khi-Deux. source 13 : Logiciel des statistiques SPSS.
 Constat :
Il n’y a pas de corrélation entre la transformation du rôle du professionnelles de la finance et

les compétences. (Sig=0,397 ; P value >0.05). La transformation du rôle du professionnelles
de la finance n’a aucun impact sur les compétences.
Section 3 : l’analyse des questions ouverte du questionnaire.
Nous avons opté pour une analyse qualitative dans notre questionnaire pour les questions
ouvertes. Pour ce but, nous effectuons une analyse question par question en examinant les
réponses individuelles. Les questions concerner sont :
 Q1 : Avez-vous des connaissances sur le Big Data et l'IA dans le domaine de la finance ?
 Q2 : si oui donnez-moi un exemple.
 Q3 : Selon vous c'est quoi la différence entre le Big Data et l’IA ?
 Q4 : Avez-vous déjà utilisé des applications ou des services financiers basés sur le Big Data
ou l'IA ?
 Q5 : Si oui, veuillez expliquer brièvement votre expérience.
 Q6 : Comment pensez-vous que le Big Data et l'IA pourraient évoluer dans le secteur
financier à l'avenir ?
1- L’analyse question par question :
Les questions : Les réponses :
Avez-vous des connaissances Sur les 20 personnes qui ont répondu par oui, 16 d'entre
sur le Big Data et l'IA dans le elles déclarent avoir une connaissance de base tandis que 4
48 | P a g e
domaine de la finance ? personnes affirment avoir une connaissance approfondie.

En revanche, 33 personnes ont répondu par non. Cela
représente un pourcentage de 37.7% de répondants qui
connaissent ces technologies dans le domaine de la finance,
tandis que 66,3% des répondants ne sont pas familiers avec
leur utilisation dans ce contexte.
Si oui donnez-moi un Les 18 personnes qui ont répondu par oui ont donné les
exemple. exemples suivants :
 L’Utilisation des IA pour l'organisation des
entreprises
 Technologie pour protection les données
 AI peut-être utiliser pour détecter les fraudes
financières, les entreprises peuvent se servir
d'algorithmes d'apprentissage automatique pour
analyser les schémas et les comportements suspects,
identifier les opérations frauduleuses et mettre en
place des mesures préventives afin de réduire les
risques
 Robot intelligent pour analyse technique des
marchés financiers
 L’importance aujourd'hui du big data et
l'intelligence artificiel dans les salles de marches
par exemple est indispensable. Soit pour prédire la
courbe des taux ou bien l'analyse de la valeur des
entreprises, le pricing, le scoring ex...
 Une société de gestion d'actifs peut utiliser le Big
Data et l'IA pour analyser des données provenant de
différentes sources telles que les actualités
financières, les médias sociaux, les données
macroéconomiques, les informations sur les
transactions et bien d'autres. En utilisant ces
données, l'algorithme d'IA peut identifier des
49 | P a g e
signaux ou des modèles qui pourraient indiquer des

opportunités d'investissement ou des risques
potentiels. Ces informations peuvent aider les
gestionnaires de fonds à prendre des décisions plus
éclairées et à mieux gérer leurs portefeuilles.
 L’utilisation du Big Data et de l'IA dans le domaine
de la finance permet d'optimiser la détection de la
fraude, de renforcer la sécurité des transactions et
de fournir des services financiers plus personnalisés
et efficaces.
 L'utilisation de ces technologies dans la détection
des fraudes et aussi pour l'amélioration de la
satisfaction des clients ...
 SAP
 Je n’ai pas un exemple.
 La détection des anomalies
Selon vous c'est quoi la 10 personnes ne sont pas connues la différence entre les
différence entre le Big Data deux thermes. Et 7 personnes trouvent que les deux termes
et l’IA ? sont complémentaires à travers les réponses suivantes :
 Le Big Data et l'IA sont deux domaines distincts

mais qui sont souvent utilisés ensemble. Le Big
Data fait référence à la gestion et à l'analyse de
grandes quantités de données, tandis que l'IA fait
référence à la capacité d'un ordinateur à effectuer
des tâches qui normalement nécessitent
l'intelligence humaine, comme la reconnaissance de
la parole ou la prise de décision. Les deux domaines
se chevauchent souvent car les données sont
nécessaires pour entraîner les algorithmes d'IA, et
l'IA peut être utilisée pour analyser les données à
grande échelle. En fin de compte, l'objectif commun
50 | P a g e
est d'extraire des informations utiles à partir de

grandes quantités de données pour prendre des
décisions plus éclairées et plus efficaces.
 Le Big Data est un outil qui aide l'intelligence
artificielle à donner des résultats significatifs et à
trouver des solutions à plusieurs problématiques
dans plusieurs domaines.
 Le Big Data accélère la courbe d'apprentissage et
permet l'automatisation de l'analyse des données.
Plus un système d'apprentissage automatique reçoit
de données, plus il apprend et plus il devient précis.
L'intelligence artificielle peut désormais apprendre
sans aide humaine.
 Le big data au service de IA.
 Je pense que l'IA complète le big data.
 L'IA fonctionne grâce à la manipulation du Big
Data.
 Intelligence artificielle se base sur le Big Data.
Ensuite, 3 personnes pensent qu’ils sont similaires :
 Je pense qu'ils sont similaires.
 Il n’y a pas de différence entre les deux.
 Je pense qu’ils sont un peu similaires.
Et enfin, 29 personnes proposent les différences suivantes :

 Le Big Data est tout simplement une collection
d'informations non structurées, tandis que
l'intelligence artificielle peut être utilisée pour
traiter et trouver des informations.
 Le Big Data désigne une entrée brute d'information
par contre IA désigne un résultat des données
traitées.
 Le Big Data est réservée à la collecte et le
traitement des données. L'IA se réfère à des
algorithmes qui procèdent de la même manière
qu'une intelligence humaine à un rythme plus
51 | P a g e
avancé.
 La principale différence entre le Big Data et l'IA
réside dans leurs objectifs. Le Big Data se
concentre sur la gestion et l'analyse de grandes
quantités de données, tandis que l'IA vise à créer
des systèmes capables d'apprendre et de prendre des
décisions intelligentes.
 Le Big Data fait référence au stockage et au
traitement de données massives, tandis que l'IA est
ce qui permet de leur donner du sens.
 Le Big Data concerne la gestion et l'analyse de
grandes quantités de données, tandis que l'IA se
réfère à la création de systèmes informatiques
capables d'effectuer des tâches qui nécessitent
normalement l'intelligence humaine.
 Le Big Data se concentre sur la gestion et l'analyse
des données massives, tandis que l'IA se concentre
sur le développement de systèmes intelligents
capables d'apprendre et de prendre des décisions
autonomes.
 Le Big Data se concentre sur les données massives,
tandis que l'IA se concentre sur les algorithmes et
les modèles qui permettent aux machines de traiter
ces données et d'effectuer des tâches intelligentes.
 Le Big data vise à obtenir des informations et l'IA
prend des décisions.
 La Big Data consiste à gérer et analyser de grandes
quantités de données et la IA c'est la simulation de
l'intelligence humaine à travers des machine ou des
logiciels.
 Le Big Data est un ensemble de données massives
qui peuvent être analysées pour obtenir des
informations utiles, tandis que l'IA est un ensemble
52 | P a g e
de technologies qui permettent aux machines

d'apprendre et de prendre des décisions en fonction
des données qu'elles ont analysées. Le big data
fournit les données nécessaires à l'IA pour
apprendre et prendre des décisions plus efficaces.
 Le Big Data ou mégadonnées correspond à des
quantités massives de données générées par
plusieurs sources. Mais, pour l'IA consiste à imiter
l’intelligence humaine à l’aide d’un programme
informatique.
 Big data c’est pour stocker tandis que l’IA c’est
pour donner un sens
 Le Big Data est une base de données et l’IA
contribuer dans le traitement des donnés.
 Le Big Data apporte des solutions aux problèmes
relatifs à la complexité du traitement des données
volumineuses au sein d’un logiciel, cependant
l’intelligence artificielle fait référence à des
algorithmes qui procède de la même manière
qu’une intelligence humaine à un rythme plus
avancé même.
 L’IA c'est l'abréviation d'Artificielle Intelligence et
ça signifie l'automatisation à travers des machines
de simulation pour accélérer les tâches répétitives
ou bien complexes. Alors que le BIG DATA sont
des données volumineuses stocké dans des
capacités gigantesques.
 L’automatisation de génération d'informations.
 Le Big Data désigne une entrée brute tandis que
l'IA désigne une sortie résultante d'un traitement de
données.
Avez-vous déjà utilisé des Parmi les répondants, la majorité, soit 42 personnes, ont
53 | P a g e
applications ou des services répondu par non, ce qui représente un pourcentage de

financiers basés sur le Big 85,7%. En revanche, 7 personnes ont répondu par oui, ce qui
Data ou l'IA ? équivaut à un pourcentage de 14,3%.
Si oui, veuillez expliquer Deux des sept personnes qui ont répondu par "oui" ont
brièvement votre expérience. partagé avec nous les expériences suivantes :
 J'ai travaillé sur un projet de prédiction de la courbe
des taux en utilisant la modélisation de l'impact des
variables macroéconomiques sur la courbe des taux.
Nous avons utilisé un modèle de réseaux
neuronaux. Cela m'a permis de constater
l'importance de l'intelligence artificielle dans nos
salles de marché, ainsi que dans le secteur financier
en général.
 Des plateformes de trading automatisées, des
applications de budget personnel, des services de
prêt en ligne, des systèmes de gestion de
portefeuille et des outils d'analyse de données
financière.
Comment pensez-vous que le Les répondants à cette question se divise en trois. Les
Big Data et l'IA pourraient premiers sont en somme de 9 personne n’ont une idée sur
évoluer dans le secteur financier comment ces technologies pourraient évaluer dans le
à l'avenir ?
secteur financier à l’avenir. Ensuite, 11 personnes ont
pensé qu’il aura une évaluation positive et significative
sans mentionner comment. Et les restes des répondants sont
pensées que :
 Le Big Data et l'IA vont avoir une place primordiale

dans la collecte, le traitement et l'analyse des
données financières.
 Améliorer les prévisions et l'évaluation des risques :
En combinant l'analyse des mégadonnées et l'IA, les
institutions financières peuvent considérablement
54 | P a g e
améliorer leurs capacités de prévision et

d'évaluation des risques. Identifiez les tendances,
les modèles et les anomalies dans vos données afin
d'identifier plus rapidement les risques potentiels et
de prendre des décisions éclairées en matière de
gestion des risques.
 Amélioration de la personnalisation des services :
Grâce à une analyse approfondie des données, les
institutions financières peuvent mieux comprendre
les besoins et le comportement des clients
individuels. Cela nous permettra d'offrir des
produits et services financiers plus personnalisés et
de répondre aux attentes croissantes des clients en
matière d'expérience utilisateur.
 Le Big Data et l'IA devraient continuer à se
développer dans le secteur financier, offrant de
nouvelles opportunités de personnalisation des
services, d'amélioration des modèles prédictifs et de
renforcement de la cybersécurité. Une collaboration
accrue entre les machines et les humains est
également prévue, avec une automatisation des
tâches routinières et une focalisation des
professionnels sur des tâches à plus forte valeur
ajoutée.
 En combinant les deux ça peut nous diriger vers un
monde ou les machines vont être plus efficaces que
les Hommes.
 C’est surtout pour le développement du secteur et
l’acquisition de nouvelles activités.
 La mise en place d'indicateurs solides permet de
générer des prévisions de volume, de mieux gérer
ses stocks et donc, de prendre des décisions
éclairées quant à la répartition du budget.
55 | P a g e
 Peut-être ils vont prendre le relais dans le domaine

de la finance
 Le Big Data et l'IA joueront un rôle crucial dans le
secteur financier à l'avenir. Les institutions
financières exploitent déjà les vastes quantités de
données disponibles pour améliorer leur prise de
décision. À l'avenir, l'utilisation de techniques d'IA
plus avancées permettra une analyse en temps réel
de données en constante évolution, ce qui permettra
d'obtenir des informations plus précises et de
prendre des décisions plus rapides.
 À l'avenir, on peut s'attendre à ce que le big data et
l'IA continuent de jouer un rôle de plus en plus
important dans le secteur financier. Le big data et
l'IA peuvent aider les institutions financières à
mieux comprendre les besoins de leurs clients et à
offrir des produits et services plus adaptés à leurs
besoins.
 Planifier des programmes plus précis.
 Les avancées technologiques permettront une
collecte et une analyse encore plus efficaces des
données, tandis que l'IA évoluera vers des systèmes
plus autonomes et capables de prendre des
décisions complexes en temps réel. Cela ouvrira de
nouvelles opportunités pour une meilleure gestion
des risques, une personnalisation accrue des
services financiers et une automatisation plus
poussée des processus.
 A travers l’Automatisation des processus : Le Big
Data et l'IA permettent d'automatiser de
nombreuses tâches et processus dans le secteur
financier, ce qui peut conduire à une plus grande
efficacité opérationnelle. Des tâches telles que
56 | P a g e
l'évaluation des demandes de prêt, la gestion des

investissements et la conformité réglementaire
peuvent être automatisées, réduisant les coûts et les
erreurs potentielles.
 En résumé, le Big Data et l'IA vont continuer à
transformer le secteur financier en permettant une
prise de décision plus éclairée, une gestion des
risques améliorée, une expérience client
personnalisée, une détection de la fraude plus
efficace et une automatisation des processus. Ces
évolutions devraient conduire à une industrie
financière plus efficace, plus innovante et plus
adaptée aux besoins des clients.
 Le Big Data et l'IA continueront à évoluer et à se
développer dans le secteur financier, apportant des
améliorations significatives en termes de
personnalisation des services, de cybersécurité,
d'analyse des données, de gestion des risques et
d'adoption de nouvelles technologies telles que la
Blockchain. Ces avancées auront un impact profond
sur la manière dont les services financiers sont
fournis et sur la façon dont les décisions financières
sont prises à l'avenir.
 Avancées de l'apprentissage automatique.
Chapitre 5 : Résultats et discussions :

Ce chapitre se concentre sur la compilation des résultats obtenus à partir des différentes
méthodes d'analyse utilisées, que ce soit les tests effectués ou l'analyse des questions ouvertes.
L'objectif est de nous aider à trouver une réponse à notre problématique.
Section 1 : résultats d’analyse.
D'après les tests réalisés pour évaluer l'impact du Big Data et de l'IA dans le domaine de la
57 | P a g e
finance ont révélé des conclusions importantes. Tout d'abord, il n'y a pas de corrélation entre
l'amélioration des opérations financières par l'utilisation de ces technologies et leur impact sur
le secteur financier. De plus, aucun lien n'a été établi entre la transformation du rôle des
professionnels de la finance et l'impact du Big Data et de l'IA sur la finance. Enfin, aucune
relation n'a été trouvée entre les compétences des professionnels de la finance et l'impact de
ces technologies. Ces résultats suggèrent que, dans le contexte étudié, les changements liés au
Big Data et à l'IA n'ont pas eu d'effet significatif sur la finance ni sur les compétences requises
dans ce domaine.
L'analyse des réponses ouvertes de notre questionnaire a également révélé des informations
sur les connaissances en Big Data et en IA dans le domaine de la finance. Il ressort que la
majorité des répondants ne sont pas familiers avec ces technologies, avec seulement 37,7%
des participants déclarant avoir une connaissance de base ou approfondie en Big Data et en
IA, tandis que 66,3% ne sont pas familiers avec leur utilisation. Parmi ceux qui ont une
certaine connaissance, des exemples d'applications telles que la détection de fraude financière,
l'analyse des marchés et l'optimisation de la gestion d'actifs ont été mentionnés.
Concernant la différence entre le Big Data et l'IA, un nombre significatif de participants ne
sont pas conscients de cette distinction ou pensent qu'ils sont complémentaires. Cependant,
certains ont souligné des différences, notamment que le Big Data concerne la gestion et
l'analyse de données massives, tandis que l'IA se réfère à la création de systèmes intelligents.
En ce qui concerne l'utilisation concrète de ces technologies, la majorité des répondants n'ont
pas utilisé d'applications ou de services financiers basés sur le Big Data ou l'IA. Cependant,
ceux qui l'ont fait ont partagé des expériences positives, comme la prédiction de la courbe des
taux et l'utilisation de plateformes de trading automatisées.
Pour l'avenir, certains participants estiment que le Big Data et l'IA joueront un rôle crucial
dans la collecte, l'analyse et la personnalisation des services financiers, tandis que d'autres
soulignent leur potentiel pour améliorer les prévisions, l'évaluation des risques et
l'automatisation des processus dans le secteur financier.
Section 2 : discutions.
Avant d’entamer une discussion il est nécessaire de rappeler notre problématique :
« Dans quel mesure les technologies émergentes tel que : le Big Data et l’IA ont impacte
le monde de la finance ? ».
Ceci dit on peut dire que les résultats de l'étude indiquent que dans le contexte examiné, le Big
Data et l'IA n'ont pas eu d'impact significatif sur le monde de la finance. Cependant, pour
58 | P a g e
répondre à votre problématique, des pistes peuvent être envisagées. Tout d'abord, il est
essentiel de sensibiliser davantage les acteurs du secteur financier aux avantages potentiels du
Big Data et de l'IA. Des programmes de formation et de développement des compétences
pourraient être mis en place afin de favoriser une meilleure compréhension et une maîtrise de
ces technologies émergentes.
De plus, il est nécessaire d'explorer des cas d'utilisation spécifiques où le Big Data et l'IA
pourraient apporter de réels bénéfices. Des domaines tels que la détection de fraudes
financières, l'analyse des marchés ou l'optimisation de la gestion d'actifs pourraient être
étudiés plus en profondeur afin de déterminer leur potentiel réel. Cette exploration permettrait
de mieux évaluer les opportunités offertes par le Big Data et l'IA dans le domaine de la
finance.
Enfin, une expérimentation progressive de ces technologies pourrait être envisagée. Des
initiatives pilotes pourraient être lancées pour évaluer les résultats concrets de l'utilisation du
Big Data et de l'IA dans des contextes financiers spécifiques. Cette approche permettrait de
recueillir des retours d'expérience pratiques et d'obtenir une meilleure compréhension des
impacts réels de ces technologies.
En conclusion, bien que les résultats de l'étude suggèrent un impact limité du Big Data et de
l'IA sur la finance, il est important d'envisager une sensibilisation accrue, une exploration
approfondie des cas d'utilisation et une expérimentation progressive pour mieux évaluer les
opportunités et les bénéfices potentiels de ces technologies. Ces efforts pourraient contribuer à
une utilisation plus optimale du Big Data et de l'IA dans le monde de la finance, en ouvrant de
nouvelles perspectives et en favorisant une transformation positive du secteur.

En conclusion, bien que les résultats de cette étude suggèrent que le Big Data et l'IA n'ont pas
eu un impact significatif sur le domaine de la finance dans le contexte examiné, il est
important de ne pas sous-estimer le potentiel de ces technologies. La sensibilisation et la
formation des acteurs financiers sont essentielles pour une meilleure compréhension et une
utilisation optimale du Big Data et de l'IA. Une exploration approfondie des cas d'utilisation
spécifiques, tels que la détection de fraudes et l'optimisation des investissements, pourrait
révéler de réels bénéfices. De plus, des initiatives pilotes permettraient de recueillir des
retours d'expérience pratiques et d'évaluer les impacts réels de ces technologies. Il est donc
crucial d'envisager ces démarches afin de maximiser les opportunités offertes par le Big Data
59 | P a g e
et l'IA dans le domaine de la finance et de favoriser une transformation positive du secteur.

Malgré les conclusions de cette étude, l'avenir réserve encore de nombreuses perspectives
intéressantes pour l'application du Big Data et de l'IA dans le secteur financier.
60 | P a g e

Le Rapport de PFE

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Le Rapport de PFE

Transféré par

Droits d'auteur :

Formats disponibles

Université Cadi AYYAD Marrakech

Ecole Nationale de Commerce et de Gestion

Projet de fin d’études sur le thème :

Gestion financière et comptable

Elaboré par : Encadré par :

PARTIE 1 : Volet Théorique.

Introduction de la première partie :

Cette partie introductive vise à établir le contexte conceptuel nécessaire à la compréhension

Chapitre 1 : Cadre conceptuelle et l’identification

Le cadre conceptuel et l'identification des technologies émergentes applicables à la finance

Section 1 : définitions des concepts.

Section 2 : les technologies émergentes applicable à la finance.

Conclusion du chapitre 1 :

Chapitre 2 : Le Big Data et l'IA : applications, opportunités, limites

Section 1 : Les applications concrètes de Big Data et de l’IA dans

L'analyse de la performance financière et le contrôle de la croissance entre les employés d'une

gestion des risques.

génération et au stockage de données. Les processus automatisés peuvent également être

La sécurité des données dans le secteur financier et de l'importance de la protection des

Le Big Data et l'IA ont un impact significatif sur l'optimisation de la tarification et de la

souscription dans le domaine financier. En utilisant les données financières et économiques

2- Les limites de Big Data et de l’IA dans le secteur financier :

 Respect de la vie privée des clients :

 Complexité et coût de mise en œuvre des technologies :

 la convergence entre le Big Data, l'IA et d'autres domaines technologiques :

 Architecte big data :

Conclusion du chapitre 2 :

Conclusion de la première partie :

PARTIE 2 : Volet Empirique

Chapitre 3 : cadre méthodologique.

Section 1 : la démarche méthodologique.

Section 2 : l’objectif de la recherche.

Section 3 : le plan d’échantillonnage.

Pour sélectionner un échantillon représentatif de notre population composée des étudiants de

4- Détermination de la taille d’échantillon :

Les étudiants du 5eme année Les salariés du cinq grande e\ses

Section 4 : le questionnaire.

1- Collecte des données :

2- La structure du questionnaire d’enquête :

 Une lettre d’introduction :

Conclusion du chapitre 3 :

collecte de données auprès d'une population diversifiée et géographiquement dispersée.

Chapitre 4 : Analyse des résultats.

Section 1 : Description de l’échantillon :

Source 5 : logiciel de statistique SPSS.

D'après les informations du tableau et de la figure ci-dessus, nous pouvons observer la

Source 6 : logiciel de statistique SPSS.

2- La fréquence de l’échantillon selon l’âge et la profession :

Afin de réaliser ce test deux conditions sont nécessaires :

 La distribution de l’échantillon doit être normalement distribuée ;

La première condition : La distribution de l’échantillon doit être normalement distribuée.

Source 9 : Logiciel de statistique SPSS.

variables continues donc la distribution est normale.

2- La relation entre l’impact du Big Data et de l’IA sur la finance avec la

H 0 : il n’existe pas une corrélation entre la transformation du rôle du professionnelles de la

 L’Exécution du test à l’aide du logiciel :

Après exécution du test de corrélation de Spearman, nous obtenons le tableau suivant

Après exécution du test de corrélation de Spearman, nous obtenons le tableau suivant :

4- La relation entre la transformation du rôle du professionnelles de la finance et les

H 0 : il n’existe pas une corrélation entre la transformation du rôle du professionnelles de la

Après exécution du test de corrélation de Khi-Deux, nous obtenons le tableau suivant :

Les résultats indiquent que la corrélation est non significative puisque on a le

Il n’y a pas de corrélation entre la transformation du rôle du professionnelles de la finance et

1- L’analyse question par question :