Les processus de réconciliation de fin de journée créent des défis en matière de données qui empêchent les entreprises côté acheteur de réaliser des gains d’efficacité grâce aux nouvelles technologies et aux initiatives d’IA.
Les défis posés par la dépendance à des processus de réconciliation établis de longue date surviennent alors que le côté acheteur subit une transformation de ses modèles opérationnels pour s’adapter aux nouvelles stratégies de gestion des données, d’investissement et de règlement.
Ce défi a été mis en évidence dans une étude récente, qui a révélé que plus des deux tiers des entreprises côté acheteur s’appuient encore principalement sur des réconciliations de fin de journée, et qu’environ la moitié a déclaré que les écarts de données et les différences de calendrier étaient la principale cause de divergences dans les flux de transactions. L’enquête auprès de dirigeants seniors côté acheteur a été menée lors d’une table ronde organisée par Smartstream, entreprise spécialisée dans les solutions de données.
Le défi de la réconciliation des données auquel sont confrontées les institutions côté acheteur s’est accentué alors qu’elles ont cherché à passer au trading multi-actifs, que la surveillance réglementaire s’est intensifiée et qu’elles sont de plus en plus tenues de passer à un cycle de règlement T+1.
Nouvelles efficacités
Alors que l’amélioration des technologies de recherche et de trading rend plus difficile pour elles de rivaliser sur les rendements d’investissement, les entreprises tentent de rivaliser sur les frais. Pour ce faire, elles ont cherché à trouver des efficacités opérationnelles pour améliorer le débit et réduire les coûts. L’une des façons d’y parvenir a été d’externaliser leurs processus d’acquisition de données, mais cela pèse également sur leurs opérations, a déclaré Robin Hasson, responsable de la réconciliation chez Smartstream.
« Les défis liés aux données en matière de réconciliation tendent à être l’étendue des données, la complexité et l’incohérence », a déclaré Hasson à Data Management Insight.
« Il y a beaucoup plus de points de données dans les formats modernes, et si tout le monde les utilisait de la même manière, les choses seraient beaucoup plus simples. Mais ce n’est pas la réalité. »
L’enquête de Smartstream, intitulée « Smart Reconciliations : The Buy-Side Perspective », a révélé que 59 % des répondants ont déclaré que les dépendances aux données externes constituaient leur principal risque.
« Plus vous avez besoin de synchronisation entre les systèmes, plus le risque est élevé, plus les choses deviennent fragiles et plus le coût du changement est élevé », a déclaré Hasson.
Davantage de cas d’usage
Les réconciliations sont importantes pour fournir des points de contrôle pour les données entrant et circulant dans les systèmes d’une organisation. Alors que les cas d’usage des données se sont multipliés, les réconciliations doivent désormais fonctionner dans l’ensemble des organisations – et pas seulement pour l’activité de trading – à mesure que les informations sont transférées d’une équipe à l’autre. Cela doit se produire en temps réel et sans perte d’intégrité des données, ce qui ajoute une pression sur les responsables des données pour qu’ils maîtrisent correctement le processus.
Le besoin le plus critique pour garantir la qualité des données est de pouvoir les utiliser en toute sécurité pour entraîner et alimenter les modèles d’IA – qui peuvent générer des résultats erronés si les données qui leur sont fournies ne sont pas exactes et fiables.
« C’est devenu l’une des considérations les plus importantes », a déclaré Hasson. « Si vous avez accès à des données de haute qualité et bien décrites, vos modèles d’IA peuvent apprendre ce que les données représentent réellement. Cela devient véritablement perspicace et peut générer des avantages commerciaux significatifs. »
Défis cumulatifs
L’exécution de ces contrôles essentiels en fin de journée signifie cependant que les irrégularités et les ruptures de données peuvent s’accumuler au préalable, créant des difficultés de flux de travail et des erreurs. Les solutions d’IA contribuent à accélérer et à automatiser le traitement des problèmes, en évitant les incohérences qui pourraient causer des dommages avant la réconciliation de fin de journée.
La solution à ce problème est une stratégie de réconciliation permanente, a déclaré Hasson. Une couche de contrôle sur l’architecture de gestion des données peut aider à identifier et à rectifier immédiatement les irrégularités et les ruptures, et à réduire les risques qu’elles posent.
« Dès que vous détectez une dégradation de la qualité des données, dès qu’elle commence à dériver, vous pouvez y remédier », a déclaré Hasson.
« Avec les solutions d’IA, vous pouvez être beaucoup plus proactif, en détectant souvent les changements de modèle et en identifiant les risques avant que les ruptures ne se produisent. Vous pouvez voir les déviations dans les flux de données et recommander comment les corriger. »
Systèmes centralisés
L’épine dorsale traditionnelle des réconciliations dans la plupart des cas d’usage a été la gestion des données de référence, qui crée une source unique de vérité. Cela est devenu plus important à mesure que les organisations ont commencé à passer à une stratégie de gestion centralisée des données pour mieux superviser leurs processus de données de plus en plus complexes.
« Il y a une volonté de standardiser le stockage des données afin d’avoir une source unique de vérité. Non seulement pour soutenir l’entraînement et l’audit des modèles d’IA, mais aussi pour générer des informations, des analyses de tendances et une intelligence d’affaires plus large », a déclaré Hasson.
Cela a traditionnellement été entravé par des architectures de données héritées fragmentées. Ce n’est pas un problème aussi aigu pour certaines opérations, mais la consolidation de systèmes disparates a généralement été la règle d’or pour les gestionnaires de données. Bien que l’IA puisse aider en reliant plus efficacement ces structures indépendantes à l’aide d’outils Model Context Protocol (MCP), elle ne remplace pas une modernisation complète, a déclaré Hasson.
« Cela peut masquer le problème sous-jacent », a-t-il déclaré. « Si vous résolvez les problèmes de manière tactique au cas par cas, cela améliore-t-il vraiment le contrôle opérationnel au cours des deux à trois prochaines années ? La réponse est : probablement pas. La qualité obtenue ne correspondra jamais à celle d’un programme de données stratégique. »
