Transformer les Insights en Actions : Améliorer la Qualité des Données dans le Securities Lending

Découvrir des problèmes de qualité des données n’est que la première étape. Le travail le plus difficile — et le plus précieux — consiste à décider quoi corriger, quand et comment. Sur un desk d’agency lending, où les prêts de titres évoluent rapidement, les collatéraux sont rééquilibrés quotidiennement et les régulateurs attendent des rapports exacts en T+1, tous les problèmes ne peuvent (ni ne doivent) être résolus simultanément. Le défi consiste à transformer les constatations en améliorations actionnables qui apportent une véritable valeur métier.

Identifier et Prioriser les Opportunités

Le processus commence par du profilage de données — une analyse complète de grands ensembles de données pour identifier l’ampleur et la fréquence des problèmes. Par exemple :

• À quelle fréquence les ISIN sont-ils manquants dans les enregistrements de collatéral ?

• Les dates de règlement sont-elles cohérentes entre custodians et agents prêteurs ?

• Quels champs SFTR échouent le plus souvent à la validation ?

  
  

Parallèlement, les entretiens avec les parties prenantes révèlent l’expérience vécue par les utilisateurs des données :

• Un trader peut signaler des codes contrepartie mal alignés retardant l’enregistrement des transactions.

• Les opérations peuvent identifier des exceptions récurrentes lors de substitutions de collatéral.

• Les risk managers peuvent remarquer des lacunes dans les rapports d’exposition compliquant le suivi de la liquidité.

  
  

En combinant profilage et retours des parties prenantes, l’entreprise obtient une vision claire des problèmes les plus critiques et de leur importance.

Définir des Objectifs d’Amélioration de la Qualité des Données

Les constats préliminaires servent de base à des objectifs précis, allant des correctifs rapides — comme ajouter des contrôles de validation dans un écran de saisie — à des initiatives à long terme, telles que la refonte d’un système legacy pour garantir l’intégrité référentielle.

Le mix inclut généralement :

• Quick wins : Changements peu coûteux mais à fort impact (ex. correction de menus déroulants, validation obligatoire des champs).

• Programmes stratégiques : Initiatives de fond pour traiter les faiblesses systémiques (ex. modèles de gouvernance, refonte d’intégration, automatisation des réconciliations).

  
  

Chaque objectif doit être ancré dans la valeur métier : règlements plus rapides, moins de litiges clients, meilleure conformité réglementaire, réduction des risques opérationnels.

Surmonter les Obstacles

L’amélioration n’est pas toujours simple. Parmi les obstacles fréquents en securities lending :

• Contraintes systèmes : Applications legacy “black box” difficiles à inspecter et à corriger.

• Complexité : Flux de données interconnectés entre agent lenders, custodians et contreparties rendant difficile l’identification des causes profondes.

• Projets en cours : Nouvelles implémentations systèmes ou initiatives réglementaires concurrençant les ressources.

• Résistance culturelle : Sans soutien de la direction, la qualité des données est souvent perçue comme “le problème de quelqu’un d’autre”.

  
  

Pour réussir, les équipes doivent lier les améliorations de données aux résultats business. Un responsable desk sera plus enclin à soutenir le changement si celui-ci est présenté comme “réduction de 20 % des fails de règlement et gain de X heures de réconciliation manuelle” plutôt que “nettoyer des champs”.

Évaluer le Retour sur Investissement (ROI)

Tous les problèmes ne méritent pas le même niveau d’attention. Il est crucial de peser le ROI de chaque correctif, en considérant :

• Criticité : Les données alimentent-elles le reporting client, la gestion des risques ou les obligations réglementaires ?

• Portée : Quelle quantité de données est affectée et depuis combien de temps ?

• Impact : Quels processus, clients ou régulateurs dépendent de ces données ?

• Risque : Quelle exposition si le problème n’est pas corrigé ?

• Coût : Quel est le coût de la correction vs. le coût des contournements ?

  
  

Une bonne règle : prévenir coûte moins cher que corriger après coup. Par exemple, ajouter une validation lors de la capture de trade est bien moins coûteux que d’annuler des règlements échoués ou de resoumettre des rapports SFTR.

Transformer l’Insight en Avantage Concurrentiel

L’objectif final n’est pas simplement “avoir de meilleures données” : il s’agit de performances renforcées sur l’ensemble du cycle de prêt :

• Les traders négocient avec confiance, sachant que leurs systèmes reflètent la réalité.

• Les opérations règlent les prêts plus rapidement et avec moins de fails.

• Les équipes risques suivent l’exposition en temps réel de manière précise.

• Les clients font confiance aux rapports et évaluations.

• Les régulateurs reçoivent des soumissions conformes et ponctuelles.

Lorsque les problèmes de données sont priorisés, justifiés et corrigés à la source, un programme de securities lending ne se contente pas d’éviter les risques : il gagne en efficacité, en confiance et en avantage concurrentiel.