Reconnaître les tendances grâce à des données alternatives

Un fournisseur de renseignements de localisation savait bien avant l’annonce des chiffres trimestriels que les ventes de la chaîne de restauration rapide s’effondreraient. Ils avaient recueilli et évalué des données mobiles sur la circulation des piétons autour des restaurants. Les données, en particulier les données alternatives, jouent un rôle de plus en plus important dans les investissements. Ces dernières années, de plus en plus de gestionnaires d’actifs ont donc commencé à combiner des données financières conventionnelles avec des données alternatives, enrichissant ainsi leurs stratégies de négociation d’informations supplémentaires. Toutefois, l’avantage en termes d’information que présente l’utilisation de données alternatives diminue lorsque ces sources sont généralement comprises et acceptées. En d’autres termes, plus les entreprises traitent et évaluent des sources de données alternatives similaires, plus l’alpha (c’est-à-dire l’écart entre la performance d’un investissement et la performance d’un indice de référence) se dégrade rapidement. Afin d’éviter la “décomposition alpha”, il est important de comprendre comment les données alternatives contribuent à une stratégie d’investissement et de s’assurer que les données sont appliquées pour les bonnes raisons. Il est également important de garantir l’intégrité des données sous-jacentes et d’utiliser des modèles optimisés pour prendre rapidement des décisions éclairées.

Avec les données sur les piétons, le succès est au rendez-vous

Les données alternatives proviennent généralement de sources de données qui, d’une part, fournissent de nouvelles informations et, d’autre part, permettent de réévaluer les données existantes. L’objectif des données alternatives est de fournir des informations supplémentaires et utilisables à une stratégie avant qu’elle ne soit largement comprise et utilisée. Une autre stratégie de données peut inclure toutes sortes de données non financières, telles que le trafic piétonnier, l’offre et la demande d’énergie, la météo, l’imagerie satellite ou les données de télécommunications. Un exemple illustre ce potentiel : un fournisseur de renseignements de localisation, a prédit que les chiffres de vente de la chaîne américaine de restauration rapide chuteraient de près de 30 % au cours du premier trimestre. L’estimation a été basée sur des données relatives au trafic piétonnier recueillies par des applications mobiles. Deux semaines plus tard, lorsque la chaîne de restaurants a annoncé précisément cette baisse, le cours de l’action a chuté de 6 %. Grâce à ces données alternatives, il est donc possible de trouver des informations uniques et opportunes sur les tendances du marché, en fournissant des signaux d’achat ou de vente qu’aucun autre concurrent ne peut fournir. Mais les données alternatives n’aident pas seulement à prendre des décisions d’investissement. Dans une étude récente, 88 % des gestionnaires de fonds ont déclaré qu’ils aiment montrer leurs stratégies de négociation aux investisseurs. Actuellement, 95 % de ces gestionnaires de fonds utilisent déjà des données alternatives pour illustrer leurs décisions.

La valeur ajoutée ne peut être générée qu’avec l’aide de spécialistes

Un autre type intéressant de sources de données alternatives est l’analyse des sentiments. À l’aide d’analyses de texte modernes, les fournisseurs de logiciels de visualisation tirent des informations précieuses de ces sources de données pour leurs clients. Il s’agit notamment des résultats commerciaux publiés, des rapports d’analystes indépendants et des rapports annuels. Cependant, le succès des données alternatives ne dépend pas seulement des algorithmes utilisés. Les équipes qui mettent en œuvre cette stratégie exigent une connaissance approfondie du marché et des produits ainsi qu’un savoir-faire analytique. Ce n’est qu’alors qu’ils peuvent évaluer si un signal apporte des informations pertinentes à une décision d’achat et comment ces informations peuvent être mises en œuvre au mieux. Une étude montre que la valeur des données est fonction des questions qui leur sont adressées. Trouver les bonnes questions est un processus itératif et créatif qui est mieux mené par des experts en la matière. Les équipes d’analyse sont généralement les mieux équipées pour tirer parti des nouveaux types de données car elles comprennent la pertinence historique et commerciale d’un sujet et peuvent rapidement identifier les perturbations subtiles qui pourraient indiquer une opportunité.

Utiliser les données dans leur format d’origine et garantir l’intégrité

La qualité avant la quantité : le succès des modèles d’algorithme dépend dans une large mesure de l’intégrité des données sous-jacentes. En convertissant les données, leur signification peut être perdue pendant la “traduction”. Un lac de données est donc l’environnement idéal pour capter des signaux spécifiques et prendre des décisions basées sur un large éventail de sources de données historiques alternatives et conventionnelles. En effet, l’architecture d’un lac de données traite les données structurées et non structurées dans leurs formats d’origine, les stocke et les analyse, le tout sans modifier les données d’origine. Directement à partir du lac de données, il est possible de créer des applications ou des tableaux de bord qui utilisent les formats originaux pour les ensembles de données alternatifs et conventionnels. En combinaison avec une interface web “libre-service” intuitive, les spécialistes des entreprises peuvent alors travailler ensemble avec leurs équipes sur une vue d’ensemble. Comme les données n’ont pas été modifiées, l’équipe peut faire confiance à l’intégrité de ses analyses. L’accès est fourni directement à la sortie des modèles opérationnels, et non à des sommations abstraites.

Diriger par l’opérationnalisation des analyses

L’opérationnalisation des modèles est importante pour réduire le coût total de l’exécution d’une transaction. Des outils aident à obtenir une collaboration efficace au sein de l’équipe et à rationaliser les processus. Ils vous permettent de rendre rapidement opérationnel un modèle dans un environnement contrôlé, ce qui permet aux équipes de surveiller en permanence la puissance prédictive et le comportement de leurs modèles, et de garantir le contrôle des données et la conformité réglementaire. Tout cela maximise la durée de vie d’une stratégie de données alternative. L’utilisation de données alternatives et conventionnelles, les évaluations par des lacs de données et des bancs de travail, des modèles opérationnalisés et des équipes spécialisées, tout cela peut contribuer à atteindre un niveau de référence.