Bonjour, et bienvenue dans ce nouveau module qui explore l'avenir de la finance.
Dans la leçon précédente, nous avons conclu notre exploration des applications technologiques en examinant la Robotic Process Automation (RPA). Nous avons vu comment la RPA rationalise les opérations de back-office en automatisant des tâches manuelles et répétitives, ce qui constitue un exemple concret de la manière dont la technologie redéfinit non seulement les processus, mais aussi le travail humain.
Cette leçon marque le début de notre dernier module, "The Future of Finance: Strategy, Risk, and Ethics". Nous allons maintenant prendre de la hauteur pour examiner les conséquences globales de ces innovations. L'objectif d'aujourd'hui est d'analyser comment les technologies financières (FinTech) transforment les exigences en matière de compétences et les profils de poste dans le secteur financier. Nous passerons des "comment" technologiques aux "qui" et "quoi" humains : qui sont les professionnels de la finance de demain et quelles compétences leur seront indispensables ?
1. La grande restructuration : destruction et création d'emplois
L'impact le plus visible de la technologie sur l'emploi est un double mouvement : la substitution de tâches routinières et la création de nouveaux rôles exigeant des compétences différentes. Le secteur financier, historiquement un grand employeur pour des postes administratifs et de traitement, est au cœur de cette transformation.
Pour une introduction percutante à cette dynamique, je vous invite à regarder quelques extraits d'une conférence TEDx donnée par Henri Arslanian, un expert reconnu du secteur FinTech.
How FinTech is Shaping the Future of Banking | Henri Arslanian | TEDxWanChai
Dans cette conférence intitulée 'How FinTech is Shaping the Future of Banking', Henri Arslanian brosse un tableau saisissant de la transformation à venir pour les professionnels de la finance.
Veuillez regarder les passages suivants : De 01:03 à 01:42 : Introduction sur l'impact de la FinTech sur les emplois. De 10:49 à 12:03 : Estimations chiffrées sur les pertes d'emplois et la nature des nouveaux postes. De 12:16 à 13:52 : Discussion sur le changement de mentalité nécessaire et l'évolution de la formation. Concentrez-vous sur l'idée principale : la disparition massive d'emplois traditionnels et l'émergence de nouveaux rôils nécessitant des compétences radicalement différentes.
L'orateur avance des chiffres forts – jusqu'à 50% des emplois bancaires pourraient disparaître – et souligne que les nouveaux postes créés seront non seulement moins nombreux, mais aussi fondamentalement différents. Il ne s'agira plus de traders ou d'agents de conformité traditionnels, mais de "designers, programmeurs et penseurs créatifs".
Votre expertise en économie et en analyse quantitative vous a certainement familiarisé avec le concept de "changement technologique biaisé en faveur des compétences" (skill-biased technological change). Ce que nous observons ici en est une illustration parfaite. Le rapport de l'Organisation Internationale du Travail (OIT) confirme cette tendance avec des données précises.
Digitalization and the future of work in the financial services ...
Le rapport de l'OIT, 'Digitalization and the future of work in the financial services...', offre une analyse macroéconomique des tendances de l'emploi dans le secteur. Il quantifie le passage des rôles administratifs vers des rôles plus qualifiés.
Veuillez lire la section 3.1.2, en vous concentrant sur le paragraphe intitulé 'Labour composition' et le graphique 11 ('Variation of workers in financial services sectors by occupation'). Observez comment, dans de nombreux pays, la part des 'Clerical support workers' diminue tandis que celle des 'Professionals' et 'Technicians' augmente.
Le graphique 11 du rapport de l'OIT illustre clairement ce phénomène. On y voit une diminution systématique des emplois de soutien administratif ("Clerical support workers") et une augmentation des postes de "Professionals" et "Technicians". C'est la preuve statistique que les tâches automatisables disparaissent au profit de rôles qui requièrent analyse, expertise et interaction avec la technologie.
2. Les nouveaux visages de la finance : les métiers émergents
Maintenant que nous avons établi la tendance générale, examinons concrètement les nouveaux métiers qui apparaissent. Quels sont ces postes que les banques et les entreprises FinTech s'arrachent ?
La vidéo suivante propose un classement commenté des 10 métiers les plus courants dans la FinTech, en détaillant leurs responsabilités, rémunérations et les compétences requises.
Ranking the Top 10 Jobs in Fintech (Compensation, Work-Life Balance, Difficulty)
La vidéo 'Ranking the Top 10 Jobs in Fintech' de Dave Burji offre un panorama très concret des nouveaux rôles dans le secteur.
Regardez l'intégralité de cette vidéo (environ 13 minutes). Elle dresse un inventaire très riche. Prenez note des différents rôles et essayez d'identifier le point commun qui les relie, notamment pour les postes les mieux classés (Data Scientist, Software Engineer, Quantitative Trader/Researcher).
Cette vidéo illustre la diversité des nouveaux métiers, qui se situent à l'intersection de la finance, de la technologie et de l'analyse de données. On peut les regrouper en plusieurs grandes familles :
- Les experts de la donnée : Data Scientist, Data Analyst.
- Les bâtisseurs de technologie : Software Engineer, Blockchain Developer.
- Les stratèges produit : Product Manager, qui définit la vision et la feuille de route des produits financiers numériques.
- Les experts du risque et de la conformité "augmentés" : Risk Manager, Compliance Officer, qui utilisent désormais des outils d'analyse avancés.
- Les financiers quantitatifs de nouvelle génération : Quantitative Trader, Quantitative Researcher, qui conçoivent et implémentent des modèles de trading basés sur l'IA.
L'image suivante, bien que centrée sur le rôle de "développeur", synthétise bien les domaines de compétence devenus cruciaux.
Testez votre compréhension !
Comparez le rôle d'un analyste crédit traditionnel dans une banque des années 1990 avec celui d'un Data Scientist spécialisé en scoring de crédit dans une FinTech aujourd'hui. Quelles sont les principales différences en termes de données utilisées, d'outils et de compétences requises ?
Voir la réponse
-
Analyste crédit traditionnel (années 90) :
- Données utilisées : Principalement des données structurées fournies par le client (bulletins de salaire, relevés bancaires, déclarations d'impôts).
- Outils : Calculatrice, tableurs (Excel), logiciels de scoring internes basés sur des modèles économétriques simples (ex: régression logistique).
- Compétences : Analyse financière classique, connaissance de la réglementation, jugement qualitatif, relation client.
-
Data Scientist en scoring de crédit (aujourd'hui) :
- Données utilisées : Un large éventail de données structurées et non structurées (Big Data). En plus des données traditionnelles, il peut utiliser l'historique transactionnel, des données de navigation web (avec consentement), l'usage d'une application mobile, des données de géolocalisation, etc.
- Outils : Langages de programmation (Python, R), bibliothèques de Machine Learning (Scikit-learn, TensorFlow), plateformes Big Data (Spark), outils de visualisation de données.
- Compétences : Maîtrise de la programmation, statistiques avancées et Machine Learning (arbres de décision, boosting, réseaux de neurones), ingénierie des données (features engineering), compréhension des enjeux de biais algorithmique.
La principale différence est le passage d'une analyse basée sur un dossier déclaratif à une modélisation prédictive basée sur des volumes massifs de données comportementales, nécessitant des compétences techniques et quantitatives beaucoup plus poussées.
3. Le nouveau profil de compétences : combler le "Skills Gap"
L'émergence de ces nouveaux métiers crée une tension sur le marché du travail : le "skills gap", ou déficit de compétences. Les compétences demandées par les employeurs évoluent plus vite que celles disponibles au sein de la main-d'œuvre.
Le rapport 2024 de la Financial Services Skills Commission (FSSC) est une ressource exceptionnelle pour analyser ce phénomène en détail.
Bridging the skills gap in a rapidly evolving sector
Le rapport 'Bridging the skills gap' analyse en profondeur les besoins en compétences du secteur financier britannique. Il met en lumière non seulement les manques, mais aussi la nature de ces manques.
Veuillez étudier les éléments suivants dans ce rapport (les numéros de page peuvent varier légèrement) : Key findings summary (p. 5) : Pour une vue d'ensemble rapide. Data and technical roles remain hardest to fill (p. 9) : Identifiez les rôles les plus difficiles à recruter. Graphiques sur l'écart offre-demande (p. 12-14) : Comparez l'écart pour les compétences techniques (ex: Machine Learning) et les compétences comportementales (ex: Empathy, Adaptability). New data on proficiency gaps (p. 16-17) : Saisissez le concept de 'proficiency gap' (écart de maîtrise), particulièrement visible pour 'Data analytics'. Table 'Analysis of average proficiency gap...' (p. 18) : Ce tableau synthétise l'analyse et propose des actions (upskill, reskill, recruit). AI will affect key roles in FS (p. 22) : Observez comment l'IA impacte davantage les rôles hautement qualifiés.
Ce rapport met en évidence plusieurs points cruciaux :
- Le déficit technique est persistant : Les rôles en data, cyber, et IA/Machine Learning sont chroniquement difficiles à pourvoir.
- La montée en puissance des compétences comportementales (soft skills) : Le rapport montre un écart croissant entre l'offre et la demande pour des compétences comme l'empathie, l'adaptabilité, le coaching et la pensée créative. La technologie ne suffit pas ; il faut des humains capables de l'utiliser avec discernement, de collaborer et de comprendre les besoins des clients.
- Le déficit de maîtrise ("Proficiency Gap") : Il ne suffit pas d'avoir une compétence ; il faut l'avoir au niveau de maîtrise requis. Le rapport montre que même si de nombreuses personnes ont des compétences en analyse de données, peu les maîtrisent au niveau expert attendu.
- L'impact de l'IA sur les plus qualifiés : Contrairement aux vagues d'automatisation précédentes, l'IA affecte directement les métiers d'analystes, de conseillers et de managers, en augmentant leurs capacités plutôt qu'en les remplaçant purement et simplement.
Face à ce déficit, deux stratégies s'imposent pour les entreprises et les individus :
- Upskilling ( montée en compétences) : Améliorer et mettre à jour ses compétences pour rester pertinent dans son rôle actuel. Par exemple, un analyste financier qui apprend à utiliser Python et Power BI.
- Reskilling (reconversion) : Acquérir des compétences entièrement nouvelles pour changer de rôle. Par exemple, un employé de back-office qui se forme pour devenir un développeur RPA.
Le rapport de l'OIT (LINK, Table 8, p. 35) donne des exemples clairs de ces deux processus. C'est un enjeu majeur pour la formation continue, un domaine que vous connaissez bien en tant qu'enseignant.
L'image suivante synthétise parfaitement le profil idéal recherché aujourd'hui, un mélange de compétences techniques, de savoir-être et de connaissance du secteur.
Conclusion
La transformation numérique de la finance n'est pas seulement une question de technologie, c'est avant tout une révolution humaine. Elle redéfinit en profondeur les métiers et les compétences nécessaires pour réussir dans le secteur.
Points clés à retenir :
- Une transformation structurelle de l'emploi : La FinTech accélère la disparition des postes administratifs et routiniers au profit de rôles hautement qualifiés à l'intersection de la finance, des données et de la technologie (Data Scientist, Product Manager, Quant Researcher).
- Un double déficit de compétences : Le secteur fait face à une pénurie de compétences techniques pointues (IA, cybersécurité, programmation) mais aussi de compétences comportementales cruciales (adaptabilité, empathie, créativité) pour accompagner le changement.
- Au-delà de la compétence, la maîtrise : Le défi n'est pas seulement d'acquérir de nouvelles compétences, mais d'atteindre le niveau de maîtrise ("proficiency") requis par l'industrie.
- L'impératif de l'apprentissage continu : Pour les individus comme pour les entreprises, la survie et le succès dépendent d'une culture d'apprentissage permanent, mêlant upskilling (amélioration) et reskilling (reconversion).
En tant qu'enseignant, ce sujet est au cœur de votre mission : préparer la prochaine génération aux réalités de ce nouveau marché du travail.
Cette analyse de l'impact humain de la technologie nous conduit naturellement à des questions plus profondes. Si des algorithmes prennent des décisions de plus en plus importantes (scoring de crédit, trading), comment s'assurer qu'ils le font de manière juste et éthique ? C'est ce que nous aborderons dans la prochaine leçon, qui portera sur les considérations éthiques de l'IA en finance, notamment les biais algorithmiques, l'équité et la transparence.