How can machine learning / artificial intelligence improve key risk indicators in operational risk management

Details

Supervisors

Decaux, Loïc

Faculty

Louvain School of Management

Degree label

Master [60] en sciences de gestion (horaire décalé)

Abstract

L’incertitude est une composante inhérente à la prise de décision, elle s’inscrit comme étant la limite de la connaissance, ou bien de ce que l’on croit connaitre[Wakeham, 2015]. Elle est la source d’événements potentiels (incertains) qui, si ils devaient se matérialiser, pourraient avoir des conséquences négatives (un risque) ou positives (une opportunité). Anticiper efficacement l’occurence d’un risque permet de préprarer et d’amorcer une série d’actions ayant pour objectif de diminuer la probabilité qu’il se réalise. C’est l’une des deux approches, en complément à l’ atténuation de son impact, permettant de diminuer le niveau d’exposition de l’entreprise face à ce risque. L’avènement récent des techniques Machine Learning, ainsi que la facilité d’accès aux données de l’entreprise offerte par la digitalisation, permet le développement de modèles prédictifs d’occurence de risques, ou Key Risk Indicator (KRI) de meilleure précision. Ce papier démontre, au travers d’une étude de cas portant sur le risque de rupture de stock, l’amélioration des prédictions issues d’une approche machine learning par rapport à une approche empirique de développement de KRI. Néanmoins la réussite de cette approche est directement corrélée à l’existence, la quantité et la qualité des données inhérentes à la création de modèles prédictifs.