Rue – numéro – code postal – ville
en France, le numéro est normalement placé devant le nom de la rue. La situation devient vraiment compliquée lorsque la lettre n’est pas envoyée dans un pays voisin, mais par exemple en Asie, où les structures sont totalement différentes. Ou aux États-Unis : le United States Postal Service décrit sur plus de 200 pages la manière dont les adresses peuvent se présenter aux États-Unis, par exemple quant à leurs formats et les abréviations autorisées.
Les institutions financières et les caisses d’épargne adressent également chaque jour d’innombrables parties dans le monde entier en matière de transactions financières. La raison en est que pour les paiements en dehors de l’Espace économique européen (EEE), l’adresse du payeur doit être indiquée et le destinataire doit également être indiqué afin d’assure un traitement sans problème. Cela sert aux contrôles nécessaires, par exemple relatifs au blanchiment d’argent et à la prévention de la fraude.
Jusqu’à présent, l’énorme diversité des formats d’adresses dans le monde est restée insignifiante. En effet, l’indication des données d’adresse se fait de manière non structurée. Dans le fichier de paiement, des champs simples sont prévus à cet effet, les Address Lines (AdrLine) dans lesquels l’adresse est fournie sous forme de texte libre. Seul le nom doit être indiqué séparément à chaque fois.
Avec le SEPA 2.0, cette situation est terminée. Car à l’avenir, les données d’adresse devront être fournies de manière structurée et ce pour tous les formats de paiement SEPA. Les changements entreront progressivement en vigueur à partir de novembre 2023. Au plus tard en novembre 2025, les données d’adresse ne pourront plus être fournies que sous forme structurée pour les virements SEPA. Et les défis ne sont pas strictement limités à l’Europe : Swift et d’autres infrastructures de marché ont la même échéance. Pour les paiements au sein de l’EEE, l’indication des données d’adresse reste optionnelle. Cependant si les institutions financières optent pour la fournir, celle-ci doit également être structurée.
Cela signifie qu’à l’avenir, chaque élément d’une adresse doit être repris dans le champ prévu à cet effet. Le Payment Markets Practice Group répertorie au total 14 caractéristiques qui peuvent être attribuées à une adresse postale.
L’exemple affiché dans le graphique est simple. Chaque personne en Allemagne sait en effet que 9 est le numéro de la maison et que Wiesenweg est le nom de la rue. Migrer les données vers le nouveau format ne dure que quelques secondes, à condition que l’application offre les moyens appropriés.
Mais même dans ce cas, la transformation serait une tâche colossale. Car les institutions financières et les caisses d’épargne disposent de millions de données d’adresses qui doivent être migrées. Et des adresses aussi simples sont l’exception. Si on calcule les activités nécessaires, un simple exemple de calcul accumule rapidement une charge de travail pouvant atteindre 250 000 heures de travail pour une institution financière moyenne avec 500 000 entreprises clientes. S’y ajoutent les dépenses de formation des équipes pour mettre à jour leurs connaissances et expertise nécessaires sur les formats d’adresse du monde entier.
Compte tenu de l’ampleur de la tâche, il faut donc trouver des solutions efficaces. Les expressions régulières ne sont pas une solution dans ce cas. Comme nous l’avons expliqué plus haut à l’exemple des États-Unis, les possibilités des formes de données d’adresse sont multiples, même au niveau national et ne suivent aucune structure régulière. De plus, d’innombrables données de test seraient nécessaires.
Une autre possibilité sont les services de données d’adresse, par exemple de Google. Toutefois, ces services sont non seulement chers, mais aussi discutables du point de vue de la protection des données. En outre, il n’est pas rare que ces services se limitent à certaines régions ou même à certains pays.
Une application basée sur l’intelligence artificielle (IA) peut y remédier. Un tel système permettre de transposer de manière automatisée les données dans la structure nécessaire. L’IA est alors en mesure de reconnaître des structures à l’aide de données d’essai prédéfinies et de les appliquer à d’autres cas.
Chez PPI, nous aidons volontiers les institutions financières à préparer la réalisation de la migration des données d’adresse. Cela comprend la sélection et l’adaptation de l’application AI appropriée ainsi que le choix des données d’essai et de test nécessaire.
À la fin, les institutions reçoivent une solution performante et fiable, dont les institutions financières ne sont pas les seules bénéficiaires. Car à l’avenir, les entreprises clientes devront aussi fournir des données d’adresses structurées. Les institutions financières qui déchargent les entreprises de la transformation nécessaire peuvent s’assurer un avantage concurrentiel sensible.
Auteur : Dr.-Ing. Thomas Stuht, chef de produit chez PPI
0 commentaires:
Enregistrer un commentaire