Lakehouse Databricks en banque privée : ce qui se joue vraiment derrière la migration

Dans les banques privées suisses, la question n'est plus de savoir si les flux clients et portefeuilles quitteront un jour l'entrepôt de données historique. Elle est de savoir comment les faire migrer vers un Lakehouse sans perdre la maîtrise réglementaire en route.

Databricks est souvent l'outil retenu, mais l'enjeu n'est pas l'outil. Nous voyons ces programmes de près. Voici ce qui se joue vraiment, et pourquoi la réussite dépend moins de la plateforme que de la gouvernance et des personnes qui la portent.

Pourquoi les banques migrent maintenant

Deux échéances réglementaires expliquent le calendrier. La circulaire FINMA 2023/1 sur les risques et la résilience opérationnels est en vigueur depuis le 1er janvier 2024, avec un chapitre dédié aux données critiques : inventaire, classification, protection tout au long du cycle de vie.

Ses exigences de résilience opérationnelle, avec des seuils de tolérance d'impact par fonction critique, étaient attendues au 1er janvier 2026. Et le dispositif finalisé de Bâle III s'applique en Suisse depuis le 1er janvier 2025, avec ses premiers reportings au format révisé.

Concrètement, une banque doit prouver d'où vient chaque chiffre de son reporting prudentiel, qui y a accédé et comment il a été transformé. Avec dix systèmes sources, des extractions Excel et un entrepôt vieillissant, cette preuve coûte des semaines à chaque clôture.

Le constat dressé par Databricks lors de la conférence CBA Live en avril 2026 rejoint le nôtre : les banques n'ont pas un problème d'IA, elles ont un problème de plateforme de données. Les pilotes stagnent parce que le socle et la gouvernance ne suivent pas.

Ce que « Lakehouse » veut dire concrètement

Un Lakehouse réunit dans un même socle le stockage brut d'un data lake et les garanties transactionnelles d'un entrepôt. Chez Databricks, ce socle repose sur le format ouvert Delta Lake et sur une organisation en couches que l'on appelle souvent architecture médaillon.

• Bronze : les données brutes telles qu'elles sortent du core banking, du PMS ou du CRM, horodatées et immuables.

• Argent : les données nettoyées, dédoublonnées, rapprochées entre systèmes, avec les règles de qualité appliquées.

• Or : les jeux de données métier prêts pour le reporting réglementaire, le risque, la gestion de fortune et le self-service analytique.

L'intérêt pour une banque tient en une phrase : le même jeu de données « or » alimente le reporting FINMA, les tableaux de bord des gérants et les modèles de risque. Une seule définition du client, du portefeuille et de la position, au lieu de trois copies qui divergent.

Databricks cite le cas d'une grande banque mondiale ayant ramené le traitement de son reporting de liquidité de dix heures à huit minutes après unification des données. L'ordre de grandeur est parlant, même si chaque contexte diffère.

Unity Catalog, le vrai cœur du sujet

Si un seul composant mérite l'attention du comité de direction, c'est Unity Catalog. C'est la couche qui répond, techniquement, aux exigences de la circulaire 2023/1 sur les données critiques.

• Le lignage : chaque table « or » remonte jusqu'à ses sources, transformation par transformation. C'est la preuve d'auditabilité que demande la FINMA.

• Le contrôle d'accès par attributs (ABAC), généralement disponible depuis 2026 : filtrage de lignes et masquage de colonnes définis une fois, appliqués partout.

• Les tags gouvernés et la classification automatique des données sensibles, qui matérialisent l'inventaire des données critiques.

• L'audit centralisé des accès, indispensable pour le secret bancaire et la protection des données.

Lors du Data + AI Summit de juin 2026, Databricks a étendu ce catalogue aux agents, modèles et outils d'IA via Unity AI Gateway, et annoncé un Governance Hub en préversion. La logique est claire : gouverner l'IA et les données au même endroit, avec les mêmes règles.

Pour une banque, cela change la nature du projet. La conformité cesse d'être un chantier documentaire mené après coup. Elle devient un sous-produit de l'architecture, à condition d'avoir été conçue dès le départ.

Les pièges que nous observons sur le terrain

Le premier piège est la migration à l'identique. Reprendre les tables de l'ancien entrepôt sans repenser le modèle de données déplace la dette technique dans le cloud, avec une facture de calcul en plus.

Le deuxième est le catalogue installé trop tard. Unity Catalog configuré après six mois de pipelines, c'est une reprise complète des droits, des schémas et du lignage. Il doit être posé avant la première ligne de PySpark.

Le troisième touche à la localisation. Les données clients restent sur une région Azure suisse, et certains établissements gardent une partie du patrimoine sur site. Databricks a d'ailleurs annoncé en juin 2026 un écosystème de stockage hybride pour gouverner des données qui ne migreront jamais.

Le quatrième est le coût. Le calcul serverless et les charges d'IA échappent vite aux budgets si personne ne pose de plafonds par équipe. Une banque sérieuse traite la gouvernance des coûts comme celle des accès.

Aucun de ces pièges n'est un problème d'outil. Ce sont des décisions d'architecture et d'organisation, prises tôt ou payées tard.

Les compétences qui font la différence

Sur ces programmes, la rareté n'est pas la licence, c'est le profil. Trois rôles portent la réussite, et ils sont difficiles à trouver en Suisse avec une expérience bancaire.

• Le Data Engineer Azure/Databricks : PySpark, Delta Lake, Azure Data Factory, SQL et Unity Catalog, avec la connaissance des flux clients, positions et transactions d'une banque.

• L'architecte de plateforme : conception du Lakehouse, gouvernance du catalogue et du lignage, DevSecOps appliqué à la donnée, dialogue avec la conformité et l'audit interne.

• L'Analytics Engineer : Databricks SQL, dbt, Power BI, Python, pour livrer le self-service aux équipes de gestion de fortune et de risque sans contourner la gouvernance.

Notre expérience du sourcing sur ces profils est claire : un architecte qui a déjà répondu à un auditeur sur le lignage d'un chiffre réglementaire vaut plus que trois certifications. Le contexte bancaire ne s'apprend pas dans un notebook.

La combinaison qui fonctionne mêle un noyau à Genève ou Zurich, proche de la conformité et des métiers, et des renforts nearshore pour l'industrialisation des pipelines. Le tout sous une gouvernance unique du catalogue.

Ce que nous en retenons

Une migration Databricks en banque privée est un projet de gouvernance des données déguisé en projet technique. Unity Catalog, le lignage et la classification des données critiques répondent directement à la circulaire FINMA 2023/1 et facilitent les reportings de Bâle III final.

La plateforme est mature. Ce qui manque le plus souvent, ce sont les décisions d'architecture prises tôt et les personnes capables de tenir le dialogue entre l'ingénierie, le risque et l'audit.

Si vous préparez ou renforcez un programme de ce type, parlons-en. Nous vous dirons franchement où se situe le risque, sur la plateforme ou sur l'équipe.