Domaine : Finance
Produits JetBrains utilisés : Datalore
Taille de l'organisation : 250
Pays : États-Unis
Comme dans beaucoup d'organisations financières, la dépendance à Excel de Venerable est devenue un obstacle. Les modifications apportées à une seule feuille de calcul déclenchaient souvent une réaction en chaîne d'ajustements sur d'innombrables autres feuilles de calcul, entraînant des erreurs et beaucoup de travail manuel. Cette configuration créait un processus long et propice aux erreurs, encore amplifié lorsque ces feuilles de calcul ont été utilisées comme entrées pour les processus d'autres équipes.
« Sur le plan de notre efficacité, l'un des problèmes majeurs était ce réseau de feuilles de calcul interdépendantes. Imaginez maintenant qu'une de ces feuilles de calcul contienne une erreur et que vous ne vous en rendiez pas compte. Trois feuilles de calcul plus tard, vous devez maintenant revenir en arrière, corriger cette feuille, et toutes les autres feuilles qui en dépendent, en espérant que vous ne l'avez pas envoyée en interne ou, pire encore, en externe. »
— Alexandria Morales-Garcia, analyste des risques d'investissement chez Venerable
Le paysage interne de Venerable connaissait également des évolutions. Les personnalités commerciales classiques ont cédé la place à des « développeurs citoyens », car les experts financiers assument de plus en plus des rôles de data scientists et d'analystes quantitatifs. Ces développeurs citoyens comprenaient des data scientists, des analystes quantitatifs et des parties prenantes qui voulaient davantage que de simples mises à jour manuelles de feuilles de calcul. Ils aspiraient à l'automatisation des processus, la réduction des erreurs, la simplification des workflows ainsi qu'à l'amélioration des méthodes d'analyse des données, le maintien de l'autonomie des données, la garantie de l'exactitude des données et une collaboration facilitée.
« Nos partenaires évoluent. Il ne s'agit plus vraiment d'employés classiques assis à un bureau pour travailler. Ils deviennent ce que nous appelons des "développeurs citoyens". Ils ont besoin d'autonomie, de collaboration et d'un cadre sécurisé pour leur travail. Nous savions que nous avions besoin d'une solution qui leur permette de le faire, et les feuilles de calcul n'étaient pas le bon outil pour cela. »
— Steven Skarupa, architecte d'entreprise chez Venerable
En analysant les exigences de son organisation et les besoins de ses utilisateurs, Venerable a découvert qu'il lui fallait passer de son modèle Excel indépendant à un outil plus complet, en temps réel et évolutif. Une solution qui ne nécessiterait pas de projets informatiques formels mais pourrait offrir un moyen semi-automatisé de les aider à se libérer des affres des feuilles de calcul tout en satisfaisant les besoins croissants des parties prenantes.
Après avoir identifié la technologie des notebooks Jupyter comme un composant crucial manquant dans son flux de données, Venerable s'est tourné vers Datalore, une plateforme collaborative de science des données basée sur la technologie Jupyter.
Datalore a doté les « développeurs citoyens » de Venerable de fonctionnalités essentielles pour permettre une transition en douceur depuis Excel. Voici quelques-unes de ces fonctionnalités :
« Avec Datalore, je peux utiliser l'onglet Statistics pour m'assurer que toutes les données sont chargées correctement et détecter les erreurs avant d'aller plus loin dans mes processus de codage. »
— Alexandria Morales-Garcia, analyste des risques d'investissement chez Venerable
Grâce à l'adoption de Datalore dans son workflow, Venerable a automatisé les tâches de routine, permettant ainsi aux analystes de gagner un temps précieux et de se concentrer sur des tâches plus pertinentes. Datalore a permis une transition fluide d'Excel vers une stratégie d'analyse de données plus avancée utilisant Python et SQL. Surtout, il a également favorisé la collaboration au sein de l'équipe, améliorant ainsi la productivité et la coordination.
L'examen des flux de trésorerie de l'entreprise s'est avéré un domaine d'amélioration important. Auparavant, le processus prenait huit heures pour générer des centaines de tracés. Avec Datalore, la tâche a été réduite à quelques minutes de calcul d'un rapport Datalore, avec uniquement des statistiques pertinentes et des informations précieuses.
8 heures
pour réaliser un processus manuel d'examen des flux de trésorerie sur Excel
2 minutes
pour exécuter un notebook Datalore et mettre à jour un rapport interactif
« J'ai pu réduire notre temps d'exécution de 8 heures à quelques minutes seulement. Cette efficacité a pu être constatée dans bon nombre de nos opérations : elle améliore la qualité de nos données et nous fait gagner énormément de temps. »
— Alexandria Morales-Garcia, analyste des risques d'investissement chez Venerable
En modernisant son processus d'analyse avec Datalore, Venerable a gagné en efficacité opérationnelle, encouragé la synergie d'équipe et, surtout, amélioré la qualité des données, renforçant ainsi son engagement à mener le jeu et à innover dans son domaine.
Vous voulez en savoir plus et entendre ce témoignage de l'équipe de Venerable ? Regardez ce webinaire préenregistré.
Moreno Raimondo Vendra, ingénieur responsable du machine learning chez TrueLayer
Datalore a offert à notre équipe un accès ergonomique à nos données dans le respect des exigences de sécurité. Cela a complètement changé la donne pour nous. Nous pouvons collaborer beaucoup plus facilement, tant au sein de notre équipe machine learning qu’avec nos autres interlocuteurs et interlocutrices.
Surya Rastogi, data scientist senior, Chainalysis
L’un de nos plus grands défis est que l’espace de la blockchain se développe rapidement ; il y a toujours de nouvelles données à acquérir et à analyser. En tant qu'entreprise, nous disposons de nombreuses fonctions d'acquisition et de traitement de données et nous espérons les voir continuer à croître.
Nauman Hafiz, directeur général de Constellation
Afin de faire évoluer son activité de science des données et fournir des insights de qualité aux clients et parties prenantes internes, Constellation recherchait une solution permettant d'optimiser la collaboration et d'améliorer la flexibilité. Des problèmes tels que la lenteur de la génération de rapports des outils de Business Intelligence traditionnels (Power BI et Looker, notamment) et des workflows en silo freinait la production d'insights personnalisés.