Réconciliation de référentiels de données grâce à des algorithmes de Machine Learning

Contexte

Notre client, banque d’investissement, souhaitait récupérer des données additionnelles liées à la performance des fonds de son périmètre, disponibles auprès des fournisseurs de données financières.

Au lancement de ce chantier, il a fait face à une difficulté en particulier : la définition d’une méthode permettant de rapprocher les fonds présents dans son référentiel avec ceux des fournisseurs de données, le tout avec un niveau de confiance suffisant.

Pour améliorer l’identification des fonds et l’acquisition des données, nous les avons accompagné pour mener à bien leur programme de remédiation.

offre projet weefin

Transformation Data

assureur - direction des investissements

Banque d’investissement

Durée mission

10 jours

team weefin du projet

 1 expert Data Science

Activités / Livrables

  • Identification du besoin client
  • Étude du modèle de données en place
  • Mise en place d’une méthode de réconciliation fiable
  • Nettoyage des rapprochements préexistants qui s’avèrent erronés

Faits marquants

Augmentation significative de la qualité des données
Notre intervention a permis au client de disposer de méthodes de réconciliation fiables et d’améliorer durablement les workflows défaillants.

La Data Science pour améliorer la quantité et la qualité des résultats
Nous avons utilisé des méthodes classiques pour réconcilier les modèles de données ainsi que des algorithmes de Machine Learning. Ces dernières nous ont permis d’augmenter le niveau de réconciliation (cas où les méthodes classiques ne fonctionnent pas) et également d’augmenter le niveau de confiance vis-à-vis de ces résultats (contrôle via une autre méthode de réconciliation).

Besoin d’un accompagnement dans un projet de transformation Data ?