Ginini antipode devient Ginesis ! Pour ses 20 ans, le cabinet entre dans une nouvelle ère
business cases

Data au service de la modélisation financière

Contexte et objectifs

Acteur majeur de l’énergie présent dans 70 pays.

Dans le cadre du plan de transformation de la Direction Financière des entités de commercialisation d’énergie, le programme vise à automatiser, fiabiliser et faciliter le processus de clôture, les prévisions financières et le pricing.

Le programme ne couvre que les activités de « marge énergie » (haut de P&L) et exclut donc les OPEX.


Pour atteindre ces objectifs, les travaux sont menés par des équipes produits, dédiés au projet, les équipes métier de France Retail et d’EMS (branche de GEMS qui en charge de l’approvisionnement de ces marchés).

Notre mission

PMO projet : définition de la roadmap, animation de la comitologie, facilitateur technico fonctionnel et industrialisation de la démarche projet.

Product owner : Définition de la vision produit, expression de besoin métier, supervisassions du baklog et des développements produit.

Data management : initialisation de la data gouvernance associée au data domaine finance.

Résultats

Mise en place d’un socle AWS alimenté automatiquement par les fournisseurs de données

Modélisation du haut de P&L sous DataIku pour alimentation des processus budgétaire, rolling forecst et best-estimate

Mise en place de dashboard de Data Quality Monitoring (DataIku + Power BI)

Apport de l’IA dans les projets de reprise des données historiques

Automatisation de l’extraction des données :

Reconnaissance de modèles : 
identification et extraction automatique des données pertinentes à partir de diverses sources, même si elles sont non structurées.

Nettoyage et transformation des données :

Détection des anomalies :
 identification et correction des erreurs ou incohérences dans les données, améliorant ainsi la qualité des données transférées.

Normalisation des données :
 Conversion automatique des données dans un format standardisé adapté au nouveau système.

Migration des données :

Planification intelligente :
 optimisation du plan de migration en identifiant les meilleures stratégies et séquences pour transférer les données.

Automatisation du transfert :
 Réduction des interventions manuelles grâce à des algorithmes d’IA qui gèrent le transfert des données.

Validation et vérification :

Contrôle de qualité : 
vérification que les données transférées sont complètes et exactes.

Tests automatisés :
 Exécution de tests pour s’assurer que les données fonctionnent correctement dans le nouveau système.

Analyse prédictive :

Prévision des problèmes :
 anticipation des problèmes potentiels pendant la migration et proposer des solutions proactives.

Résultats

Gain de temps : Réduction significative du temps nécessaire pour extraire, nettoyer et transférer les données.

Précision accrue : Moins d’erreurs humaines grâce à l’automatisation et à la vérification continue.

Efficacité : Processus plus fluide et moins de perturbations pour les opérations quotidiennes.

Adaptabilité : Capacité à gérer des volumes de données importants et diversifiés.

Sur le même thème