Standardisation des concepts pour créer et générer à la volée un environnement de données limités, sécurisé, banalisé (anonymisé). Cette mécanique permet de générer de manière automatique des environnements de Développement, UAT et de Production.
Développement de connecteurs bancaires pour alimenter une staging de données “ Avaloq (ASSL), OLYMPIC Banking System (Eri Bancaire), etc.
Gestion centralisé des droits d’accès (qui a le droit de voir quoi ?). Généralement définit au niveau du Back-Office, les données sont récupérées pour être alignées sur la définition de référence. Possibilité de surcharger les droits pour gérer les exceptions.
Gestion des best-practices pour la gestion, la maintenance et le support d’un environnement Qlik Enterprise : externalisation, dictionnaire de données, master-item, data loader, scripting, composants additionnels, console d’administration, release management, gestion des licences (optimisation), etc.
Principe générique de ventilation de coûts et/ou revenu jusqu’au niveau de détail du portefeuille.
Industrialisation des concepts de distribution d’applications spécialisées pour les différentes équipes métiers: sécurité, données restreintes, indicateurs globaux, dictionnaire de données métiers, etc.
Refresh des données à la demande, de manière automatique, on-time, etc.
Modélisation d’une Staging & d’un Data-HUB pensé pour les besoins bancaires : Organisation (Entités, BU, Desk, RM, PM, EAM, Client, Portefeuille, Relations, etc.) + Positions (titres, espèces, contrats) + Transactions (opérations, trading, OST, etc.) + Mouvements (Comptables et analytiques)
Standardisation des concepts standards de gestion d’un Data HUB Bancaire: import multi-source, multi- entité, multi-backoffice, multi-monnaie, gestion des extournes, gestion des back-dated transactions, sécurité des accès, anonymisation des données sensibles, gestion du changement, traçabilité des données, contrôles qualité (technique et business), performance data, etc.
Création d’un moteur de notation pour permettre le suivi d’indicateurs de tendances.
Création de silos (Data Marts) dédiés aux besoins métiers. Concepts basés sur une reconstitution globale quotidienne des DM sur base du Data- HUB centralisé : on-demand reload.
Silos dédiés aux besoins IA, Machine Learning, etc.
Gestion d’un moteur de règles (techniques et métiers) pour détecter et gérer d’éventuelles anomalies et inconsistances au niveau des données. Garantir la qualité des données et la pérennité des process.
Une règle est appliquée quotidiennement à tous les niveaux du framework de données: son résultat est stocké dans la base de données et suit un process de validation.
