Professional Documents
Culture Documents
13 dcembre 2012
Sommaire
Qui ?
Jean-Philippe QUEVAT
O ?
La finance de march
Quoi ?
FO-MO-BO
Comment ?
La Business Intelligence
Et Alors ?
Architecte dcisionnel chez Natixis
13 dcembre 2012
Qui ?
13 dcembre 2012
Jean-Philippe QUEVAT
Consultant SO@T depuis 8 ans
Dveloppements .Net : 3 ans Architecture BI Microsoft : 5 ans
Missions chez SGCIB, SEDOC, CA-CIB, Natixis (IXIS-CIB), AVIS, Architecte dcisionnel chez Natixis
13 dcembre 2012
O ?
13 dcembre 2012
La finance de march
Il sagit des filiales Corporate and Investment Banking des banques (SG SGCIB,) Elle existe afin de rpondre aux besoins de clients (prts, cuivre, dollars,) et pour placer la trsorerie de la banque (fonds propres)
But :
faire des marges en assumant les risques justes (valuation) avoir un meilleur rendement quun placement sans risque (stratgie)
La finance de march
Une salle de march est divise en Desk correspondant une activit:
Change (Fx) Taux (FI) Crdit Actions et drives (Equity) Matires premires (Commo) Exotiques
13 dcembre 2012
La finance de march
Progiciels de gestion, passage dordre,:
Summit Calypso Murex Infinity Systme propritaire pour certains produits
La finance de march
Front
Middle
Back
13 dcembre 2012
Quoi ?
13 dcembre 2012
10
Front-Office
Traders :
Achat / Ventes de produits financiers Pricing de produits pour Clients/Sales et reporting valuation des risques
Front
Quant :
Modlisation de produits Conception/Dveloppement de nouveaux produits
Sales :
Vente / dmarchage de clients
IT :
Progiciel Front : paramtrage + pricers (C++) Commando (Excel, VBA,)
13 dcembre 2012
11
Middle Office
Trso
Calcul liquidit
Middle
MarketData SDR
Consolidation du P&L
Risk
Consolidation des Sensi (StressTest) Suivi des limites
IT
Application Lourdes/Web
Historisation sur BdD (gros volumes) Consolidation dans DWH via ETL Reporting spcifique
13 dcembre 2012
12
Back Office
Comptabilit
Rapprochement P&L Eco / P&L Compta Validation des Deals
Back
13 dcembre 2012
13
Comment ?
13 dcembre 2012
14
Business Intelligence
Pourquoi le dcisionnel ?
Information dissmine dans des bases de gestion de plus en plus nombreuses Htrognit des sources de donnes Difficult croissante centraliser et recouper les donnes Besoins de prises de dcisions de plus en plus rapide Bases relationnelles inadaptes pour rpondre rapidement des requtes lourdes
13 dcembre 2012
15
Schma gnrique
Sources de donnes
Progiciel Summit, Clarity,
ETL
Entrept de donnes
Cubes OLAP
Outils de restitution
ETL
WebServices
DWH
Data Mart
13 dcembre 2012
16
Datawarehouse
Le datawarehouse :
rassemble toutes les informations rcupres depuis les sources Contient des informations de qualit :
Exhaustives D doublonnes Vrifies, cohrentes
17
ETL
13 dcembre 2012
18
ETL
13 dcembre 2012
19
ETL
Conclusion
Cest un point critique du projet car cest ici que sont listes les sources, construit le rfrenciel, conu lhistorisation, la volumtrie, mis en place des sauvegardes : 60-70% du projet Il sagit ici de la version la plus complte dun ETL. En ralit, des versions dgrades sont gnralement utilises par les clients.
13 dcembre 2012
20
OLAP
Prsentation dOLAP
OLAP : On Line Analytical Processing Par opposition OLTP On Line Transaction Processing
13 dcembre 2012
21
OLAP
Concept de Cube
Cube : Entit multidimensionnelle contenant les donnes organises suivant des dimensions
Dimension 3 : Client
Dimension 1 : Temps
Dimension 2 : Produit
13 dcembre 2012
22
OLAP
Concept de Cube
Un cube peut avoir virtuellement un nombre illimit de dimensions Il est toujours construit partir dun modle en flocon ou en toile :
Les tables de dimensions correspondent aux dimensions du cube La table de fait correspond la donne mesure stocke dans le cube
13 dcembre 2012
23
OLAP
Process et mode de stockage
Laction de rcuprer les donnes depuis le Datawarehouse et de calculer les aggrgats sappelle le process du cube.
Plusieurs modes de stockage existent : MOLAP, ROLAP, HOLAP, etc La diffrence est le niveau de dtail de donnes stockes dans le cube
Aggrgations
Le moteur OLAP a la possibilit de pr-calculer des aggrgations pour chaque niveau hirarchique de chaque dimension Ces pr-calculs rduisent considrablement le temps de rponse des requtes
24
Reporting
La restitution des donnes
Pour lutilisateur final, quelque soit la quantit de la solution, le systme sera jug sur la capacit sintgrer son environnement de travail et son utilisation. La restitution doit tre multimdia et communicante La restitution doit tre adapte lutilisateur
Tableau de bord visuel Requtage sur le cube Reporting agrg
13 dcembre 2012
25
Reporting
Exemple de restitutions
Go-localisation
Connaitre la disponibilit des Autolib dans chaque station
DataMining
Analyser les flux , localiser les zones sur/sous-quipes
CRM
Analyser les habitudes des usagers pour les partenaires commerciaux
13 dcembre 2012
26
Et Alors ?
13 dcembre 2012
27
Problmatique :
intgrer 300 millions de lignes par nuit dans une base de donnes et les restituer de manire rapide aux utilisateurs
Equipe :
1 chef de projet 1 architecte 3 dveloppeurs
13 dcembre 2012
28
29
Archivage/purge
Infrastructure :
tude des machines (CPU, RAM, Stockage, Rseau,)
13 dcembre 2012
30
Best Practice
31
En Dtails
13 dcembre 2012
32
DWH : en dtails
Modle physique de donnes dun DataWareHouse
Conception : schma en toile (3eme forme normale, Boyce-Codd)
Types de donnes (date/datetime,) Dimensions clates ou non
en fonction des besoins Limitations techniques
Tuning
Index Partitionnement Archivage
13 dcembre 2012
33
DWH : en dtails
13 dcembre 2012
34
ETL : En dtails
Archi SSIS dune alimentation :
DataFlow ControlFlow Log EventHandlers Gestion XML
Parsing
13 dcembre 2012
35
13 dcembre 2012
36
SSAS : En dtails
Architecture serveur :
Instances
Bases
Cubes Dimensions
Scurit:
Rles Assembly
37
13 dcembre 2012
38
Au Final
Intgralit du panel dcisionnel rencontr Grande diversit des mtiers et technos dans le ple IT Problmatiques intressantes et nombreuses
Recherche de solutions adaptes Veille technologique permanente
13 dcembre 2012
39
Questions ?
13 dcembre 2012
40