Analyse collaborative sur Databricks

Introduction

Dans notre article de blog précédent, Enabling Business Users on Databricks, nous avons exploré comment des fonctionnalités telles que l'analyse conversationnelle, l'accès gouverné aux données et les applications basées sur l'IA permettent aux utilisateurs métier d'interagir directement avec les données. Mais l'autonomisation seule n'est pas suffisante.

Le véritable défi pour la plupart des institutions financières n'est pas seulement d'habiliter les utilisateurs individuels, mais d'habiliter la collaboration entre les équipes. Les clients, les gestionnaires de portefeuille, les spécialistes des opérations et les équipes financières s'appuient tous sur les mêmes données sous-jacentes. Pourtant, ils opèrent souvent dans des systèmes distincts, avec des flux de travail fragmentés et des transferts manuels entre les deux. Les informations circulent lentement. Les définitions des données divergent. Et les dirigeants se posent une question familière :

« Regardons-nous tous les mêmes chiffres ? »

La plateforme Databricks Data Intelligence Platform répond à cette question avec une plateforme unifiée pour les données, l'analytique, l'IA et les flux de travail opérationnels, permettant aux utilisateurs métier de toute l'organisation de collaborer sur les mêmes données gouvernées. Pour voir comment cela fonctionne en pratique, parcourons un flux de travail réaliste alimenté par Databricks SQL, UC Metric Views et Lakebase sur Databricks.

La tension principale : mêmes données, mondes différents

Imaginez quatre professionnels essayant de répondre à des questions sur le même portefeuille d'investissement, chacun sous un angle complètement différent.

• Sarah, actuaire, veut savoir si les flux de trésorerie des passifs sont alignés sur les durées des actifs.
• Dan, gestionnaire de portefeuille, doit confirmer si le portefeuille d'un client est conforme au mandat et comprendre le rendement actuel par rapport au rendement attendu.
• John, responsable des opérations, réconcilie les enregistrements IBOR et ABOR et recherche les plus grands écarts de position.
• Ben, responsable financier, doit générer des écritures de grand livre et valider si un ajustement permettra de clôturer correctement un livre.

Chacun d'eux pose des questions différentes. Chacun a des besoins d'accès aux données différents. Chacun utilise des outils différents. Pourtant, ils s'appuient tous sur les mêmes données sous-jacentes : portefeuilles, positions, passifs et transactions.

Traditionnellement, les organisations répondent à ce défi avec des systèmes cloisonnés : outils actuariels, plateformes de portefeuille, logiciels de réconciliation et systèmes ERP. Databricks remplace ce modèle fragmenté par une seule plateforme de données gouvernée avec des sémantiques unifiées pour chaque équipe.

La pile de capacités Databricks pour la collaboration métier

Pour l'équipe technique, la promesse est un ensemble d'outils unifiés. Pour les utilisateurs métier, la promesse est moins de transferts manuels et plus de temps consacré aux décisions, pas à la manipulation des données.

Voici comment la pile correspond à cette promesse :

• Parlez à vos données avec Genie (Analyse Conversationnelle). Les utilisateurs métier posent des questions en langage naturel et obtiennent des réponses basées sur des données vérifiées et gouvernées. Pas besoin de SQL. Pas de ticket à l'équipe de données. Et grâce à One Chat avec routage intelligent, un utilisateur n'a pas besoin de savoir quel espace Genie gère quel domaine ! Le système achemine automatiquement la requête vers le bon contexte.
• Interface de transfert transparente avec Databricks Apps. Offrez aux utilisateurs métier des interfaces riches et interactives où ils peuvent non seulement examiner les rapports, mais aussi agir, ajouter des notes, approuver des ajustements et déclencher des flux de travail en aval, le tout au sein d'une couche d'application gouvernée.
• Couche de service à faible latence avec Lakebase. Sert de colonne vertébrale transactionnelle et opérationnelle des données, prenant en charge les contrôles de réconciliation, les validations de solde et les écritures en temps réel que les flux de travail du middle et du back office exigent. C'est le pont entre l'information analytique et l'action opérationnelle.
• Glisser-déposer avec Lakeflow Designer. Permettez l'enrichissement et la transformation des données des pipelines Lakeflow grâce à une interface visuelle et low-code, permettant aux équipes comme celle de Sarah d'enrichir les données brutes d'actifs et de passifs sans attendre les cycles d'ingénierie.
• Gouvernance de données solide avec Unity Catalog. Fournissez les limites d'isolation à l'aide de la sécurité au niveau des lignes, du masquage des colonnes, des politiques RBAC et ABAC, garantissant que l'accès de Sarah aux données de passifs et l'accès de Ben aux écritures de grand livre sont gouvernés indépendamment, même lorsqu'ils interrogent les mêmes tables sous-jacentes.
• Définitions de termes cohérentes avec les Sémantiques Métier d'Unity Catalog. Les mêmes données, le bon accès et la même terminologie dans toute l'organisation.

Et comme le rythme d'innovation des modèles d'IA ne ralentit pas, l'architecture agnostique des modèles de Databricks vous permet de vous adapter rapidement, en remplaçant de nouveaux modèles, en adoptant des capacités multimodales et en couvrant des environnements multicloud sans réarchitecturer votre plateforme de données.

De l'intention à l'impact : un flux de travail métier en boucle fermée

Rendons cela concret. Le scénario suivant retrace une intention métier unique – une demande d'ajustement de la durée du portefeuille – de son origine dans l'analyse de l'actuaire jusqu'à l'écriture finale dans le grand livre au back office.

Étape 1 : La stratégie commence avec le métier (client)

Sarah, l'actuaire, est chargée de l'allocation stratégique des actifs. Son travail commence par une question : « Nos actifs couvrent-ils réellement nos passifs dans les bonnes proportions, aux bonnes durées ? »

Elle ouvre Genie sur Databricks et demande, en langage naturel : « Les flux de trésorerie des actifs sont-ils alignés sur le calendrier des passifs pour une analyse de rapprochement ? » Genie interroge les tables de passifs et d'actifs, révèle une inadéquation de durée et la présente dans un tableau de bord interactif. Sarah enrichit les données brutes à l'aide des pipelines Lakeflow Designer et conclut que la durée cible doit être modifiée. Elle soumet une demande formelle de modification du mandat.

Le message ici : La stratégie est axée sur les données dès le premier jour. La recommandation de l'actuaire n'est pas basée sur une exportation de feuille de calcul de mardi dernier ; elle est basée sur les mêmes données vivantes et gouvernées que le reste de l'organisation utilise.

Étape 2 : Le front office traduit la stratégie en action (gestion de portefeuille)

Dan, le gestionnaire de portefeuille, reçoit la demande de Sarah via une Databricks App. Il peut voir la demande dans son contexte, l'analyse sous-jacente, l'écart de durée et l'ajustement proposé, le tout sans quitter la plateforme.

À partir de là, les agents IA entrent en jeu. Ils extraient les dernières données du marché via un serveur MCP externe, exécutent des modèles de scénarios pour comprendre les implications en termes de rendement et de secteur du décalage de durée, et présentent l'analyse des compromis directement dans le flux de travail de Dan. Dan examine les résultats, ajuste les paramètres et traduit l'intention de haut niveau – « décaler la durée de X années » – en changements concrets de portefeuille : ajustements spécifiques de l'exposition sectorielle, objectifs de rendement et modifications de position qui sont communiqués à la couche d'exécution.

Le message ici : L'IA agit comme un collègue, pas comme une boîte noire. Elle accélère la traduction de l'intention stratégique en instructions actionnables tout en gardant le gestionnaire de portefeuille fermement à la place du décideur.

Étape 3 : Le middle office assure l'intégrité opérationnelle (opérations / valorisation)

Une fois les changements de portefeuille mis en file d'attente, John des opérations prend le relais. Son travail consiste à s'assurer que le livre de placement (IBOR) et le livre comptable (ABOR) sont réconciliés.

John utilise la réconciliation alimentée par l'IA via Databricks Apps pour examiner côte à côte les enregistrements IBOR/ABOR. Le système signale les écarts, identifie les causes profondes – qu'il s'agisse d'une différence de calendrier, d'un règlement échoué ou d'un problème de mappage de données – et propose des ajustements correctifs. Ces ajustements sont directement inscrits dans les tables Lakebase gouvernées, créant un enregistrement horodaté et auditable de chaque correction.

Le message ici : Les contrôles et la transparence sont intégrés au flux de travail, pas ajoutés après coup. Le middle office ne chasse pas les exceptions par des fils d'e-mails ; il les résout dans un environnement gouverné et traçable.

Étape 4 : Le back office boucle la boucle (bureau d'investissement / finance)

Ben, au back-office, examine les écritures d'ajustement préparées par l'équipe de John. En utilisant Databricks Apps et Lakebase, il approuve les corrections, génère les écritures correspondantes au grand livre et exécute une revue finale des risques via les Tableaux de bord IA/BI, confirmant que le profil de risque global du portefeuille se situe dans des limites acceptables suite au changement de mandat.

Tout ce que Ben voit, les positions du portefeuille, les ajustements de rapprochement, les métriques de risque, remonte à la même plateforme de données gouvernée que Sarah a interrogée au début de ce flux de travail. Il n'y a pas de rapprochement entre les systèmes, car il n'y a qu'un seul système.

Le message ici : le reporting, le risque et la comptabilité fonctionnent sur la même source de vérité. Le back-office ne rattrape pas le front-office ; il boucle la même boucle, sur les mêmes données, en temps réel.

Le message clé pour la direction

Pour les dirigeants des services financiers, ce schéma offre quatre avantages essentiels :

1. Une plateforme unique pour toute l'entreprise, éliminant le coût d'intégration lié à l'assemblage d'outils cloisonnés.
2. L'IA intégrée aux flux de travail métier, et non cloisonnée à la science des données, l'IA assiste les personnes qui prennent des décisions au quotidien, un peu comme un collègue de confiance.
3. Des données gouvernées et en temps réel, de la décision au grand livre avec Unity Catalog, garantissant que l'accès, la traçabilité et la conformité ne sont jamais négligés.
4. Collaboration Homme + IA à chaque étape, préservant le jugement humain et la responsabilité tout en réduisant considérablement le temps entre l'idée et l'action.

L'histoire ne porte pas sur les outils. Il s'agit de réduire les cycles de stratégie à exécution tout en renforçant les contrôles. Ce n'est pas seulement une histoire technologique. C'est une meilleure façon de gérer l'entreprise.

Prêt à boucler la boucle ?

De l'actuariat à la finance, chaque décision mérite la même source de vérité gouvernée et en temps réel. Voici comment avancer :

• Essayez : Lancez votre essai gratuit de Databricks dès aujourd'hui
• Voyez-le en action : Visitez notre centre de démos pour des visites de produits, des vidéos et des tutoriels pratiques couvrant Lakeflow, Unity Catalog, IA/BI et plus encore.
• Apprenez les bases : Commencez avec la formation Academy gratuite
• Téléchargez : L'eBook Business Intelligence rencontre l'IA eBook

Prêt à discuter ? Contactez votre équipe de compte Databricks pour voir comment Databricks peut transformer les flux de travail quotidiens de vos utilisateurs professionnels.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original