Q&R avec Andrea DeSosa sur la façon dont les entreprises des marchés de capitaux connectent recherche, trading, risques, opérations et conformité pour passer de pilotes AI à des flux de travail gouvernés.
par Kim Hatton et Andrea DeSosa
Les entreprises des marchés de capitaux modernisent le cycle de vie des transactions sous une pression constante : volumes de données croissants, attentes accrues en matière d'analyses en temps réel, initiatives AI passant en production et cycles de règlement plus courts. Aujourd'hui, plus personne ne se demande s'il faut utiliser l'AI. La vraie question est de savoir si la recherche, le trading, les risques, les opérations et la conformité travaillent tous à partir des mêmes données gouvernées — ou s'ils se contentent de le croire.
À mesure que les entreprises passent de l'expérimentation à la production, une tendance se dégage : l'avantage durable ne réside pas dans un modèle isolé. Il réside dans la capacité à rendre les données propriétaires, telles que les ordres, les exécutions, les positions, la recherche, les risques, les clients et les données opérationnelles, plus faciles à découvrir, plus fiables et mieux gouvernées tout au long du cycle de vie.
Je me suis entretenu avec Andrea DeSosa, Global Head of Capital Markets GTM chez Databricks, au sujet des pressions opérationnelles qui redéfinissent les flux de travail de pre-trade, d'exécution, de post-trade et de surveillance, afin d'obtenir des conseils pratiques sur la hiérarchisation de la modernisation. Cette conversation a été éditée pour des raisons de clarté et de longueur, et s'inspire des thèmes abordés dans l'ebook Modernizing the Trade Lifecycle in Capital Markets.
Kim Hatton : Qu'est-ce qui pousse aujourd'hui les responsables du trading et de la recherche à repenser le cycle de vie des transactions ?
Andrea DeSosa : Les entreprises gèrent davantage de données alternatives, plus d'expérimentations AI, des délais opérationnels plus courts et un contrôle plus strict de la manière dont les décisions sont prises et encadrées. Parallèlement, la recherche, le trading, les risques, les opérations et la surveillance reposent souvent sur des systèmes distincts et des visions de données incohérentes.
Cette fragmentation ralentit la prise de décision, complique l'analyse de l'exécution, limite la visibilité des risques et rend plus difficile la reconstitution des événements lorsqu'un régulateur, un client ou une fonction de contrôle interne le demande.
Kim Hatton : Où la fragmentation des données se manifeste-t-elle dans le cycle de vie des transactions ?
Andrea DeSosa : En phase de pre-trade, les équipes peuvent passer un temps considérable à préparer et à rapprocher les données de marché, fondamentales, ESG et alternatives avant de pouvoir tester une hypothèse d'investissement ou lancer un backtest.
Lors de l'exécution, les tables de négociation ont besoin de vues opportunes sur la qualité d'exécution, la liquidité, le flux d'ordres et le slippage par plateforme, stratégie et client. Cependant, la vue sur le bureau d'un trader peut ne pas correspondre aux données disponibles pour les risques, la conformité ou les opérations.
En phase de post-trade, de nombreuses entreprises dépendent encore de processus de gestion des risques nocturnes, de rapprochements basés sur des feuilles de calcul et de rapports conçus pour un cycle de règlement plus long. Ces pratiques deviennent plus difficiles à maintenir à mesure que les délais de règlement se raccourcissent et que les attentes en matière de résilience opérationnelle et de transparence augmentent.
Kim Hatton : Quelle est la place de l'AI dans la modernisation du cycle de vie des transactions ?
Andrea DeSosa : Les entreprises qui tirent une valeur reproductible de l'AI ne sont pas nécessairement celles qui mènent le plus grand nombre de projets pilotes. Ce sont celles qui parviennent à connecter et gouverner en toute sécurité le contexte propriétaire — flux d'ordres, recherche interne, positions, résultats de risques, informations clients et données opérationnelles — tout au long du cycle de vie.
Sans ce socle, l'AI risque de créer un flux de travail déconnecté de plus. Grâce à lui, les entreprises peuvent concevoir des outils qui aident les collaborateurs à enquêter sur les exceptions, analyser la qualité d'exécution, synthétiser la recherche ou détecter d'éventuels problèmes de surveillance, tout en maintenant des contrôles d'accès et une traçabilité appropriés.
La question stratégique ne consiste plus à se demander « Quel modèle devons-nous utiliser ? », mais plutôt « Comment connecter nos données, nos analyses et nos contrôles dans des flux de travail en production ? »
Kim Hatton : Quels signaux indiquent qu'il est temps de moderniser l'architecture de trading ?
Andrea DeSosa : Trois signaux reviennent fréquemment.
Ces pressions mènent à un test pratique : lorsque les taux évoluent, que les spreads s'écartent, que la liquidité se dégrade ou qu'un incident opérationnel survient, avec quelle rapidité l'entreprise peut-elle visualiser ses positions, comprendre ses expositions, identifier les flux de travail affectés et produire un compte rendu auditable des données et des décisions concernées ?
Kim Hatton : Par quoi les entreprises doivent-elles commencer pour moderniser le cycle de vie des transactions ?
Andrea DeSosa : Commencez par les décisions que les dirigeants doivent déjà prendre :
Une fois ces questions prioritaires définies, les domaines de données requis deviennent également plus clairs.
Pour l'analyse de la qualité d'exécution, cela peut impliquer des données de marché et de référence, ainsi que les ordres, les exécutions, les données de plateforme et les benchmarks. Pour la résilience post-trade, cela peut concerner les transactions, les allocations, les confirmations, le statut de règlement, le collatéral, le financement et les exceptions opérationnelles.
Le but n'est pas de moderniser tous les systèmes en même temps. Il s'agit d'établir un socle de données gouverné et réutilisable pour un petit nombre de flux de travail à forte valeur ajoutée, de prouver des résultats mesurables, puis de se développer à partir de là.
Kim Hatton : Que permet la plateforme Databricks Data + AI dans cette approche ?
Andrea DeSosa : La plateforme soutient cette progression en réunissant les données en temps réel et historiques, l'analyse et l'AI sur un socle commun.
Unity Catalog offre une gouvernance centralisée, un contrôle d'accès, une découverte et un lignage (lineage) pour l'ensemble des actifs de données et d'AI. Agent Bricks peut aider les équipes à créer, déployer et gouverner des agents spécifiques à un domaine, tandis que l'AI/BI permet aux utilisateurs métier d'explorer les données gouvernées à l'aide de tableaux de bord, de visualisations et d'expériences en langage naturel.
La valeur ne se limite pas à un seul flux de travail. C'est la capacité pour la recherche, le trading, les risques, les opérations et la conformité de travailler à partir de données cohérentes et gouvernées, tout en préservant les contrôles et le contexte dont chaque fonction a besoin.
Les modèles vont évoluer. Les questions métier, les données propriétaires et les exigences en matière de contrôles fiables resteront. Les entreprises qui abordent la modernisation du cycle de vie des transactions comme une initiative de données gouvernées et de modèle opérationnel — et non comme une collection de fonctionnalités AI isolées — sont mieux positionnées pour améliorer la rapidité de décision, la résilience opérationnelle et la capacité à faire évoluer de nouveaux cas d'usage au fil du temps.
Téléchargez notre nouvel ebook Modernizing the Trade Lifecycle in Capital Markets pour découvrir des cas d'usage pratiques en pre-trade, exécution, post-trade et surveillance, ainsi qu'un cadre pour prioriser les initiatives de données gouvernées et d'AI tout au long du cycle de vie.
(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original
Abonnez-vous à notre blog et recevez les derniers articles directement dans votre boîte mail.