Pourquoi nos clients nous choisissent?

features
Objectif: Excellence Opérationnelle

  • 99% de confirmation des transactions à J+1

  • 95% de transactions "Straight Through Processing", c'est-à-dire sans besoin d'intervention humaine

  • Contrôle de la gestion des OSTs

  • Press release
    features
    Objectif: Gain de temps au front office

  • Réduction du temps passé par les équipes front office sur des problématiques opérationnelles

  • Augmentation de la satisfaction client

  • Compliance réglementaire concernant les exigences de reporting et de matching selon SFTR

  • Vidéo

    features
    Objectif: Réduction de la facture dépositaire

  • Anticipation des problèmes de settlements sur le cash equity avant l'envoi aux dépositaires centraux

  • Coût du processus d'annulation/remplacement des instructions estimé à 5€ par instruction erronée
  • Solution

    Comment faisons-nous ?

    features
    Remplissage Automatique
  • Réduction drastique du nombre d'erreurs à la saisie via notre API qui complète intelligemment les transactions à partir d'une saisie partielle du trader
  • Intégration de l'API par le client dans les masques/macro Excel de saisie des transactions
  • Client en production: Société Générale (mai 2020)
  • features
    Alertes temps réel et corrections automatiques
  • 99% des erreurs sont corrigées en jour de négociation grâce à la fonction d'alerte en temps réel des erreurs en indiquant le/les champs problématiques et la correction à apporter
  • Affichage des alertes dans notre tableau de bord natif ou intégration via API dans les systèmes existants, en complément des contrôles déjà en place
  • Client en production: OFI Asset Management (Octobre 2018), Société Générale (Juillet 2019)
  • features
    Tableaux de bord de suivi des performances et objectifs
  • Suivi rigoureux des taux de qualité, temps moyen de correction, performance des algorithmes
  • Affichage des métriques dans nos tableaux de bord natifs ou intégration via API dans un système existant de dashboards
  • Client en production: OFI Asset Management (Novembre 2019), Société Générale (Janvier 2020)
  • Quelles mises en oeuvre ?

    OFI Asset Management
    Gestionnaire d'actif

    Équipe de 10 Middle Office


    Besoin exprimé

    • 95% de STP cross asset class
    • 99% de confirmation avant J+2
    • Suivi de la qualité des OSTs

    Solution

    • • Alertes temps réel sur les erreurs de saisie et d'enrichissement
    • • Tableaux de bord de suivi des taux de STP et de confirmation
    • • Tableau de bord de classification et tracking des incidents sur les OSTs

    Résultats

    • • Augmentation du taux de confirmation en J
    • • Tracking des objectifs annuels
    • • Mesures factuelles de sources d'améliorations de la chaine

    Mise en production

    Octobre 2018

    Société Générale
    Banque d'investissement

    Équipe de 40 Traders


    Besoin exprimé

    • 97% de qualité sur l'ensemble de l'activité prêt / emprunt en date de transaction

    Solution

    • • API de remplissage automatique (pour le Front)
    • • Alertes en temps réel sur les erreurs de saisie et d'enrichissement (pour le Front et le Contrôle)
    • • Tableaux de bord de suivi des taux de qualité par rapport aux objectifs fixés

    Résultats

    • • Gain de temps pour l'équipe Front Office
    • • Amélioration de la qualité à la saisie
    • • Augmentation de la réactivité des équipes de contrôles

    Mise en production

    Juillet 2019

    Quels efforts ?

    Exemple d'implémentation du module d'alerte temps réel


    Tâches
    Métriques clés
    Effort client

    Étape 1

    Diagnostic

    flèche
    • • Analyse de la piste d’audit des données transactionnelles / référentielles historiques
    • Calcul du nombre d’erreurs historiques
    • • Estimation de la répercussion des erreurs
    • Calcul du temps moyen de confirmation

    • Durée observée de l’étape:
    • • Société Générale: 1 mois
    • • OFI: 2 semaines

    • Effort de la part du client (Profil: IT + BA)
    • • Mise à disposition de deux VMs ayant accès aux données en UAT
    • • 2 workshops de 2h d’accompagnement par un BA pour la découverte du data modèle

    Étape 2

    Calibration

    flèche
    • • 1 mois de calibration de la solution en production
    • Visualisation des alertes de production dans un dashboard dédié
    • • Revue régulière des alertes avec quelques utilisateurs FO/MO beta testeurs
    • • Backtests: évaluation des performances de la solution sur les données historiques

    • Qualité des alertes au démarrage des tests utilisateurs:
    • • Société Générale: 80% d’erreurs détectées, 25% de fausses alarmes
    • • OFI: 70% d’erreurs détectées, 18% de fausses alarmes

    • Effort de la part du client (Profil: FO/MO)
    • 15 min / jour de revue des alertes sur les transactions de la veille par quelques béta utilisateurs, de profil MO ou FO et feedback à l’équipe Nephelai

    Étape 3

    Évaluation

    flèche
    • 1 mois de run en production avec l’ensemble des futurs utilisateurs
    • • Backtests: évaluation des performances de la solution sur les données historiques

    • Qualité des alertes observée en production:
    • • Société Générale: 92% d’erreurs détectées, 3% de fausses alarmes
    • • OFI: 95% d’erreurs détectées, 4% de fausses alarmes

    • Effort de la part du client (Profil: FO/MO/IT)
    • • L’ensemble des futurs utilisateurs évaluent la pertinence des alertes et la valeur apportée par la solution
    • • bascule sur un environnement de production à la fin de l’étape
    Mise en production du module d'alerte temps réel !

    Nephelai track record

    Novembre 2017 - Création de la société

    Juin 2018 - Label d’excellence par Finance Innovation

    Septembre 2018 - Premier go live

    Octobre 2018 - Prix de la solution technologique la plus innovante par l'AGEFI

    Juin 2019 - Second go live

    À propos de Nephelai

    Génèse

    Nephelai est le fruit du rassemblement de 4 ingénieurs passionnés et expérimentés, autour d'une idée portée par Eléonore de Vial. Lorsqu'elle était consultante en charge de projets d'implémentation de solutions informatiques chez un éditeur de logiciels financiers, Eléonore a été amenée à côtoyer régulièrement les équipes Middle Office des banques et sociétés de gestion. Le constat est simple, la majorité des tâches accomplies par les équipes Middle Office tourne autour du traîtement d'erreurs, que ce soit directement leur correction, ou plus en amont leur identification via de nombreux processus de réconciliation (confirmation, réconciliation du cash et des positions, contrôle de valeur liquidative, contrôle de performance, etc.). Quant aux logiciels, chacun propose ses outils de réconciliation et de contrôle, qui eux-mêmes requièrent un temps important pour être paramétrés et dont les contrôles s'apparentent finalement à un filet à papillons aux mailles beaucoup trop larges. De cette expérience, associée à la découverte de l'émergence du Machine Learning dans de nombreux domaines connexes, est née l'idée fondatrice de Nephelai.

    Équipe dirigeante

    L'équipe fondatrice de Nephelai se compose de 4 associés aux compétences et expériences variées. Elle cumule en particulier 35 années d'expérience dans l'édition de logiciels financiers (Jérémy, Xavier, Eléonore & Romain), 3 ans d'étude spécifique sur l'application d'algorithmes de Machine Learning à la détection d'erreurs sur les transactions (Xavier) et une expertise des métiers de la finance de marché (Jérémy, Eléonore & Romain).

    team
    team
    Éléonore
    de Vial
    CEO
    team

    Éléonore de Vial

    Chief Executive Officer

    Expérience

  • Initiatrice du projet de détection d'erreur par l'intelligence artificielle chez Misys
  • 10 ans d'expérience chez un éditeur de logiciel financier (Misys Sophis) en tant que consultante Middle/Back Office puis chef de produit responsable de la feuille de route Back Office des logiciels Sophis et FusionInvest.
  • Formation

  • M.Sc. Electronic Engineering Queen Mary University (Londres)
  • Diplomée de l'Institut Supérieur de l'Electronique de Paris.
  • team
    Romain
    Mangeret
    COO
    team

    Romain Mangeret

    Chief Operating Officer

    Expérience

  • 10 ans d'expérience chez un éditeur de logiciel financier (Misys Sophis) en tant que consultant Front Office puis chef de produit responsable du plan produit de la solution de gestion d'actif (Sophis Value/FusionInvest).
  • Formation

  • Ecole Polytechnique, Paris
  • team
    Jérémy
    Dupré
    CTO
    team

    Jérémy Dupré

    Chief Technology Officer

    Expérience

  • 12 ans d'expérience chez un éditeur de logiciel financier (Misys Sophis) en tant que développeur SDK puis directeur des technologies sur toutes les solutions marchés des capitaux de Misys.
  • Formation

  • Ecole des Ponts, Paris
  • team
    Xavier
    Guénard
    CSO
    team

    Xavier Guénard

    Chief Science Officer

    Expérience

  • 3 ans d'expérience en tant que responsable Data Scientist Misys sur le projet de détection d'erreur par l'Intelligence artificielle.
  • Développement de solution de machine learning pour la détection d'intrusion dans les systèmes militaires.
  • Formation

  • M.Sc. Mathematics Versailles University
  • Etudiant Ph.D à Polytechnique, Paris
  • Contact

    Entrons en contact

    Une question? Contactez nous, nous revenons vers vous au plus vite.

    • contact@nephel-ai.com