Tableau de bord d'analyse financière
FinTech · Analyse de données
2024
web
Ce dont ils avaient besoin
Les analystes du cabinet se retrouvaient bloqués à attendre des rapports incapables de suivre le rythme de l'activité. La plateforme devait ingérer et afficher plus de 10 millions de points de données par jour issus de flux financiers en direct, puis permettre aux analystes d'explorer des segments et des périodes précises sans recharger la page. Les approches de visualisation classiques calaient à ce volume — un seul graphique interactif pouvait mettre plusieurs secondes à s'afficher, et le maintenir à jour à mesure que les données sous-jacentes changeaient ne faisait qu'aggraver la latence. Les dirigeants avaient besoin d'une vue d'ensemble de l'entreprise qui reste à jour entre deux cycles de reporting, et non d'un instantané déjà obsolète au moment de son chargement. L'objectif était une réponse inférieure à la seconde sur des visualisations réellement interactives, à une échelle où un rendu côté client naïf ou des requêtes non optimisées auraient rendu le tableau de bord inutilisable.
Ce que nous avons construit
Nous avons construit le tableau de bord sur React pour la coquille d'interface, avec des graphiques D3.js sur mesure plutôt qu'une bibliothèque de graphiques standard, afin de garder un contrôle total sur le rendu de chaque visualisation à grande échelle. Un backend Node.js expose une API GraphQL, permettant au frontend de ne récupérer que les champs nécessaires à une vue donnée plutôt que de surcharger les écrans denses en données. MongoDB héberge les données financières entrantes, modélisées autour des schémas de requêtes réellement utilisés par les tableaux de bord. Les mises à jour en direct sont diffusées au navigateur via des connexions WebSocket plutôt que par polling, si bien que les graphiques se mettent à jour dès qu'une nouvelle donnée arrive, et non au prochain rafraîchissement. Des insights prédictifs pilotés par l'IA s'appuient sur ce même pipeline pour faire remonter des signaux prospectifs aux côtés de la vue historique. AWS héberge l'ensemble de la stack, donnant aux couches d'ingestion et de diffusion la marge nécessaire pour évoluer avec le volume de données.
Comment nous l'avons abordé
Des composants de graphiques D3.js sur mesure ont été développés plutôt que d'adopter une bibliothèque de graphiques généraliste, échangeant du temps de développement contre le contrôle de rendu nécessaire à plus de 10 millions de points de données par jour.
GraphQL a été préféré à une API REST afin que chaque vue du tableau de bord ne récupère que les champs dont elle a besoin, gardant des charges utiles légères sur des écrans financiers denses en données.
Les mises à jour en direct reposent sur du streaming WebSocket plutôt que sur du polling, si bien que les nouvelles données atteignent les graphiques à l'instant où elles se produisent.
Des insights prédictifs pilotés par l'IA ont été superposés au même pipeline de données en temps réel qui alimente le tableau de bord en direct, afin que les prévisions restent à jour avec les données entrantes.
Notre impact
Points de données par jour
Vitesse de reporting
Adoption utilisateurs
"Ce tableau de bord a transformé notre façon de prendre des décisions. Cela valait chaque centime."
VP Data
FinTech / analyse de données
Dites-nous ce que
vous voulez construire.
Apportez-nous ce que tout le monde a jugé trop compliqué. Réponse gratuite et sans engagement sous 24 heures — accord de confidentialité (NDA) sur demande.