En quelques mots

Cherry Pick est à la recherche d'un Quality Data (H/F) pour l'un de ses clients qui opère dans le secteur de la gestion d’actifs / finance de marché.

Description

🏢 Le Contexte : Fiabilisation des données de marché (Référentiel & Prix)

Vous rejoignez l'équipe "Data Referential" d'un acteur majeur de la finance quantitative. Cette équipe gère les données de référence et de pricing critiques (futures, rendements, FX, indices, obligations) qui alimentent directement les modèles de recherche et de prédiction (trading). La qualité de ces données est donc une mission absolument vitale.

À la suite d'une récente migration, des problèmes de qualité ont été identifiés dans les séries temporelles (time series). Actuellement, les contrôles de qualité (Quality Checks) sont réalisés de manière un peu artisanale via des notebooks.

L'objectif de cette mission est de passer à l'échelle supérieure : auditer, industrialiser, automatiser le monitoring et résoudre les anomalies à la racine en lien avec les fournisseurs (comme Bloomberg) et les équipes de recherche internes.

🎯 Vos Missions : Audit, Industrialisation et Remédiation

En véritable "détective" de la donnée, vous travaillez en étroite collaboration avec le Lead Data Référentiel pour structurer la qualité des données sur les instruments directionnels (Futures, FX, Taux, Indices).

1. Industrialisation & Automatisation (Build) :

• Auditer l'existant et transformer les contrôles manuels (Notebooks) en une véritable librairie de Quality Checks centralisée, modulaire et "production-ready".

• Mettre en place un monitoring automatisé avec des tableaux de bord (KPIs) et des alertes pour détecter les anomalies dès l'ingestion des données.

2. Investigation & Remédiation (Run & Analyse) :

• Analyser les anomalies dans l'historique des bases de données pour en identifier la cause racine (logique interne ou fournisseur).

• Gérer les escalades et coordonner les corrections avec les fournisseurs de données externes (ex: Bloomberg).

• Synchroniser les mises à jour de données historiques avec les équipes "Clients Internes" (Research & Prediction) pour s'assurer que les corrections ne perturbent pas leurs modèles en production.

3. Innovation IA (Proof of Concept) :

• Dans un second temps, concevoir un POC utilisant l'IA générative (LLM) pour assister l'équipe dans l'analyse des erreurs (Root Cause Analysis) ou la suggestion de nouvelles règles de contrôle.