Moni
Prédiction de défaillance et infrastructure de données qui a réduit les coûts opérationnels de 50% et amélioré le recouvrement de prêts de 20%.
Impact
+20%
Recouvrement de prêts
Segment à haut risque
3x
Temps d'entraînement
Réduction du cycle d'entraînement des modèles
5x
Développement de pipelines
Réduction du temps de développement
-50%
Coût opérationnel
Réduction de l'infrastructure de données
Où ils en étaient
Moni est une fintech argentine de crédit. Avant la pandémie, ils avaient une équipe data solide qui gérait le cœur même du métier : le modèle de risque. Cependant, après la pandémie, cette équipe a commencé à se désintégrer : les gens sont partis vers d’autres entreprises, et avec chaque départ un morceau du savoir-faire critique était perdu. Ce n’était pas tant une crise soudaine qu’une érosion lente qui a fini par affecter très fortement la qualité des opérations.
Ce que nous avons trouvé
La demande initiale était de l’aide avec le modèle de risque. Mais le vrai problème était plus profond : les données étaient chaotiques, les ETL étaient du pur legacy, et il n’y avait pas de base sur laquelle construire quoi que ce soit de fiable. La chose la plus précieuse que nous avons faite n’était pas un livrable technique. C’était le diagnostic : dire à l’équipe exactement à quel point elle était loin de là où elle devait être.
Ce que nous avons construit
Un modèle de prédiction de défaillance qui a posé les bases pour que l’équipe de Moni construise les siens avec une autonomie totale. Migration complète des ETL legacy vers une architecture moderne : avec ces changements, ce qui prenait des semaines en développement de pipelines a été réduit au cinquième du temps et une baisse de 50% des coûts opérationnels. Nous avons reconstruit l’infrastructure d’entraînement des modèles qui a triplé la vitesse du time-to-prod. Mais le plus important est que le travail s’est complété par un transfert de connaissances solide pas seulement à l’équipe technique, mais aussi à l’équipe métier. Une communication ouverte, fluide et honnête entre Moni et deployr nous a permis de développer des solutions proportionnelles à la taille réelle de la fintech, sans sur-ingénierie.
Ce qu’ils peuvent faire maintenant
L’équipe de Moni construit ses propres modèles. Aujourd’hui, ils ont un modèle de nouveaux clients qui contrôle la défaillance dans un contexte macroéconomique très difficile (taux de défaut élevés en Argentine depuis fin 2024) et ça fonctionne. Le recouvrement dans le segment à haut risque s’est amélioré de 20%. Le savoir n’est enfermé dans la tête de personne : il vit dans l’infrastructure et les processus. Si l’équipe changeait complètement demain, Moni ne repartirait pas de zéro.
Pourquoi ils sont revenus
19 mois. La relation s’est étendue parce que la valeur ne cessait d’apparaître. Après une expérience préalable avec un fournisseur plus corporate (périmètre fermé, pas un centimètre au-delà de ce qui était convenu), la différence était claire : investissement personnel, fondateurs présents, honnêteté même quand la vérité était inconfortable.
“ Le plus important pour nous, c'est qu'ils nous ont aidés à comprendre notre situation, nous ont montré à quel point nous étions loin de là où nous devions être, et nous ont accompagnés pour atteindre cet objectif.”
• Juan Pablo Bruzzo, CEO & Co-fondateur, Moni
Cas associés
Fintech
CCM/DataVue
30+ modèles de scoring sur une plateforme de données chiffrée opérant à l'échelle du téraoctet.
Fintech
CTF Capital
Prédiction en temps réel pour les marchés crypto. 28 mois, 12 services AWS, zéro excuse.
Fintech
MODO
Traitement de big data, plateforme d'expérimentation et fonctionnalités GenAI pour les 4+ millions d'utilisateurs du portefeuille numérique leader en Argentine.
Vous vous reconnaissez dans cette situation ?
On se spécialise à résoudre des problèmes avec la technologie.
Parlons-en