Clearview Advisory Group est un cabinet américain de conseil en stratégie et en finance qui accompagne des clients de taille intermédiaire dans la planification pluriannuelle et l’allocation du capital. Les missions exigent des modèles de prévision ancrés dans la réalité macroéconomique actuelle — des documents conçus pour les CFO et les membres du conseil d’administration. James Merritt pilote la modélisation quantitative sur l’ensemble des missions clients.
Trois jeux de données gouvernementaux, aucune couche de consolidation
Le livrable était un modèle de prévision financière sur 3 ans, adossé à des références macroéconomiques américaines en temps réel — l’IPC, la croissance du PIB réel et les taux d’intérêt. Les données macroéconomiques étaient réparties dans des fichiers CSV distincts publiés par des organismes publics. Pour construire la base, Merritt devait extraire les lignes post-2020 de chaque fichier, calculer les taux de croissance en glissement annuel pour l’IPC et le PIB réel, puis fusionner les trois séries dans un tableau unique et cohérent avant de pouvoir commencer tout travail destiné au client.
L’environnement post-2020 ajoutait une complexité non linéaire : la flambée de l’inflation, le cycle de hausse des taux de la Réserve fédérale le plus agressif depuis quatre décennies, et les variations du PIB, d’une contraction brutale à une forte reprise, signifiaient que des hypothèses en ligne droite ou des prolongements de tendance pré-2020 produiraient une base de référence matériellement trompeuse. Un ancrage sur des données actuelles était non négociable. Réalisé manuellement, cet exercice d’alignement prend plusieurs heures avant même de commencer le modèle de prévision.
Energent.ai est devenu le moteur de consolidation
Merritt a importé directement les trois CSV macroéconomiques dans Energent.ai. L’agent a pris en charge l’ensemble du pipeline :
- A analysé et validé les trois jeux de données importés avant de poursuivre
- A exécuté Python pour extraire les dernières observations post-2020 de chaque fichier
- A calculé les taux de croissance en glissement annuel pour l’IPC et le PIB réel, puis a fusionné les trois séries dans un seul CSV consolidé
- A délégué la génération du tableau de bord à un sous-agent, produisant un graphique interactif superposant la flambée de l’inflation, le cycle de hausse des taux et la volatilité du PIB sur une chronologie unifiée
- A rédigé un modèle de prévision structuré en markdown sur 3 ans avec les chiffres de base, des tableaux de taux en glissement annuel et une trame de projection sur trois ans
- A vérifié la structure des fichiers et l’intégrité du rendu avant la livraison finale
Aucune fusion manuelle. Aucune réécriture de formules. Aucun outil de création de graphiques séparé.
Des données sensibles aux régimes, pas seulement des rapports plus jolis
- De vrais calculs sur de vrais fichiers. L’agent a exécuté Python sur les CSV réellement importés — pas sur des données fictives. Les taux de croissance en glissement annuel provenaient des valeurs sources, pas d’approximation.
- Une couverture post-2020 par défaut. Les lignes post-2020 ont été extraites sur les trois séries, capturant les ruptures de régime qui rendent les prévisions de la période actuelle matériellement différentes des extrapolations pré-2020.
- Une session unique, toute la chaîne. L’ingestion, la consolidation, la visualisation et la rédaction du modèle se sont enchaînées au sein d’une seule session. Le tableau de bord et le modèle s’appuyaient sur la même base consolidée.
- Flexibilité de format. Des fichiers provenant de différentes sources gouvernementales avec des structures de colonnes différentes ont été traités sans prétraitement manuel.
Comment James Merritt s’y prend
- Téléchargez les trois fichiers CSV macroéconomiques dans la session Energent.ai.
- L’agent extrait les données de la période courante et calcule les taux de croissance en glissement annuel.
- Le CSV consolidé est généré et disponible au téléchargement.
- Un tableau de bord interactif en superposition est produit par un sous-agent.
- Un modèle de prévision structuré en markdown est rédigé et vérifié.
- Les deux fichiers sont téléchargés pour la livraison au client.
Trois livrables prêts pour le client, une seule session
- Référence macroéconomique consolidée : un CSV unique combinant l’IPC, le PIB réel et les taux d’intérêt — les taux de croissance en glissement annuel sont calculés pour l’IPC et le PIB réel, les taux d’intérêt étant conservés comme valeurs de niveau
- Tableau de bord interactif en superposition : un graphique unifié couvrant les régimes post-2020 — lisible par un public financier non spécialiste
- Modèle de prévision structuré : un document markdown mis en forme avec les chiffres de base, des tableaux de taux en glissement annuel et une trame de projection sur trois ans, prêt à être remis au client
Un travail qui aurait consommé plusieurs heures d’assemblage manuel de données à partir de trois fichiers gouvernementaux distincts a été réalisé en une seule session de travail.
"Le modèle est allé directement à l’équipe CFO du client comme document de travail pour le cycle de planification pluriannuel. C’est le niveau attendu — suffisamment bon pour être utilisé directement par une équipe CFO. C’était le cas." — James Merritt, Consultant senior en stratégie chez Clearview Advisory Group