CTO · 2017 - 2019
OneRagtime
J'ai conçu et construit les trois produits d'OneRagtime, une plateforme VC européenne avec 150 M€ d'actifs : la plateforme investisseurs, le cœur opérationnel et un pipeline de données pour le sourcing de deals.
oneragtime.comLe problème
OneRagtime finance et accompagne des startups européennes en phase précoce, de la Seed à la Série B. Le fonds gère 150 M€ d'actifs, travaille avec plus de 250 investisseurs et examine plus de 4 000 deals par an.
À ce volume, faire tourner un fonds de VC exigeait un système entièrement numérique : une expérience d'investissement pour les investisseurs, des outils pour chaque opération VC, et un moyen de découvrir et qualifier startups et investisseurs sans tout faire à la main.
Ce que j'ai construit
- J'ai conçu et construit la Platform, l'expérience d'investissement destinée aux investisseurs.
- J'ai construit le Core, un système numérique qui gère toutes les opérations VC.
- J'ai construit Deepdive, un pipeline de données qui découvre, qualifie et classe startups et investisseurs, du web scraping jusqu'aux recommandations par IA.
- J'ai constitué et dirigé l'équipe technologique (produit, développement et data) à Barcelone, et mené la due diligence technique des startups du deal flow.
Décisions et arbitrages
Un monolithe Django, PostgreSQL et des scripts Python planifiés pour Deepdive plutôt qu'un pipeline sophistiqué
Pourquoi: opérationnel en quelques semaines, pas en mois
Coût: ce n'était pas élégant.
Du traitement par lots pour Deepdive, conforme au besoin initial d'une exécution quotidienne
Pourquoi: la solution la plus simple qui répondait au besoin
Coût: quand l'équipe d'investissement a voulu des alertes en temps réel, les greffer sur un système batch a été pénible.
Trois produits séparés avec des contrats stricts entre eux plutôt qu'un monolithe
Pourquoi: trois groupes d'utilisateurs aux besoins différents pouvaient évoluer indépendamment
Coût: davantage à construire au départ.
Résultat
L'équipe d'investissement a utilisé Deepdive pour prendre de vraies décisions quelques semaines après la première version, sur plus de 4 000 deals examinés par an. Le modèle de données propre a permis d'ajouter de nouvelles sources en quelques jours plutôt qu'en semaines. Le fonds a soutenu plus de 50 entreprises, dont la licorne Jellysmack.
Stack
Docker Swarm · Django · Python · VueJS
À retenir
Auditer des dizaines de startups pour des investisseurs a changé ma façon d'évaluer les décisions techniques, y compris les miennes. Les équipes qui livrent vite ne sont pas celles qui ont la meilleure stack, ce sont celles qui ont le moins d'abstractions inutiles.