open search menuopen langage menutoggle menu
Actualités t3://page?uid=116

L’IA et la Data science au service de la Performance Financière ?

Les projections financières sont un enjeu majeur pour les entreprises, tant d’un point de vue pilotage que d’un point de vue communication pour les investisseurs.

Les processus d’élaboration budgétaire et de re-forecast sont des processus critiques devant être les plus fiables possibles. La conséquence en est une complexification importante : nombre de paramètres et variables à utiliser, niveau de détail et processus faisant intervenir de nombreux acteurs comme l’explique Nadia Abbassi et Nicolas Doussinet. Une tendance de fond commence à émerger via l’utilisation de la Data Science et de l’IA afin d’assister et accélérer ce processus…

L’élaboration budgétaire est une activité spécifique et sur-mesure pour chaque organisation :  les revenus et les coûts doivent être simulés suivant des scénarios pour lesquels les objectifs doivent être remplis (un scénario réaliste doit l’être, un scénario challengeant doit être ambitieux tout en étant atteignable…).

Les projections sur les revenus et coûts sont à estimer suivant les activités des organisations : une société de retail va estimer ses revenus en fonctions de ses ventes qui sont dépendantes du succès de ses produits, du marketing, prix des matières premières mais également de facteurs externes (conjoncture, inflation…), une société de consulting va faire les estimations en fonction des projets, des recrutements

Pour y parvenir de manière réaliste, il est nécessaire d’impliquer les parties prenantes des niveaux les plus opérationnels jusqu’au C-Level dans des processus itératifs descendants (dit « Top-Down) et/ou montants (dit « Bottom-up »). 

Ce budget une fois construit doit être une véritable boussole pour l’organisation et va devoir être réajusté en fonction de la réalité pour en évaluer l’atterrissage à fin d’année. Suivant les contextes et les environnements, certaines organisations sont amenées à faire ce processus dit de « Re-Forecast » plusieurs fois dans l’année, mobilisant tout autant un nombre important d’acteurs. 

 

Les limites et observations des approches classiques 

Les budgets étant produits à des mailles de plus en plus fines, plusieurs problématiques/complexités surviennent : 

  • Accompagnement : ce processus nécessite d’impliquer beaucoup d’acteurs qu’il peut être nécessaire de former et d’accompagner pour construire et valider chaque budget à des mailles locales 

  • Complexité : plus les informations sont nombreuses plus il devient fastidieux d’analyser et d’identifier localement des anomalies (ex : un budget non réaliste construit pour une région/un territoire, ou une Business Unit,…) 

  • Durée : ces processus impliquant différents aller-retours entre les parties prenantes deviennent de plus en plus chronophages et perdent de leur efficacité  

En parallèle, beaucoup de phénomènes et de corrélation sont connus des métiers et peuvent être anticipés, comme par exemple : 

  • La saisonnalité au niveau des revenus et des coûts est un phénomène fréquent (nombres de ventes de produits suivant les mois de l’année, périodes propices aux recrutements…) 

  • La corrélation de variables externes avec des tendances de l’entreprise : impact de l’inflation ou de l’indice PMI sur les ventes, taux de chômage et recrutement… 

 

La data Science comme catalyseur des processus budgétaires et prévisionnels 

Sur ces constats, beaucoup d’organisation expérimentent et pour certaines industrialisent des approches data sciences totalement intégrées dans leur processus.  

L’IA est un bon outil, en complémentarité de règles métier, pour initialiser différents scénarios à partir de situation à fin d’année N pour une année N+1, à partir d’apprentissage sur des données du passé pour reproduire les tendances, saisonnalités, et éventuellement appliquer des corrélations.

Ces initialisations peuvent être un accélérateur car les opérationnels partent de budgets initialisés par l’IA et peuvent procéder à leurs ajustements qui leur sont donnés par leurs intuitions ou de paramètres non connus par l’IA. Ils disposent ainsi de différentes versions de simulation de manière facilitée et avec des hypothèses explicables à soumettre à leurs directions permettant ainsi un arbitrage plus aisé et plus fiable. Ces directions qui doivent analyser et valider les chiffres consolidés, peuvent avoir, grâce à l’IA, des recommandations sur les budgets locaux présentant des divergences justifiées ou non et nécessitant une analyse fine. 

Dans la même logique, les re-forecast pourront être initialisés par l’intelligence l’IA, en prenant compte le réalisé, mais également des variations des données externes avec la prise en compte rapide d’inducteurs non financiers permettant une meilleure anticipation/prédiction de l’évolution des tendances du marché spécifique aux activités de l’entreprise. 

Pour garantir le succès de cette approche, il est nécessaire que l’IA soit intégrée avec un souci d’assistance et d’explicabilité : les métiers doivent pouvoir comprendre comment les chiffres ont été initialisés, pourquoi une recommandation est faite… Si cette composante est prise en compte, l’adoption en sera garantie et ce processus n’en sera que fiabilisé et accéléré.

 


A propos des auteurs

  • Nicolas Doussinet, Directeur Big Data, IA & Data Science
  • Nadia Abbassi, Directrice du pôle Performance Management