Gestion financière : l’analytique transforme les données en or
Les solutions financières modernes ne se limitent plus à analyser des chiffres de manière statique. Elles peuvent transmuter ces données en ventes, en optimisation de processus opérationnels, en stratégie produits. Et augmenter les marges.
Le rôle de la finance change. La finance d’entreprise ne s’occupe plus (uniquement) de la paperasserie ou de l’enregistrement des transactions. Elle doit à présent comprendre en profondeur ces transactions – qui est l’acheteur et qui sont les fournisseurs. Elle peut en évaluer la prévisibilité et comprendre quels sont les facteurs de coût et/ou de risque. En résumé, les directeurs financiers sont devenus des directeurs généraux avec une vraie vision stratégique long terme.
Les DAF doivent également savoir ce qui se passe aujourd’hui, pour prendre les décisions appropriées et régler les questions prioritaires avant qu’elles ne deviennent des problèmes. Et c’est là qu’intervient un nouvel outillage avec de l’Intelligence Artificielle (IA), du Machine Learning (ML), de l’analytique prédictif et prescriptif ou l’automatisation des processus robotisés (RPA).
Les directeurs financiers, par exemple, peuvent utiliser l’IA pour compulser les données d’une chaîne d’approvisionnement et en tirer des informations sur les tendances d’achat et de vente d’une entreprise. Qui achète quoi en interne ? À quel fournisseur ? À quels prix ? Et à l’opposé, qui achète quel produit à l’entreprise ? Avec quelles marges ? Combien de temps est passé, à traiter les clients particuliers ? Quelle est la structure des coûts ?
Toutes ces informations peuvent évidemment déboucher sur des mesures pour améliorer les résultats comptables.
Identifier et réduire les risques
Dans le processus de recouvrement, l’IA est déjà utilisée pour mieux segmenter les mauvais payeurs, avance Paul Morrison, directeur général du cabinet de conseil Hackett Group. « En utilisant l’Intelligence Artificielle, et en examinant l’historique total des recouvrements et des retards de paiement, un logiciel est capable d’identifier les mauvais payeurs à haut risque (voire ceux qui ne payeront pas) et d’affecter l’équipe humaine sur la gestion de ce groupe », explique-t-il. « Cette forme d’analytique améliore le flux de trésorerie parce que vous concentrez vos efforts exactement là où il faut dans le processus de recouvrement, plutôt que de le faire d’une manière moins avisée ».
Hackett Group travaille aussi actuellement avec une entreprise manufacturière dont l’équipe en charge du forecast ne pouvait plus faire face à la complexité de ses données d’approvisionnements. « Ils dépensent des dizaines de millions de dollars en appros critiques pour leur processus de fabrication, mais il y a tellement de données qu’ils ne savaient pas quoi en faire », raconte Paul Morrison. « Grâce à une combinaison d’IA et d’automatisation, ils peuvent maintenant faire des prévisions quotidiennes sur les prix du marché et déterminer quel est le meilleur moment pour acheter leurs matières premières ».
Une autre société qui gère des parcs solaires et éoliens aux États-Unis reçoit, elle, des données sur l’état potentiel des vents, toutes les cinq minutes. « Ils ont décidé d’utiliser de l’IA parce qu’ils ne pouvaient pas, manuellement, télécharger ces données toutes les trois cents secondes pour faire des prévisions à cette fréquence », témoigne Justin Gillespie, un autre consultant du Hackett Group. « Ils utilisent à présent l’automatisation pour saisir ces données puis pour les fusionner avec d’autres données météorologiques et obtenir ainsi des prévisions encore plus précises sur le rendement potentiel de ces éoliennes. Ils ont une façon beaucoup plus fine de prédire les revenus [liés à la production] à partir de ces données externes ».
Prévoir les résultats opérationnels
L’analytique prédictif joue aussi un rôle croissant dans la planification. « Ce domaine, l’analytique peut identifier un schéma récurent dans le passé et en déduire un résultat probable », rappelle Imran Sabir du cabinet de conseil OZ spécialiste en RPA. « Les algorithmes peuvent prédire les résultats à venir en fonction des récurrences identifiées, ce qui permet aux entreprises de modifier leur planification et d’ajuster les conditions d’exploitation pour obtenir les meilleurs résultats opérationnels », continue-t-il. « Et pour la finance, cette méthode analytique peut grandement améliorer les bénéfices, le chiffre d’affaires, l’efficacité opérationnelle et le cash flow ».
L’analyse prédictive peut par exemple être utilisée pour déterminer des coûts futurs en examinant les habitudes d’achat des clients à différentes périodes de l’année. On peut ensuite en déduire, en fonction du type de clients, un niveau de stock adéquat. En cas d’opération promotionnelle, l’analyse prédictive peut déterminer les clients à cibler ainsi que le ROI financier qu’aura l’opération.
« Les algorithmes prédictifs peuvent également être utilisés dans l’analyse des processus opérationnels, dans la détermination des marges, dans les affectations de mains d’œuvre, dans les changements à apporter et pour prévoir les effets qu’ils auront dans l’amélioration de la qualité et [par conséquent des revenus] », liste pêle-mêle Ivan Latanision, de l’éditeur de solution de gestion des dépenses Tangoe.
Automatisation de l’analytique et des opérations
Le Machine Learning peut également identifier des tendances dans les données brutes et, en plus, ajuster des variables supplémentaires pour suggérer une façon d’obtenir le meilleur résultat possible, résume Imran Sabir. « Par exemple, les ventes passées peuvent montrer que, sur un produit donné – si les prix sont réduits de 10 % – il y a eu une augmentation de 20 % des ventes, avec une marge nette finale de 40 %. Le ML peut trouver que si les prix sont réduits de 15 % sur un autre produit, l’augmentation des ventes sera alors de 25 %… mais avec une marge nette de seulement 38 % ».
L’analytique peut prévoir le résultat d’une réduction de x %. Le ML peut, lui, suggérer le meilleur résultat en testant de manière automatique différentes hypothèses de pourcentages de réduction.
Un autre outil d’automatisation se démocratise : le RPA.
Le RPA – ou automatisation de tâches par robot logiciel – peut automatiser la gestion des créances clients et des dettes fournisseurs, la conformité ou encore le reporting pour d’accroître l’efficacité et la rentabilité des opérations.
Un usage intéressant du RPA, selon l’expert Imran Sabir, touche au processus de reconduction des contrats commerciaux. La procédure est généralement complexe en raison du grand nombre d’opérations à effectuer et de la synchronisation nécessaire entre les différents services et systèmes impliqués. « Le RPA peut prendre en charge l’ensemble du processus. Il peut normaliser la communication avec le client, aider la procédure de modification et à la rédaction des documents intermédiaires. Et, il peut ensuite mettre à jour tous les systèmes internes en conséquence ».
Les bots peuvent aussi aider à maintenir la cohérence des données. « Les données client évoluent constamment », note Imran Sabir. « Par exemple, ils peuvent déménager et leurs adresses peuvent changer. Les bots peuvent utiliser des documents comme source de référence – par exemple des RIB ou des relevés de compte – en extraire les données pertinentes et mettre à jour les bases et les listings internes, limitant ainsi le travail manuel du service financier [et les différences entre systèmes] ».
Conclusion
En fin de compte, les outils analytiques financiers offrent de multiples options pour rationaliser la partie traditionnelle du métier. Ils permettent également de mettre à jour des enseignements à partir des données passées pour changer et améliorer les opérations en les faisant évoluer dans le futur.
Mais dans tous les cas, les entreprises doivent penser de manière holistique. Elles doivent comprendre, du début à la fin, comment appliquer la (ou les) bonne(s) technologie(s) aux bons endroits d’une procédure. C’est ce choix et cette bonne compréhension de chaque type d’outil (en plus de la qualité des données qu’ils permettent d’améliorer), qui ensemble tirent la substantifique moelle des transactions : des prévisions valides et des recommandations efficaces qui valent de l’or.
