La science des données bouleverse la précision des prévisions des Directions financières
La prise de décision est un art autant qu’une science.
Naturellement, les Directeurs financiers et leurs équipes se sont toujours efforcés de fournir et d’analyser les données permettant à leur entreprise d’asseoir leurs décisions sur des bases solides.

Cependant, ils se heurtent aux limites inhérentes à des techniques de prévision basiques voire simplistes.

La plupart du temps, le processus de recueil des données sous-jacentes est chronophage, source d’erreurs et ses résultats ne satisfont que rarement à trois exigences principales :
- Profondeur: même dans une organisation fantasmée où l’ensemble des processus seraient parfaitement intégrés au sein d’un unique ERP, les prévisions sont élaborées à partir de chiffres agrégés, masquant l’information primitive sur laquelle ils reposent.
- Périmètre: ce sont principalement des données historiques recueillies au sein de l’organisation qui sont exploitées (évolutions des ventes au cours des périodes précédentes, coûts des facteurs de production, etc.) alors que des facteurs exogènes (transformation des comportements de consommation, positionnement des concurrents, changements réglementaires, indicateurs macro-économiques ou sectoriels, etc.) peuvent être aussi affecter la performance future.
- Qualité: s’ils ne disposent que de peu de données directement exploitables, les cadres financiers émettront des hypothèses en s’appuyant sur leur expérience, leur intuition ou tout autre élément susceptible de rendre les chiffres acceptables par le public auquel ils sont destinés. Les résultats peuvent également biaisés par manque de données récentes.

Non seulement ces données sont peu satisfaisantes, mais leur traitement n’est pas optimal : tous ces chiffres approximatifs sont recopiés et collés de tableur en tableur et subissent de nombreuses transformations manuelles. Par exemple, l’application d’une fonction ‘tendance’ sur des données historiques aidera à établir des prévisions qui paraissent ‘à peu près’ fiables.

Cette approche est, de manière évidente, fallacieuse.

- ‘Garbage in, garbage out’ : même si le processus prévisionnel est de qualité, il ne pourra donner de bons résultats si on ne dispose pas de données suffisantes, détaillées, pertinentes et actualisées.
- Le futur n’est pas qu’une simple répétition du passé : partir de l’hypothèse que « tous les autres facteurs vont rester inchangés » pour établir une tendance constitue de toute évidence une simplification à outrance de l’environnement économique, dont la principale caractéristique est sa volatilité.
- Cette approche ne permet pas de tirer des leçons des erreurs précédentes et, par conséquent, d’améliorer le cycle prévisionnel suivant.

Grâce à la sciences des données, les directeurs financiers ont désormais à des prévisions et une modélisation financière automatisées et précise.

La digitalisation permet de disposer aujourd’hui de données plus granulaires et plus diversifiées, qu’elles soient qualitatives ou quantitatives, structurées ou non structurées, et qu’elles concernent des conditions présentes ou des situations passées et leurs conséquences.

Tout ensemble de données susceptible de contribuer à décrire, expliquer, prévoir ou même recommander le positionnement d’une organisation peut maintenant être stocké, mis à jour et exploité, qu’il provienne d’un système interne ou du monde extérieur (documents échangés avec des partenaires commerciaux, informations sur le secteur économiques ou l’environnement macro-économique, commentaires relevés sur les réseaux sociaux, conditions météo…)

Avec cette vision à 360°, il devient possible de découvrir les corrélations entre les données collectées et les chiffres surveillés par les cadres financiers dans le cadre de leurs activités de modélisation. Cependant, pour tirer de précieuses connaissances de la diversité des données, la méthodologie de la ligne de tendance ne suffit pas.

Pour que ce processus de découverte puisse se dérouler, il faut exploiter cette nouvelle mine de données en utilisant la technologie de l’apprentissage automatique.

De manière simplifiée, l’apprentissage automatique (« Machine Learning ») désigne la recherche automatisée de corrélations ou de schémas récurrents au sein de vastes volumes de données. Une fois qu’une corrélation significative sur le plan statistique est mise en évidence avec un degré élevé de certitude, elle peut être appliquée à de nouvelles données pour prévoir un résultat.

Prenons un exemple simple : vous êtes au sein de la direction financière d’une entreprise et vous souhaitez connaître de manière anticipée le comportement de paiement de vos clients afin d’éviter les retards et d’accélérer globalement vos flux de cash entrants.

La marche à suivre traditionnelle consiste à examiner l’historique des transactions et des paiements pour chacun des clients concernés, afin d’en déduire à quelle date il est probable que chacun d’eux vous paiera.

Si toutefois vous y réfléchissez à deux fois, ou à regarder vos données de plus près, vous pourriez vous apercevoir que les scénarios de paiement de vos clients ne sont pas identiques au fil des transactions et qu’il manque dans votre historique des informations essentielles, spécifiques ou non à leur relation avec votre entreprise, pour comprendre leur comportement de paiement. Et vous finissez par établir vos prévisions au petit bonheur la chance.

Vos prévisions d’encaissement auraient été bien meilleures si vous aviez corrélé le délai effectif des paiements précédents de vos clients avec des informations détaillées sur ces transactions, à savoir :

- des informations sur chaque client, par exemple :

• leurs habitudes de paiement auprès d’autres sociétés
• la fréquence de leurs commandes
• la date de leur première commande
• la date de leur commande précédente
• l’existence ou non d’un contrat entre votre client et votre entreprise
• les conditions de paiement applicables

- des informations sur chaque transaction, telles que :

• le montant de la facture
• le type de produits facturés (directs ou indirects, stratégiques / de base)
• l’existence ou non d’un bon de commande
• la qualité des données commerciales du client sur la facture (bon de commande, code analytique, ...)
• l’existence ou non d’un accusé de réception des produits livrés
• le processus de rappel qui a conduit au paiement

- des informations sur la filière et la situation macro-économique, telles que le niveau des taux d’intérêt à court terme

Vous ne serez toutefois sûr(e) de l’efficacité de ce modèle que si :

1- Vous exécutez un algorithme d’apprentissage automatique sur vos propres données, afin de déterminer des règles prédictives, c’est-à-dire reliant chaque comportement de paiement aux informations détaillées se rapportant à la transaction correspondante ;

2- Vous testez le pouvoir prévisionnel de ces règles sur plusieurs exemples.

En fait, le pouvoir prévisionnel de cette méthodologie sera probablement beaucoup plus élevé que celui de la méthodologie traditionnelle, à condition que vous ayez alimenté l’algorithme avec des données représentatives de la totalité de votre base de clients.

Ceci nous amène à la question suivante : comment trouver toutes ces informations relatives à mes transactions passées tout en ayant la certitude qu’elles sont représentatives ?

Eh bien vous n’y arriverez pas. Du moins, pas par vous-même.

Malheureusement, la plupart de ces informations ne sont peut-être pas directement disponibles en interne, soit parce que vous ne les avez jamais collectées jusque-là, soit parce qu’elles ne relèvent pas de votre processus "Order-to-Cash" (de la commande à l’encaissement). Il est par exemple peu probable que vous sachiez si vos clients paient leurs autres fournisseurs en retard ou pas…

En revanche, des plateformes SaaS peuvent consolider la plupart de ces informations pour vous, par exemple en rassemblant des informations détaillées portant sur des centaines de millions de transactions réalisées avec des millions de clients et représentant des centaines de milliards d’euros de recettes. Le logiciel d’apprentissage automatique sera alors capable d’y découvrir les règles prédictives puis les appliquer à vos propres factures pour prévoir leurs dates probables règlement.

Prévoir les dates de paiement de vos clients n’est qu’un début.

S’il est possible de déterminer précisément les dates des rentrées de fonds, la même approche peut être appliquée à la plupart des autres indicateurs clés, tels que les recettes par exemple, à condition de disposer des bonnes données.

Les directeurs financiers sont la source ultime de vérité au sein de l’organisation : ils gèrent les ressources qualifiées qui traduisent les faits en chiffres, leur conférant ainsi de la crédibilité. Ils sont donc les plus légitimes et les mieux équipés pour puiser dans des sources de données aussi diverses et aussi nombreuses que possible, exploitant la puissance de la science des données et de l’apprentissage automatique pour prévoir avec justesse la suite des événements et donner un avantage concurrentiel à leur organisation.

Grâce à leurs capacités ainsi ‘augmentées’, les directeurs financiers se situent à l’avant-garde de l’organisation pilotée par les données.