• Soukaina

Fin du calvaire budgétaire avec l’Algorithmic Forecasting

Budget automatisé, reporting instantané et prise de décisions optimisée, voilà ce que promet l’Algorithmic Forecasting à la Direction Financière de demain. Ces dix dernières années, la transformation digitale, Big Data en tête, a déjà bouleversé le fonctionnement des processus des entreprises et de leur DAF. Parmi les opportunités offertes par le Big Data, le Machine Learning fait aujourd’hui partie des technologies les plus attrayantes. D’après Market Research Future (Machine Learning – Global Forecast to 2024), le marché du Machine Learning, estimé aujourd’hui à 7,3 Mds $, progressera ainsi de 42,8% par an sur la période 2018-2024 pour atteindre 30,6 Mds $ en 2024. Aussi, à l’instar des départements Sales/Marketing ou Supply Chain, la direction financière doit désormais se saisir du sujet et anticiper ses enjeux et apports, en vue d’optimiser son pilotage de la performance, en particulier via « l’Algorithmic Forecasting ».


Machine Learning et Algorithmic Forecasting : De quoi parlons-nous ?


Le Machine Learning est une technologie d’I.A capable d’améliorer sa propre activité de manière autonome, à partir d’une Data disponible et organisée. Par exemple, lorsque vous naviguez sur Amazon, le Machine Learning intervient pour prévoir l’évolution de vos futurs besoins selon vos recherches et ainsi vous proposer des suggestions de plus en plus appropriées. Les algorithmes quant à eux, sont des outils pilotés par le Machine Learning, qui effectuent des tâches prédéfinies et à l’objectif précis. L’Algorithmic Forecasting combine ces deux outils. Celui-ci peut dès aujourd’hui profiter aux DAF et CDG, en améliorant le pilotage de la performance, par l’élaboration de prévisions et la détection de nouveaux relais de croissance notamment.


Fig. 1 – Schéma explicatif de l’Algorithmic Forecasting


L’Algorithmic Forecasting au service du contrôleur de gestion


Tout d’abord, l’Algorithmic Forecasting génère un gain de temps conséquent en automatisant la classification, la construction et l’analyse des données. Son utilisation peut permettre de réduire jusque 50% le travail de reporting. L’algorithme s’appuie en effet sur la Data traitée par le Machine Learning et collectée par le Cloud [cf. Fig.1] pour générer instantanément un reporting. Outre le gain de temps, l’Algorithmic Forecasting permet d’améliorer la qualité de ce dernier. D’après l’étude menée dans le « Journal of Business Forecasting » de The Institute of Business Forecasting & Planning, l’implémentation de cette solution dans les entreprises a permis d’augmenter la précision des prévisions de 5% à 15%, atteignant une précision oscillant entre 85% et 95%. En somme, l’algorithme génère un rapport financier plus rapidement, plus précis et sans potentiel biais humain.


L’analyse et la prise de décision favorisées au sein de la DAF.


Ces gains de temps et de précision générés par l’Algorithmic Forecasting sont doublement bénéfiques pour la direction financière. D’une part, en réorientant l’activité du contrôleur de gestion, ils permettent des analyses financières plus exhaustives et pertinentes. D’autre part, ces rapports financiers parviennent plus rapidement à la Direction, permettant d’allouer plus de temps à la prise de décision. Plus avancé que les seuls outils d’EPM (Enterprise Performance Management), l’Algorithmic Forecasting constitue à la fois un outil opérationnel, stratégique et d’aide à la décision.


Grâce à son outil d’Algorithmic Forecasting « Merlin », l’entreprise Daimler dispose de nombreux d’algorithmes modélisés spécialement pour prévoir ses différents KPIs. Couplé à la Data Visualisation, l’outil permet de présenter les résultats de manière pertinente et efficace aux contrôleurs de gestion. Ces derniers disposent pour cela d’une application « My Forecast » présentant des forecasts statistiques complets mais ajustables. En effet, l’Algorithmic Forecasting n’impose pas les prévisions, mais offre une pluralité de scénarios différents basés sur des variables définies par le CDG. Par conséquent, l’application et l’utilisation de l’Algorithmic Forecasting permettent de privilégier et recentrer les activités de la DAF autour de tâches plus profitables, comme la recherche de nouveaux relais de croissance ou l’optimisation des processus.


Et si on automatisait le budget ?


D’après une étude du DFCG, l’Association Nationales des Directeurs Financiers et de Contrôle de Gestion, plus de 60% des entreprises souhaitent optimiser au mieux leur processus budgétaire en 2019. Or aujourd’hui, l’idée d’un budget automatisé soulève encore de nombreux challenges, aussi bien sur l’aspect organisationnel que technique. Et pourtant, les prémices d’une automatisation budgétaire sont déjà bien présentes. À l’aide de son outil « Merlin », Daimler se révèle ainsi capable de prévoir les 18 prochains mois avec plus de 100 KPIs différents au sein de plus de 50 entités, préparant in fine, automatiquement les plans semestriels et annuels du groupe.


C’est également le cas d’Uber qui s’est progressivement tourné vers le « budget automatisé ». Dans un premier temps, l’entreprise a mis en place un Rolling Forecast couvrant 18 mois pour remplacer son budget traditionnel. Ensuite, Uber a perfectionné et automatisé ses forecasts grâce à leur solution, « Michel Angelo », d’Algorithmic Forecasting en Paas (Plateform as a service). « Michel Angelo » s’entraîne grâce à la training Data (Cf. Fig.1) et augmente ses capacités de prévisions de manière quasi autonome. À titre d’exemple, les meilleurs modèles prédictifs de l’entreprise sont, ce faisant, capables de calculer plus de 250 000 prévisions par seconde pour déterminer automatiquement le meilleur scénario. Déjà appliquée chez Uber, la combinaison du Rolling Forecast et de l’Algorithmic Forecasting semble être dans l’immédiat la solution la plus viable du budget automatisé.


Essentiellement utilisé jusqu’à ce jour par de grandes entreprises, le développement de l’Algorithmic Forecasting au sein des entreprises de petites et moyennes tailles est imminent. D’après l’étude « CIO Survey 2019 » menée par Gartner, 1 entreprise sur 10 utilisait déjà plus de 10 applications d’I.A en 2019 (chatbots, Process Automation…). À l’avenir, avec l’avancée technologique, l’Algorithmic Forecasting complètera ce portefeuille en permettant une automatisation totale du budget.


Toutefois, la mise en place d’une telle solution n’est pas chose aisée et nécessite certains prérequis et bonnes pratiques qui doivent être anticipés


Fig. 2 – Prérequis et Best practices pour la mise en place d’une solution d’Algorithmic Forecasting


Pour conclure


L’explosion du Big Data a donné l’accès à une quantité de données gigantesque et ouvert des portes à de nouvelles perspectives d’analyses. L’Algorithmic Forecasting vient justement aider la direction financière à tirer avantage de ces nouvelles ressources et potentielles analyses à disposition. De la production pure de reportings à l’automatisation intégrale du budget, cet outil peut devenir dans les 3 prochaines années un incontournable au sein des entreprises. Celles-ci doivent donc embrasser le sujet dès maintenant, au risque d’être dépassées sous peu. En effet, si aujourd’hui ces outils utilisés par Uber et d’autres s’appuient en grande partie sur des solutions sur mesure, il est fort probable que dans les 2 années à venir les éditeurs de CPM intégreront directement ce type de fonctionnalités à leurs outils (certains incluent même d’ores et déjà des fonctionnalités prédictives statistiques). Ainsi, il s’agirait pour les DAF d’intégrer ces perspectives aux réflexions actuelles autour de l’éternelle optimisation budgétaire de la roadmap EPM, CDG et Big Data.


Sources :

https://scholar.harvard.edu/linh/financial-forecasting-using-machine-learning

Gartner 2019, « CIO survey »

https://www.forbes.com/sites/forbesinsights/2019/06/25/improved-forecasting-through-machine-learning-artificial-intelligence/#3f9dc02c62e8

https://www.daimler.com/career/about-us/artificial-intelligence/for-nerds/forecasting.html

https://eng.uber.com/transforming-financial-forecasting-machine-learning/

https://www.marketresearchfuture.com/reports/machine-learning-market-2494

State-of-Connected-Planning_FullReport_Digital-1.pdf



Copyright © 2020 Sia Partners.

Any use of this material without specific permission of Sia Partners is strictly prohibited.



309 views