• Solenne

Les contrôleurs de gestion doivent-ils craindre l’arrivée du Big Data ?

Updated: Nov 13, 2019


Les possibilités technologiques actuelles se multiplient pour automatiser diverses tâches dans les entreprises et notamment dans les fonctions finance. Des activités comme la facturation ou le reporting peuvent maintenant se faire dans des délais proches du temps réel et avec un taux d’erreur des plus faibles. Cependant, on constate un paradoxe entre une technologie de pointe permettant d’aller au-delà de ces automatisations et une résistance au changement de la part des organisations.


D’une part, les récentes avancées de l’intelligence artificielle (IA) et du traitement des données permettent déjà aux entreprises qui s’en saisissent de développer un avantage comparatif. L’implémentation de solutions IA a permis à Amazon de réduire de 75% son délai de click-to-ship en revoyant ses processus logistiques en entrepôt. Si les investissements nécessaires peuvent freiner les entreprises, les retours sont rapides et conséquents.


D’autre part, la transformation digitale des entreprises est entamée et implique déjà les métiers de la finance. Néanmoins, même si ces derniers se positionnent majoritairement pour être acteurs de cette transformation afin d’actualiser leurs pratiques et leurs compétences, la structuration des fonctions data reste un challenge pour une grande partie des entreprises.


Concilier ces deux sujets apparaît comme prioritaire pour la fonction finance. En effet, l’automatisation des tâches n’est pas à craindre, bien au contraire, et un moyen de s’en assurer est de prendre le lead de cette transformation afin de concrétiser les retours sur investissement. De plus, la structuration des compétences clés est nécessaire et la fonction finance a toutes les cartes en main pour en sortir gagnante.



Contrôleur de gestion ou Data analyst ?


La transformation de la fonction finance par le digital permet un gain de temps dans la récolte et la transformation des données tout en assurant un niveau satisfaisant de qualité. Les processus clés de facturation, client et fournisseur, sont déjà en cours d’optimisation dans beaucoup d’entreprises. Le contrôleur de gestion tend donc à devenir un business partner de choix pour les décideurs, qui ne se basent plus seulement sur les informations fournies mais également sur les analyses qui les accompagnent.

Si la situation évolue dans ce sens dans la majorité des entreprises, il est possible d’aller plus loin. Des solutions de type exploratoire sont accessibles et permettent de traiter les données d’une autre manière. En effet, le contrôle de gestion traite traditionnellement des données structurées, fournies à l’aide de reporting standardisés, et applique ses modèles d’étude afin d’obtenir des analyses également standardisées. On observe ce phénomène notamment dans le processus de reprévision budgétaire en cours d’exercice, où les écarts entre budget et réalisé sont calculés à partir de modèles éprouvés sur des données formatées. La connaissance de l’environnement est primordiale mais cela est compromis dès lors que la quantité de données produites et la diversité de leurs formats augmentent, ce qui est la tendance actuelle.

En ce qui concerne le travail des data analysts, les données ne sont pas structurées et le but est justement d’établir une modélisation à partir de schémas qu’il est possible de distinguer dans les données. L’exploration est donc complète et permet de s’adapter sans craindre les différentes évolutions de l’environnement économique.

Source : Samuel Sponem, Une « société du contrôle » sans contrôle de gestion ?

Les approches des data scientists et des contrôleurs de gestion sont donc complémentaires. Si le premier a une expertise sur le traitement de la donnée, le second conserve en revanche sa connaissance pointue du business. Cette compétence est essentielle lors de la prise de décisions stratégiques et rejoint l’évolution actuelle du rôle de contrôleur comme business partner.


En termes d’organisation interne, il est donc nécessaire de s’interroger sur la pertinence du positionnement de la direction financière. Les modèles d’interactions entre fonction finance et DSI ont déjà été éprouvés mais ne peuvent pas être simplement transposés dans le cadre de la Data.


Faurecia a par exemple mis en place, courant 2017, un Data Lake collectant tout type de données, allant de la température des machines industrielles à la qualité des pièces produites. La gestion de ces données et leur intégration dans l’entreprise s’orchestrent par le biais de SAP, au cœur de ce réseau de données. Des économies ont pu être réalisées grâce à la revue des process de sourcing et de gestion des fournisseurs, ou encore par la revue des notes de frais de déplacement, par le biais des solutions SaaS Concur et Ariba.


La valeur ajoutée du contrôle de gestion se situe précisément dans ce positionnement, à la frontière entre le perfectionnement de l’analyse des données et l’exploitation de celles-ci comme aide à la décision. L’expertise business du contrôleur se trouve valorisée dans ces tâches trop souvent délaissées dans le passé par manque de temps.


L’exemple le plus parlant est le process mining. En plein essor, cette technique permet d’exploiter les données existantes mais relativement peu structurées présentes dans les systèmes d’information des financiers tels que SAP. Le développement d’une interface apporte de la lisibilité sur les process afin de pouvoir les optimiser. D’après Signavio, une entreprise de solution de Business Process Management, jusqu’à 80% des process faisant appel à un logiciel peuvent être automatisés. Comprenant le front office autant que le back office, cela permettrait une réduction de 25 à 40% des coûts. La collaboration entre data analysts et financiers est ici nécessaire mais surtout bénéfique à l’entreprise.



De l’analyse descriptive à l’analyse prescriptive


Jusqu’à maintenant, le rôle du contrôleur de gestion se cantonnait à répondre à la question « que s’est-il passé ? ». La technologie actuelle et les diverses évolutions de la fonction ont permis d’améliorer considérablement cette tâche et de réduire le délai entre une action et son analyse. De plus, les solutions de BI et de Data visualization permettent également de rendre intelligible cette dernière pour un public non financier. S’il reste des améliorations possibles grâce à l’automatisation de certaines tâches, le bilan concernant l’analyse descriptive est globalement satisfaisant.


Le challenge actuel est donc l’analyse dite prédictive, répondant à la question « que pourrait-il se passer ? ». En se basant sur l’historique des activités, à l’aide de modèles statistiques et prévisionnels, il devient possible de pondérer le futur en fonction des probabilités des événements. Ainsi, le contrôleur de gestion enrichit ses connaissances sur ce qu’il s’est passé et peut prévoir les actions à mener en fonction de son expertise business et de l’analyse prédictive des événements futurs.


La prévision des ventes constitue un processus des plus complexes à réaliser, mêlant précision quantitative et intuition business. L’approche traditionnelle basée sur l’historique des ventes ne permet plus de décrire avec précision une situation évoluant dans un environnement a priori imprévisible. Complexe, ce processus a également un rôle essentiel. On observe récemment les sanctions boursières d’Apple avec l’iPhone X, d’Asos et de Bic pour cause de mauvaises prévisions des ventes.


Cependant, pour que l’analyse prédictive soit rendue possible, il est d’abord nécessaire de travailler en étroite collaboration avec les data analysts. Comprendre les apports de chacun, maîtriser les outils pertinents et définir une répartition des rôles et responsabilités est donc nécessaire afin de mettre en place des solutions d’analyse prédictive dans son entreprise. L’analyse descriptive est pertinente pour le travail de reporting financier, où l’objectif est d’avoir une vue globale, à un instant donné, de la situation de l’entreprise. Mais le contrôle de gestion ne s’arrête pas là et pour exploiter ce premier travail il est nécessaire de prédire, dans la limite du possible, le futur : l’analyse prédictive est des plus pertinente. Ainsi, par l’adoption de ces nouvelles méthodes, le contrôleur de gestion poursuit la transformation de son rôle.


Le challenge suivant, une fois ces deux types d’analyse intégrés dans leur boîte à outils, sera l’adoption de l’analyse prescriptive par les contrôleurs de gestion. L’analyse prédictive porte à la connaissance des managers les futurs les plus probables, basés sur l’analyse descriptive du passé. L’analyse prescriptive vient en complément formuler des recommandations quant aux actions à mettre en place en fonction du passé et du futur potentiel. Cela permet donc aux contrôleurs de gestion de se concentrer sur la tâche qui apporte le plus de valeur au management : l’analyse business des activités de l’entreprise et la sélection de recommandations pertinentes.


Cet outil supplémentaire complète l’offre d’outils d’aide à la décision et donne ainsi aux managers les clés pour prendre des décisions pertinentes en fonction des évolutions en temps réel de l’environnement économique et social de l’entreprise.

Ces transformations ne se traduisent pas uniquement par une plus importante puissance de calcul sur les données mais bien par une approche différente de la donnée permettant de l’exploiter au mieux.




Sources :

- Samuel Sponem, Une « société du contrôle » sans contrôle de gestion ? Réflexions sur le Big Data

- Deniz Appelbaum, Alexander Kogan, Miklos Vasarhelyi, Zhaokai Yan, Impact of business analytics and enterprise systems on managerial accounting, International Journal of Accounting Information Systems, Volume 25 (2017) Pages 29-44, ISSN 1467-0895