Faire décoller l’Intelligence Artificielle dans le monde de la trésorerie d’entreprise
Fournir des outils de contrôle sans se substituer à l’humain
Les techniques existantes ne sont pas récentes. Néanmoins, leur démocratisation aux métiers de la trésorerie n’a trouvé que peu d’application concrète à ce jour. Il est, à ce titre, absolument nécessaire d’effectuer un travail de pédagogie, tant sur le plan technique et sur la nécessité d’accéder à une donnée de qualité, que sur ses impacts au niveau des ressources humaines. L’objectif de ces processus est ainsi de fournir des outils de contrôle, et d’affinement, mais en aucun cas de se substituer à l’humain.
Les deux étapes d’un projet d’implémentation de l’IA dans les prévisions de trésorerie
étape 1
Homogénéiser les données
Sans doute la plus complexe, la première étape consiste à répertorier l’ensemble des sources de données nécessaires (tant endogènes qu’exogènes), les nettoyer pour enfin les homogénéiser.
Il peut s’agir du TRMS (système de gestion de trésorerie et des risques), de l’ERP (progiciel de gestion intégré), du système d’information de la fonction « consolidation financière », des relevés de comptes etc…, pour les données endogènes. Et de sources externes pour les données exogènes.
Ces données doivent faire l’objet de processus de visualisation avant une phase d’analyse avancée.
étape 2
Modéliser
De même qu’il n’existe pas une méthodologie de transformation unique, il n’existe pas une technique unique de modélisation. La solution proposée doit être à même de suggérer le modèle le plus efficient en fonction du profil des données analysées. Enfin, les modèles reposant sur des techniques d’autoapprentissage, évolueront au gré des nouvelles données alimentant la base.
Attention aux événements exceptionnels, tels que le COVID-19, ou une opération de croissance externe ponctuelle qui ne peuvent être anticipés au travers d’un modèle. L’intervention de l’expert métier est à ce niveau déterminante pour corriger ces limites. Il est par ailleurs fondamental de disposer de processus de « back testing », et d’analyse « out of sample » (analyse des erreurs reposant sur un processus de réentraînement réalisé sur des données réelles) pour ne pas introduire de biais dans le modèle.
POINT DE VUE DES EXPERTS
Interview de Frédéric Saunier, Directeur Général de Diapason
Il ne s’agit naturellement pas de substituer ces technologies au savoir-faire des trésoriers et opérateurs de marché, mais au contraire de leur fournir des outils de contrôle et d’aide à la décision, qui de surcroît, limiteront le risque opérationnel et faciliteront la tenue de certaines tâches chronophages et à faible valeur ajoutée
Facteurs clés de succès pour un projet de mise en place
01.
Du succès dépend de la qualité de la donnée. Selon l’adage populaire dans le monde de la « data science », « garbage in, garbage out » : s’appuyer sur des données incorrectes produit un résultat incorrect. Il est ainsi absolument nécessaire s’assurer de disposer de données exhaustives, nettoyées des valeurs aberrantes ou redondantes, reproduisant les données manquantes.
02.
Adapter et transformer la donnée mais surtout impliquer les équipes métiers. Il est illusoire de penser que la machine peut se substituer à l’expérience humaine. L’œil critique de l’expert métier est fondamental, tant dans l’analyse des données en amont du projet, que dans le contrôle ou potentiellement la correction des résultats obtenus
