La data est par essence la matière première historique de tout contrôleur de gestion. Ce dernier fournit à sa direction des résultats d’analyses économiques et financières à partir des données qu’il possède. Il intervient ainsi dans le pilotage opérationnel et stratégique de l'entreprise ou de la division à laquelle il est rattaché. La dimension désormais massive et numérique des données financières et leur complexité en fait dès lors un levier majeur pour l’amélioration des performances des entreprises et justifiant par la même occasion un recours aux possibilités offertes par la Data Science.
Prenons un exemple concret : en tant que contrôleur de gestion, vous êtes amenés à réaliser des prédictions de ventes “ajustables” en temps réel. Il est fort à parier que votre prévision soit en grande partie basée sur votre taux de churn (ou “attrition” en bon français), à savoir le pourcentage de clients perdus au fil du temps. Seule l’exploitation approfondie de votre base client et de l’historique de vos écritures comptables via du data mining permet d’obtenir les métriques les plus justes. A cela viendra s’ajouter des modules prédictifs basés sur des séries temporelles et autres régressions pour prédire l’évolution de ce taux et donc par conséquent des volumes des ventes.
Contrairement à d’autres domaines tel que le marketing ou la gestion des ressources humaines, la direction financière des entreprises a connu un retard dans l’application de la data science. Ce retard s’observe en particulier en comparaison avec des branches voisines telles que la finance de marché ou les assurances, branches qui sont aujourd’hui très gourmandes en Data Science. Ce décalage s’explique en partie par la nécessité de conjuguer la Data Science avec une bonne connaissance métier de la finance d’entreprise dont celle des cycles comptables et des cycles de trésorerie, éléments pouvant sembler (à tort) “austères” pour un bon nombre d’ingénieurs.
L’apport de la data science pour une meilleure gestion de la finance d’entreprise intervient ainsi à plusieurs niveaux. Tout d’abord, elle permet de gérer rapidement des volumes importants de données en s’adossant (si besoin) aux technologies du Big Data qui permettent d’analyser rapidement plusieurs (centaines de) milliers d’écritures comptables par exemple. La data science permet par ailleurs de croiser les données internes (facturations, exports ERP, etc) avec des données externes pour détecter des corrélations et réaliser des prédictions capables d’offrir ainsi un meilleur pilotage de l’activité. L’analyse automatisée de données permet aussi des gains de temps conséquents avec la mise en place de systèmes de “smart reporting”, permettant de mettre en évidence des anomalies ou d’alerter automatiquement le contrôleur de gestion sur des écarts importants avec les prévisionnels par exemple.
Avec une meilleure exploitation des données, le contrôleur de gestion passe ainsi d’une simple “gestion rétroviseur” basée sur l’étude du passé et sur des analyses causales des écarts par rapport au prévisionnel, à un véritable rôle de “business partner”. Il contribue alors à la prescription du futur et participe pleinement à la direction de l’entreprise.
--
Taha Zemmouri