Changer les comportements enracinés est l'une des tâches les plus difficiles pour les dirigeants. Et que diriez-vous d'essayer d'apporter des technologies innovantes et de nouvelles approches pour accomplir des tâches liées à ces comportements enracinés ? Eh bien, c'est un peu comme arracher des dents. Mais ces changements sont payants, car ils positionnent l'organisation pour atteindre des niveaux de valeur plus élevés.

Ce billet de blog présente apprentissage automatique pour la planification de la demande en examinant comment la sécurité automobile est liée à la planification de la demande et en explorant les obstacles que les organisations pourraient rencontrer lors de l'adoption et comment les surmonter.

Lien entre la sécurité automobile et la planification de la demande

Lorsqu'ils pensent à la sécurité automobile, la plupart des gens imaginent probablement une ou plusieurs des images ci-dessous :

Volvo vient d'abord à l'esprit. Et en effet, Volvo a fait pression pour normaliser le Ceinture de sécurité à 3 points dans l'industrie automobile, afin que l'entreprise puisse fièrement s'attribuer le mérite d'avoir sauvé des millions de vies depuis les années 1970. Mais l'adoption n'a pas été facile. Pourquoi pas? Eh bien, c'est simple. Les ceintures de sécurité signifiaient un changement radical dans les habitudes des gens avec un compromis difficile : perdre le confort pour la sécurité dans le cas supposé d'un accident improbable . L'utilisation des ceintures de sécurité signifiait un changement de paradigme comportemental pour les conducteurs comme pour les passagers qui, aujourd'hui encore, se heurte à la résistance de certains automobilistes. Et pour rendre possible un véritable changement dans l'ensemble de l'industrie, Volvo a dû ouvrir le brevet des ceintures de sécurité à ses concurrents pour accélérer l'adoption.

De même, tout comme les conducteurs et les passagers avec l'introduction de la ceinture de sécurité, les planificateurs de la demande traversent une période changement de paradigme comportemental avec l'introduction de l'apprentissage automatique (ML). Pourquoi? Parce que les vieilles habitudes ont la vie dure ! Plongeons-y.

Le travail de planification de la demande est généralement une activité manuelle fondée sur une ligne de base de faible précision générée par le système. Pour obtenir la bonne précision, plusieurs entrées de sources externes et internes enrichissent et ajustent cette ligne de base plusieurs fois. Les querelles, la réconciliation et les erreurs de feuille de calcul sont donc des retombées inévitables de cette approche. Pourtant, de nombreux planificateurs le préfèrent. Pourquoi? Parce qu'ils se sentent à l'aise avec ça. Cela signifie également qu'ils s'abstiennent d'apprendre de nouvelles technologies et méthodes malgré - comme c'est le cas avec ML - les avantages qui changent la donne. L'utilisation de l'apprentissage automatique pour la planification de la demande améliore considérablement la précision et augmente de manière exponentielle le nombre de prévisions exécutées.

Heureusement, toutes les organisations ne résistent pas au changement du statu quo. Certaines entreprises ouvrent la voie à l'adoption de l'apprentissage automatique pour améliorer la précision des prévisions dans la planification de la demande. Une telle entreprise est Autoliv, fournisseur automobile de rang 1 de composants de sécurité pour les principaux constructeurs automobiles mondiaux.

Une meilleure planification de la demande alimente la rentabilité

Les relations avec les fournisseurs dans l'industrie automobile sont basées sur un système d'attraction qui donne aux constructeurs automobiles un fort effet de levier sur les prix. Par conséquent, les marges peuvent être très minces pour les fournisseurs et le risque de perte est élevé. Cet axiome est également valable dans d'autres secteurs, notamment le transport, la vente au détail, la vente en gros, les produits de consommation, etc.

Bien que les marges puissent être améliorées de plusieurs façons, une approche robuste est nécessaire pour mieux comprendre et planifier efficacement la demande. Pourquoi? Parce qu'une organisation qui apprécie les moteurs commerciaux qui façonnent la demande future peut mieux établir des projections de ventes. De plus, l'organisation peut mieux ajuster les niveaux de stock, en évitant les ruptures de stock et les violations des niveaux de service.

Autoliv offre un bon exemple concret de mise en œuvre de cette approche robuste. Comment? L'entreprise s'est lancée avec succès dans un parcours de transformation pour avoir une vision unique de la rentabilité des ventes, de la chaîne de valeur et des finances. Autoliv sait aussi que – dans l'industrie automobile – comprendre la demande est essentiel pour protéger et accroître les marges bénéficiaires. En conséquence, la société étudie l'utilisation de Sensible Machine Learning améliorer la planification de la demande. Vous pouvez lire l'étude de cas Autoliv ici.

Esquiver les obstacles en cours de route

De nombreuses organisations utilisent l'intelligence artificielle (IA) ou l'apprentissage automatique (ML) dans l'entreprise d'une manière ou d'une autre. L'une des approches les plus utilisées consiste à créer un lac de données et à appliquer des algorithmes de ML. Cependant, cette approche ne fonctionne pas toujours bien pour la planification des cas d'utilisation. Lorsqu'elles traitent avec le ML pour la planification de la demande, les organisations peuvent rencontrer les défis suivants qui entravent l'adoption :

1. Grande complexité, faible généralisation. De nombreuses applications spécialement conçues sur le marché sont complexes. Ils nécessitent souvent des compétences supplémentaires en programmation et le transfert de données sensibles en dehors du module. À l'inverse, les applications internes sont hautement personnalisées pour ne servir qu'un cas d'utilisation spécifique. Par conséquent, lorsque les conditions commerciales changent (et elles changent beaucoup !), les applications internes doivent être reprogrammées.
2. Manque de talent, manque de concentration. Les scientifiques des données possèdent l'un des ensembles de compétences les plus recherchés sur le marché du travail, quel que soit le secteur. Ce ne sont donc pas seulement des profils coûteux, mais aussi difficiles à trouver et à retenir. Souvent, les scientifiques de données résidents travaillent sur une grande variété de cas d'utilisation. Le problème avec de tels postes est que les scientifiques des données n'ont pas le contexte métier nécessaire pour construire des solutions, sans interaction fastidieuse avec les rôles fonctionnels.
3. La Boîte noire effet. Les planificateurs de la demande perçoivent souvent les solutions de planification ML comme une boîte noire. Les planificateurs obtiennent les résultats de l'algorithme mais savent peu de choses sur la façon dont la solution gère les données - percevant un manque de transparence qui diminue finalement la confiance dans les résultats.

Sans oublier que la résistance au changement peut être élevée, et seulement 13 % des projets ML standard passent en production. Quel est l'intérêt de produire une prévision ML que personne n'utilise ? Heureusement, il y a un moyen pour surmonter les obstacles en cours de route.

Garder les yeux sur la route

Avoir les avantages attendus clairs dès le départ est essentiel lorsque l'on envisage l'apprentissage automatique pour la planification de la demande. Doit-il souligner de nouveaux schémas ? Devrait-il s'attaquer à la variabilité ? Peut-il produire rapidement un volume élevé de prévisions ? Le test décisif ultime est que la solution offre une plus grande précision des prévisions et que les planificateurs lui font confiance.

De nombreuses organisations détiennent une grande quantité de données, mais elles sont empochées dans différents systèmes et bases de données. Lorsque beaucoup d'efforts sont consacrés à la préparation des données pour le moteur ML, les organisations peuvent perdre de vue ce qui est important. Une solution capable d'ingérer des ensembles de données volumineux et disparates est donc essentielle pour les cas d'utilisation de la planification de la demande. Pour cette raison, les attributs clés suivants doivent être pris en compte lors de la recherche d'une solution ML pour la planification de la demande :

• Configuration automatisée. Qualité des données, l'ingestion et la préparation doivent être faciles, de sorte que les tâches laborieuses effectuées par les data scientists soient réduites ou éliminées.
• Réactif aux tendances du marché. La solution doit pouvoir s'adapter rapidement aux signaux de la demande et de l'offre.
• Meilleure précision. La mise en œuvre pilote initiale de Sensible ML pour Autoliv a amélioré la précision des prévisions de 7 % par rapport aux prévisions ajustées manuellement des contrôleurs.
• Adoption par les utilisateurs. Les utilisateurs bénéficient d'une transparence totale sur la façon dont la solution produit les résultats et peuvent utiliser ces résultats rapidement pour effectuer des analyses et obtenir des informations.
• Réactif aux tendances du marché. La solution devait être ajustée rapidement aux signaux de la demande et de l'offre.
• Évolutivité. La solution peut produire des centaines, voire des milliers de prévisions rapidement et à une fraction du coût, augmentant ainsi les capacités des contrôleurs.

Au-delà de la nécessité des attributs ci-dessus, les organisations doivent également rester concentrées sur les résultats commerciaux qu'elles attendent.

Ce n'est pas la destination mais le voyage

Lorsqu'une organisation a une vision claire des résultats commerciaux, le ML et d'autres technologies deviennent un catalyseur pour atteindre ces résultats. Cette clarté sur les objectifs aide les organisations à choisir entre des solutions de ML maison coûteuses et longues et des solutions de planification leaders du marché avec des services de ML intégrés. Ce dernier aidera à mieux briser les vieilles habitudes, permettra une adoption à l'échelle de l'entreprise et accélérera le délai de valorisation.

En savoir plus

Prêt à découvrir comment rompre avec les vieilles habitudes de planification à la demande ?

Découvrez Sensible ML for Demand Planning de OneStream, la seule solution qui aide les planificateurs de la demande et les équipes financières à adopter l'apprentissage automatique en toute confiance et en toute transparence dans les données et les résultats.

Télécharger la solution

L'apprentissage automatique (ML) a sans aucun doute révolutionné la façon de gérer les données au 21e siècle. Grâce à la capacité d'identifier des modèles et des relations au sein de vastes quantités de données, le ML est devenu un outil essentiel dans divers domaines, notamment la gestion des performances d'entreprise (EPM).

Traditionnellement, les limitations technologiques limitaient la manière dont l'EPM pouvait être utilisé pour surveiller, analyser et gérer les performances de l'entreprise. L'EPM implique la budgétisation, les prévisions, la consolidation financière, le reporting et bien plus encore. Aujourd'hui, le ML peut améliorer considérablement la précision, la transparence et l'agilité des processus EPM.  Comment s’y prendre?  En automatisant ces activités et en fournissant des informations auparavant impossibles à obtenir.

Création de prévisions précises, transparentes et agiles basées sur le ML

Comme nous l'avons partagé dans le premier post de la Série de blogs sur le ML sensé pour l'EPM, aujourd'hui plus que jamais, les organisations cherchent à devenir plus précises, transparentes et agiles dans leurs plans financiers pour rester compétitives. Et Le ML sensible de OneStream peut aider.  Comment s’y prendre?  Il permet aux utilisateurs plus proches de l'entreprise d'infuser l'intuition commerciale dans le modèle, ce qui peut augmenter la précision et garantir que toutes les informations disponibles sont prises en compte.

Contrairement aux capacités de prévision de « la plupart » des analyses prédictives (qui examinent les résultats et les statistiques antérieurs, puis génèrent des prévisions basées sur des événements passés), Sensible ML a une sophistication unique.  ML sensé aussi prend en compte des intuitions commerciales supplémentaires, telles que les événements, les prix, les informations sur la concurrence et la météo pour aider à générer des prévisions plus précises/robustes (voir Figure 1).

La rapidité avec laquelle Sensible ML répond à l'évolution des environnements commerciaux offre un net avantage par rapport aux approches traditionnelles. Alors qu'un système basé sur les statistiques signifie que les équipes de planification attendent souvent plusieurs semaines – voire des mois ! – pour les résultats financiers et non financiers nécessaires pour produire des prévisions qui répondent aux changements, Sensible ML peut atteindre le même résultat beaucoup, beaucoup plus rapidement. Et il le fait avec une réduction massive de l'effort manuel. 

Précision accrue des prévisions = processus commerciaux plus efficaces en aval

La prévision est une activité essentielle qui aide les entreprises à prévoir la demande future, à atténuer les risques potentiels et à tirer parti des opportunités émergentes. Cependant, en raison d'un environnement de plus en plus instable, les entreprises sont obligées de s'écarter des méthodes de prévision traditionnelles, des processus cloisonnés et des technologies héritées. Au lieu de cela, les entreprises se concentrent sur l'évolution numérique de leurs capacités de prévision et de leurs opérations, dans le but d'atténuer le risque de perte de valeur continue dans l'ensemble de l'entreprise.

L'un des avantages les plus importants de l'application de l'apprentissage automatique à l'EPM est que le ML contribue à améliorer la précision des prévisions et des prédictions financières. Les algorithmes d'apprentissage automatique peuvent analyser les données financières historiques et identifier des modèles qui peuvent être utilisés pour faire des prédictions plus précises sur les performances futures.

Par exemple, un modèle d'apprentissage automatique peut analyser les données des transactions de vente, les niveaux de stock et les données démographiques des clients pour identifier des modèles pouvant être utilisés pour prédire les ventes futures. En utilisant ces prédictions pour ajuster l'allocation des ressources et la gestion des stocks, les organisations peuvent améliorer leurs performances financières et réduire le risque de ruptures de stock ou de surstocks.

L'apprentissage automatique peut également aider à améliorer la précision des rapport financier. Par exemple, les algorithmes ML peuvent être formés pour analyser les états financiers et identifier les erreurs ou les écarts potentiellement manqués par les auditeurs humains. L'automatisation de ce processus aide les organisations à améliorer l'exactitude de leurs rapports financiers et à réduire le risque de non-conformité.

La transparence est essentielle pour l'adoption des prévisions ML pour toutes les parties prenantes impliquées

L'apprentissage automatique est souvent qualifié de boîte noire - les données entrent, les décisions sortent, mais les processus entre l'entrée et la sortie manquent de transparence.

De nombreuses solutions, en particulier celles qui dépendent de l'intégration avec une solution ML tierce, permettent simplement à une organisation d'exécuter le processus ML. Les résultats sont ensuite renvoyés sans qu'il soit possible de comprendre comment ils ont été générés.

Par conséquent, de nombreuses solutions de ML sont désormais confrontées à un scepticisme et à des critiques accrus, car les gens se demandent si leurs décisions sont fondées et fiables. Ainsi, la « transparence et la traçabilité » des solutions de ML deviennent de plus en plus importantes.

Sensible ML offre les deux, améliorant la transparence des finances et reporting extra-financier. En analysant les données provenant de plusieurs sources, les modèles Sensible ML fournissent une vue complète de la santé financière d'une organisation (voir Figure 2).

Par exemple, l'apprentissage automatique peut analyser les données des états financiers, des transactions de vente et des niveaux de stock pour fournir une image plus précise des performances financières d'une organisation. Cette vue d'ensemble peut aider à identifier les domaines où les ressources peuvent être mal allouées ou les opportunités de croissance qui peuvent avoir été négligées.

L'apprentissage automatique peut également être utilisé pour améliorer la transparence des audits financiers. En automatisant le processus d'audit, les algorithmes de ML peuvent identifier les erreurs ou les écarts potentiels plus rapidement et plus précisément que les auditeurs humains. Cette capacité aide non seulement à réduire le risque de fraude ou d'autres irrégularités financières, mais améliore également l'exactitude des rapports financiers.

L'agilité augmente davantage les possibilités de création de valeur en réponse à l'évolution des conditions

À mesure que le rythme du changement s'accélère - et que les perturbations et l'incertitude deviennent plus courantes - les organisations doivent de plus en plus non seulement reconnaître les signes qui indiquent un changement, mais aussi mettre en place un plan pour réagir aux scénarios possibles qui résultent de tout changement. Les prévisions enrichies en ML fournissent un processus, un cadre et un environnement collaboratif cohérents qui permettent aux organisations de réagir avec agilité et certitude face à l'incertitude et aux changements et perturbations constants.

Application de l'apprentissage automatique à EPM présente un avantage significatif : le ML peut aider les organisations à être plus agiles. En traitant et en analysant les données en temps réel, les modèles d'apprentissage automatique peuvent fournir des informations qui permettent aux décideurs de prendre des décisions plus rapides et plus éclairées.

L'apprentissage automatique peut également aider les organisations à être plus agiles dans la planification et les prévisions financières. En analysant les données en temps réel, les modèles ML peuvent identifier les changements dans les conditions du marché ou le comportement des clients susceptibles d'avoir un impact sur les performances financières. Cette capacité permet aux organisations d'ajuster rapidement leurs plans et prévisions financiers et de garder une longueur d'avance sur les défis potentiels.

Sensible ML facilite les prévisions

Sensible ML facilite les prévisions, car OneStream élimine les obstacles qui ont traditionnellement empêché les équipes des finances et des opérations et d'autres d'adopter le ML dans les processus de planification de base. Alors que le ML a un potentiel puissant pour aider à faire évoluer le travail comme jamais auparavant, les organisations sont confrontées à plusieurs défis lors de l'utilisation de l'apprentissage automatique traditionnel (voir Figure 3).

Des cas d'utilisation sensés favorisent le succès

Sensible ML permet aux organisations de favoriser le succès plus rapidement et plus précisément avec les cas d'utilisation suivants (voir Figure 4) :

• Pour soutenir processus de planification stratégique, Sensible ML facilite la création du 3 ou 5 ans des prévisions (ou plus) souvent nécessaires pour fournir une vision plus claire et une feuille de route pour soutenir l'intention de l'entreprise, identifier les choix stratégiques, assurer une direction claire et stimuler la croissance compétitive.
• Pour soutenir les processus de planification opérationnelle annuelle (POA) ou de prévision, Sensible ML peut aider les secteurs d'activité à mieux traduire les objectifs financiers "descendants" en objectifs granulaires, "de bas en haut" forfaits mensuels pour toutes les catégories de produits, les canaux de vente et les clients, ce qui peut entraîner des centaines de prévisions.
• Pour soutenir la planification de la demande quotidienne ou hebdomadaire (facultatif) et la planification des ventes et des opérations (S&OP), Sensible ML peut aider les planificateurs de la demande, les analystes commerciaux et/ou les partenaires financiers à créer des prévisions granulaires, au niveau des produits et des emplacements visant à guider les décisions tactiques en matière de dotation en personnel, d'approvisionnement, de logistique et de gestion des stocks. 
• Pour revenus dépenses or la planification des effectifs où les prévisions mensuelles par cible (par exemple, 60 points de données par cible de prévision) sont requises pour la planification descendante. Le ML raisonnable peut créer des prévisions prédictives/statistiques.
• Pour plus de granularité, prévisions ascendantes par client, produit par emplacement et/ou S&OP où les organisations peuvent partager des centaines de points de données par cible, Sensible ML peut créer prévisions hebdomadaires ou quotidiennes qui tiennent compte de l'intuition spécifique de l'analyse commerciale sur les impacts tels que les vacances, la météo, les changements de prix, les impacts concurrentiels ou toute intuition basée sur le temps.

Conclusion

L'apprentissage automatique est là pour rester. Par conséquent, le Bureau du directeur financier devrait maintenant chercher à tirer parti de Sensible ML et des avancées technologiques similaires. Qu'est-ce que les dirigeants FP&A ont à perdre en ajoutant un autre point de vue ou en enrichissant leurs connaissances à l'aide du ML ? Rien, rien du tout.

Chez OneStream, nous appelons cela Finance intelligente.

En savoir plus

Pour en savoir plus sur la façon dont les équipes FP&A vont au-delà du battage médiatique de l'IA, restez à l'écoute pour des articles supplémentaires de notre série de blogs Sensible ML ou téléchargez notre livre blanc ici.

Télécharger la publication

La planification de scénarios est un outil précieux pour les entreprises qui cherchent à se préparer à l'inattendu, mais la création de scénarios précis peut être un processus complexe et chronophage. Traditionnellement, ces exercices nécessitaient des cycles itératifs conséquents et étaient très manuels.

C'est là qu'interviennent les prévisions de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML) : ces technologies peuvent aider les entreprises à optimiser leur scénario. plans avec des données plus précises et fiables, leur permettant de prendre des décisions plus éclairées et de garder une longueur d'avance.

Alimenter les plans de scénarios avec des prévisions d'IA et de ML

La planification de scénarios implique la création de plusieurs futurs possibles pour une entreprise, en tenant compte d'une gamme de variables différentes telles que les tendances du marché, le comportement des consommateurs et les avancées technologiques. Le processus implique généralement l'identification des principaux moteurs de changement, l'élaboration d'une gamme de scénarios futurs plausibles et l'évaluation de l'impact potentiel de chaque scénario sur l'organisation.

L'objectif est d'identifier les risques et opportunités potentiels et de se préparer en conséquence plutôt que de simplement réagir aux événements au fur et à mesure qu'ils se produisent. La planification de scénarios peut aider les organisations à prendre des décisions plus éclairées en leur permettant d'anticiper les événements futurs potentiels et de développer des stratégies pour atténuer les risques et tirer parti des opportunités. (voir schéma 1)

La planification de scénarios implique la création de plusieurs futurs possibles pour une entreprise, en tenant compte d'une gamme de variables différentes telles que les tendances du marché, le comportement des consommateurs et les avancées technologiques. Le processus implique généralement l'identification des principaux moteurs de changement, l'élaboration d'une gamme de scénarios futurs plausibles et l'évaluation de l'impact potentiel de chaque scénario sur l'organisation.

Alors que la planification de scénarios peut être un outil puissant, la création de scénarios précis peut être un défi. Les méthodes traditionnelles de planification de scénarios peuvent prendre du temps et être difficiles à exécuter. L'un des principaux défis est la prévision. La prévision implique de prévoir des événements futurs, tels que des changements dans le comportement des consommateurs, les tendances du marché et les avancées technologiques.

Les méthodes de prévision traditionnelles reposent souvent sur des données historiques et des opinions d'experts, qui peuvent ne pas être fiables et ne pas refléter les conditions actuelles du marché ou les tendances émergentes. De plus, les méthodes de prévision traditionnelles peuvent ne pas tenir compte des interrelations complexes entre les différents facteurs qui peuvent influencer les événements futurs. Il est difficile de prédire exactement comment différentes variables vont interagir, et les préjugés humains peuvent s'infiltrer, conduisant à des scénarios trop optimistes ou pessimistes.

C'est là qu'interviennent les prévisions d'IA et de ML.

Le rôle de l'IA et du ML dans la planification de scénarios

Les progrès de l'IA et ML ont permis d'améliorer la planification des scénarios en fournissant des prévisions plus précises et plus fiables. L'IA et le ML peuvent analyser de grandes quantités de données et identifier des modèles complexes et des relations entre différents facteurs. Cela peut permettre aux organisations de développer des prévisions plus sophistiquées et plus précises qui reflètent les conditions actuelles du marché et les tendances émergentes.

En intégrant les prévisions d'IA et de ML dans la planification de scénarios, les entreprises peuvent créer des scénarios plus réalistes et utiles, les aidant à prendre des décisions plus éclairées et à garder une longueur d'avance.

L'analyse des données

L'IA et le ML peuvent aider les organisations à analyser de grandes quantités de données et à identifier des modèles et des tendances qui ne sont pas visibles pour les humains. Cela peut fournir des informations sur les scénarios futurs potentiels et aider les organisations à s'y préparer.

Cas d'utilisation : enrichir les données pour identifier des modèles

L'IA et le ML peuvent être utilisés dans la planification de scénarios en incorporant des sources de données externes, telles que les médias sociaux, les articles de presse et les prévisions météorologiques, pour aider à comprendre dans quelle mesure ces facteurs sont en corrélation avec les performances des prévisions. En analysant ces sources en temps réel, les organisations peuvent identifier les tendances émergentes et ajuster leurs scénarios en conséquence. (voir figure 2)

Par exemple, un fabricant peut utiliser l'IA pour analyser les conversations sur les réseaux sociaux concernant ses produits et identifier les préférences émergentes des clients. En intégrant ces informations dans ses scénarios, le fabricant peut adapter ses stratégies de développement de produits et de marketing pour mieux répondre aux besoins des clients.

Prédiction

L'IA et le ML peuvent être utilisés pour prédire les résultats futurs sur la base de données historiques. Cela peut aider les organisations à identifier les scénarios futurs potentiels et à prendre des décisions éclairées sur la manière d'y répondre.

Cas d'utilisation : Prédire le comportement des consommateurs

Une variable clé dans de nombreux scénarios est le comportement des consommateurs. Les entreprises doivent comprendre comment les consommateurs réagiront aux nouveaux produits, aux changements de prix et à d'autres facteurs afin de prendre des décisions éclairées. Les prévisions de l'IA et du ML peuvent être utilisées pour analyser les données des consommateurs et prédire comment les consommateurs se comporteront à l'avenir. Ces informations peuvent être utilisées pour créer des scénarios plus précis et identifier les risques et opportunités potentiels. (voir figure 3)

Prenons l'exemple d'une entreprise de vente au détail qui envisage de lancer un nouveau produit. En utilisant les prévisions de l'IA et du ML pour analyser les données des consommateurs, l'entreprise peut prédire le nombre d'unités du produit qu'elle est susceptible de vendre dans différents scénarios. Ces informations peuvent être utilisées pour créer différentes prévisions de ventes pour différents scénarios, permettant à l'entreprise de se préparer en conséquence.

Simulation

L'IA et le ML peuvent être utilisés pour créer des simulations de scénarios futurs potentiels. Cela peut aider les organisations à comprendre l'impact potentiel de différentes décisions et à s'y préparer en conséquence. (voir Figure 2)

Cas d'utilisation : prévoir les tendances du marché

Les tendances du marché sont une autre variable importante dans la planification de scénarios. Les entreprises doivent comprendre comment le marché est susceptible d'évoluer à l'avenir afin de prendre des décisions éclairées. (voir figure 4)

Prenons l'exemple d'une société de services financiers qui crée des scénarios pour les cinq prochaines années. En utilisant les prévisions de l'IA et du ML pour analyser les données du marché, l'entreprise peut prédire comment les taux d'intérêt, l'inflation et d'autres variables clés sont susceptibles de changer au cours de cette période. Ces informations peuvent être utilisées pour créer différents scénarios économiques, permettant à l'entreprise de se préparer en conséquence.

L'IA et le ML peuvent être utilisés pour optimiser les scénarios en identifiant les résultats les plus probables et aider les organisations à s'y préparer. Cela peut aider les organisations à être plus efficaces dans leurs efforts de planification de scénarios.

Cas d'utilisation : prévoir les perturbations de la chaîne d'approvisionnement

Les perturbations de la chaîne d'approvisionnement peuvent avoir un impact significatif sur les entreprises, en particulier celles qui dépendent d'un inventaire juste à temps ou de chaînes d'approvisionnement mondiales complexes. Les prévisions de l'IA et du ML peuvent être utilisées pour analyser les données de la chaîne d'approvisionnement et prédire où les perturbations sont les plus susceptibles de se produire. (voir figure 5)

Par exemple, imaginez qu'une entreprise manufacturière crée des scénarios pour l'année prochaine. En utilisant les prévisions de l'IA et du ML pour analyser les données de la chaîne d'approvisionnement, l'entreprise peut prédire où les perturbations sont les plus susceptibles de se produire, par exemple en raison de catastrophes naturelles ou de troubles politiques. Ces informations peuvent être utilisées pour créer différents scénarios de perturbations de la chaîne d'approvisionnement, permettant à l'entreprise de se préparer en conséquence.

Dans chacun de ces exemples, les prévisions IA et ML permettent aux entreprises de créer des scénarios plus précis et réalistes, les aidant à prendre des décisions plus éclairées et à garder une longueur d'avance.

Conclusion

Les technologies d'IA et de ML ont été un catalyseur pour que les organisations revoient la façon dont elles exploitent les plans de scénarios, le rythme auquel elles planifient les décisions et les données qu'elles utilisent pour prendre ces décisions. Les clients peuvent surmonter la planification de scénarios fastidieuse et chronophage en enrichissant le processus avec des solutions d'IA et de ML en fournissant des prévisions plus rapides, plus précises et plus fiables.

En savoir plus

Pour en savoir plus sur la façon dont les équipes FP&A vont au-delà du battage publicitaire de l'IA pour enrichir la planification de scénarios, consultez notre livre blanc, Le Sensible Machine Learning au service de l’EPM.

Télécharger la publication

Intelligence artificielle (IA) et apprentissage automatique (ML) ont révolutionné de nombreuses industries, mais le domaine de la planification et de l'analyse financières (FP&A) a été lent à adopter cette technologie. Malgré les nombreux avantages que l'IA - et plus précisément le ML - peut apporter à la finance (par exemple, une efficacité, une précision et des informations stratégiques accrues), de nombreuses organisations hésitent encore à mettre en œuvre l'un ou l'autre dans leurs processus FP&A. Qu'est-ce qui empêche FP&A de récolter les vastes avantages du ML ?

Pour répondre à cette question et plus encore, ce blog explorera certains des défis qui empêchent FP&A d'adopter pleinement le ML et comment ces défis peuvent être surmontés.

Appétit du marché pour le ML

Bien qu'elle ne soit pas encore aussi largement acceptée que le passage au cloud pour les processus de clôture financière et de planification, l'adoption du ML augmente déjà, selon l'étude de marché 2022 sur la science des données et l'apprentissage automatique réalisée par Dresner Advisory Services. En 2016, moins de 40% des organisations ayant répondu ont déclaré utiliser ou explorer activement le BC. Cette même métrique était d'environ 70% en 2022 (voir Figure 1), montrant une augmentation constante au cours des sept dernières années. À première vue, cette progression souligne le battage médiatique de l'IA et l'enthousiasme suscité par les avantages potentiels de l'utilisation de l'IA pour la FP&A.

Mais que se passe-t-il si les données sont ventilées par fonction ? Une réalité un peu différente émerge pour le Bureau des finances et FP&A.

En effet, l'étude montre que que 20%. (voir Figure 2) des organisations financières utilisent actuellement l'IA et le ML, et les chiffres réels de la finance sont à la traîne pour la plupart des fonctions, malgré tout le bourdonnement et les bavardages.

Qu'est-ce qui retient FP&A ?

Avec autant de buzz mais une faible adoption, pourquoi principaux obstacles freinent les équipes FP&A et Operations dans l'adoption généralisée des solutions ML ? La figure 3 illustre les barrières.

Ci-dessous, les détails de ces principaux obstacles montrent pourquoi ils empêchent la mise en œuvre généralisée des technologies de pointe en matière de ML :

Manque d'expertise

• Les équipes FP&A peuvent avoir du mal à déployer le ML dans les processus de planification d'entreprise, tels que prévisions glissantes ou la planification de la demande, en raison du manque d'expertise requise en ML et en techniques de modélisation d'apprentissage automatique. Sans analystes commerciaux et ingénieurs en science des données dédiés, les équipes ne peuvent pas exploiter tout le potentiel du ML dans les processus de planification.  
• Un manque d'expertise est particulièrement pertinent pour les organisations ayant des investissements ML existants, où le manque de ressources spécialisées entrave la capacité des équipes FP&A à utiliser efficacement ML dans leur travail. Sans expertise ou ressources dédiées, les équipes FP&A sont fortement limitées dans leur capacité à tirer parti de l'IA et du ML.

Manque d'échelle

• Pour les organisations disposant d'équipes de science des données existantes, la création de processus et d'infrastructures de ML reproductibles et systématisés dans l'ensemble de l'entreprise est coûteuse. De plus, la plupart des fonctionnalités de ML des outils CPM d'aujourd'hui ne sont capables de produire qu'un une seule prévision (cible) à la fois. Pourquoi est-ce important ?
• Le rôle de FP&A est de diriger et de piloter des processus de planification efficaces dans tous les secteurs d'activité et fonctions (par exemple, HR, Ventes et Opérations). Et s'il est incapable de donner à l'organisation les moyens de prévoir à grande échelle, FP&A ne s'exécute pas en tant que partenaire commercial stratégique. Les solutions d'IA pour FP&A qui ne peuvent pas évoluer ne sont pas différentes et n'atteindront jamais une adoption massive, ce qui entraînera l'échec des solutions.

Manque d'intuition commerciale et de transparence

• Les processus de modélisation ML traditionnels au sein des outils CPM sont souvent une « boîte noire » pour les équipes FP&A (voir Figure 4). Pourquoi est-ce important ? Eh bien, les modes ML ne sont pas complets sans une "intuition" commerciale matérielle et/ou n'offrent aux utilisateurs qu'une visibilité limitée ou traçabilité de dans les entrées et les résultats du modèle. De telles limitations peuvent entraîner un manque de confiance dans les résultats.

En tant que partenaire commercial stratégique, FP&A doit inspirer confiance dans les processus de prévision. Et bien que tirer parti de l'IA et du ML est susceptible d'augmenter la précision des prévisions, les propriétaires de P&L ne peuvent pas évaluer les facteurs qui composent les prévisions - les responsables de P&L qui ne peuvent pas le faire n'allons jamais  posséder leurs prévisions.

Et si les propriétaires de P&L ne sont pas propriétaires de leurs prévisions, les processus de prévision tomber en panne et échouer tout à fait. Cela signifie FP&A a également échoué.

Processus fragmentés et déconnectés

• Les solutions actuelles d'IA et de ML au sein du CPM nécessitent généralement le déplacement et le rapprochement des données entre les systèmes fragmentés et les processus financiers. Ces exigences augmentent la dette technique et limitent la capacité des analyses avancées à évoluer dans l'ensemble de l'organisation.
• Les logiciels fragmentés et les processus techniques nécessaires à la planification connectée créent des complexité technique et charge administrative pour les équipes FP&A. Cette charge comprend le déplacement et la réconciliation constants des données, la surveillance de la latence des données et la gestion de la sécurité entre des produits ou des modèles fragmentés. Collectivement, le fardeau dilue la capacité des équipes stratégiques de FP&A à se concentrer sur l'amélioration des performances et le soutien à la prise de décision critique.

Conclusion

Malgré ces défis, le ML a le potentiel d'améliorer considérablement les opérations et les résultats des finances. En automatisant les processus manuels, le ML peut aider les professionnels de la finance à gagner du temps et à améliorer la précision, ce qui peut conduire à une prise de décision plus efficace. De plus, le ML peut fournir des informations en temps réel sur les performances financières. Ces informations peuvent ensuite aider les professionnels de la finance à identifier les tendances et à prendre des décisions éclairées.

Alors que l'IA et le ML pour FP&A entrent dans le courant dominant, les organisations auront sans aucun doute plusieurs choix à considérer. Sur un spectre, les fournisseurs de solutions pour l'IA (voir Figure 5) proposent tout, des solutions d'infrastructure d'IA aux kits d'outils de science des données et aux plates-formes d'IA complètes pour créer et déployer des modèles ML. Bien qu'il s'agisse d'outils puissants répondant à des cas d'utilisation variés, les outils ne sont pas conçus pour les équipes FP&A.

Les fournisseurs de gestion de la performance des entreprises investissent également dans des capacités d'IA pour prendre en charge planification et analyse approfondies (xP&A) tels que la planification de la demande et la planification des ventes. Comme l'illustre bien la figure 5 pour les fournisseurs d'IA, les fournisseurs CPM répondront également aux besoins d'IA de leurs clients de différentes manières.

Alors, quelle est la leçon dans tout cela ?

Ne laissez pas le battage médiatique de l'IA obscurcir le processus d'évaluation.  Accueil avec une compréhension claire de "quoi" les résultats commerciaux que l'équipe FP&A essaie d'obtenir avec le ML. Identité "OMS" utilise la solution et "Comment" la solution est unifiée dans les processus de planification existants.

Et avec les réponses à ces questions à l'esprit, utilisez le processus d'évaluation pour "se mettre sous le capot" pour savoir si la solution libérera l'organisation des principaux obstacles qui empêchent FP&A d'aller au-delà du battage médiatique.

En savoir plus

Vous voulez en savoir plus sur la façon dont les équipes FP&A vont au-delà du battage médiatique de l'IA ? Restez à l'écoute pour d'autres articles de notre série de blogs ou téléchargez notre livre électronique interactif ici.

Téléchargez le livre électronique

Les dirigeants financiers transforment la fonction financière et étendent la valeur qu'ils offrent à leurs organisations en tirant parti des capacités convergentes de la technologie numérique pour tirer parti de l'analyse prédictive. Ces capacités technologiques offrent un nouvel accès à de multiples sources de vastes données au sein des organisations, favorisent la capacité d'interpréter ces données et fournissent des outils qui font progresser la transformation financière.

En tirant parti de ces technologies, les dirigeants financiers élargissent leur sphère d'influence avec les ventes, les ressources humaines et la chaîne d'approvisionnement. Ils renforcent également les partenariats commerciaux et la confiance tout en fournissant des informations et des conseils opérationnels approfondis à leurs organisations. Comment? En parlant dans la langue de l'entreprise et en analysant les principaux facteurs commerciaux tels que la tarification et l'approvisionnement qui déterminent la marge bénéficiaire et les flux de trésorerie.

De nombreux responsables financiers parcourent avec succès une partie de ce parcours de transformation financière en trois étapes qui leur permettent d'utiliser des analyses prédictives pour fournir des conseils stratégiques et opérationnels :

1.     Intégrer les données financières et opérationnelles
2.    Alignez l'analyse prédictive directement sur la clé et la planification de votre patrimoine les process
3.    Libérez l'accès analytique prédictif dans toute l'organisation

Examinons ces étapes un peu plus en détail pour voir ce qui est nécessaire pour assurer le succès.

Étape 1 : Intégrer les données financières et opérationnelles

Pour fournir des informations exploitables, les responsables financiers doivent avoir accès aux données opérationnelles. De plus, ils doivent avoir la capacité d'examiner les données opérationnelles parallèlement et dans le contexte des données financières (voir Figure 1). Les organisations sophistiquées génèrent de grandes quantités de données, de sorte que les chefs de file des finances et des unités commerciales ont besoin de technologies numériques qui donnent accès à ces diverses sources de données. Pour une prise de décision efficace, cet accès doit être efficace.

L'accès ne doit donc pas obliger les membres de l'équipe à perdre un temps précieux à déplacer et à gérer des données. De plus, l'accès doit être rapide afin que des informations à jour soient facilement disponibles pour décisions d'affaires opérationnelles qui ont un impact avant la fin du mois.

Les organisations qui ne parviennent pas à aligner leurs plans financiers avec des plans opérationnels granulaires auront en fin de compte des difficultés avec la précision des prévisions, car elles fonctionnent en silos. Financièrement, l'impact de cela peut prendre de nombreuses formes et avoir un impact à la fois sur les bénéfices et la génération de trésorerie. Voici quelques exemples d'impacts :

• Stocks excédentaires de la surestimation, qui a une incidence sur le coût de gestion des stocks (par exemple, les coûts de détention des stocks) et le fonds de roulement.
• Ventes et revenus perdus de la sous-prévision. Pour répondre à la demande des clients, les produits doivent être au bon endroit au bon moment.
• Bénéfice perdu de la sous-prévision et des expéditions urgentes. Pour répondre à la demande des clients, les entreprises peuvent accélérer les expéditions de produits à un coût plus élevé que prévu.

Étape 2 : Alignez l'analyse prédictive directement sur les processus de planification

Peu importe où se situe le Bureau des finances dans son parcours de transformation financière, l'analyse prédictive peut aider à se concentrer sur la collaboration avec les partenaires commerciaux, trouver de nouvelles façons de demander « pourquoi » et améliorer les performances. Voici quelques-uns des principaux cas d'utilisation pour les organisations qui envisagent d'ajouter l'analyse prédictive et l'apprentissage automatique (ML) à leurs processus de planification financière et opérationnelle :

• Aider à établissement d'objectifs pour la planification stratégique, les plans opérationnels annuels et les prévisions glissantes
• Création de base scénarios de prévision prédictive pour comparaison avec les prévisions ascendantes des partenaires financiers ou opérationnels des divisions
• Semer automatiquement tout ou partie de nouvelles prévisions avec des modèles prédictifs
• Adapter des prévisions prédictives de base avec des changements commerciaux connus, tels que de nouveaux clients ou produits, des fermetures d'usines, des acquisitions, etc.

L'accès aux données brutes n'a finalement aucun sens sans la capacité d'interpréter ces données. Selon l'étude de marché 2020 Wisdom of Crowds® Data Science and ML Market Survey de Dresner Advisory, la finance est à la traîne par rapport à d'autres fonctions dans l'adoption de l'analyse avancée (voir Figure 2). Mais les solutions modernes de gestion des performances d'entreprise (CPM) offrent des fonctionnalités qui peuvent doter les responsables financiers et les responsables des unités commerciales d'outils en libre-service pour des prévisions analytiques prédictives. Avec la possibilité d'appliquer des modèles de prévision prédictive aux données, les équipes financières peuvent tirer parti des vastes données de leur organisation pour guider la prise de décision critique, et ce, au rythme de l'entreprise.

Étape 3 : Déployez l'analyse prédictive dans toute l'organisation

Avec de puissants modèles prédictifs à portée de main, les équipes financières peuvent tirer parti des capacités de visualisation pour collaborer avec des partenaires commerciaux. Comment? En créant et en distribuant des tableaux de bord avec des tableaux, des graphiques et des rapports faciles à utiliser qui donnent vie aux données prévisionnelles.

Des visualisations sophistiquées et modernes offrent également un accès interactif, permettant aux utilisateurs de modifier les variables pour voir les résultats en temps réel de ces mises à jour des modèles, des plans et des prévisions. Ces visualisations et tableaux de bord offrent aux dirigeants de toute l'organisation non seulement la possibilité d'accéder aux données, mais également la capacité d'interpréter ces données, ce qui aide à orienter les décisions critiques et à éclairer les plans organisationnels.

Libérer la finance avec l'analyse prédictive intégrée

de OneStream Plateforme de Finance Intelligente permet aux équipes financières de diriger rapidement en unifiant l'analyse prédictive avec les processus CPM de base, tels que la planification, la budgétisation et les prévisions ; consolidation financière; rapportage; et la qualité des données financières. Et grâce à l'analyse prédictive intégrée (voir Figure 3), OneStream™ déclenche la transformation financière pour aller encore plus loin dans les processus de budgétisation, de planification et de prévision, permettant aux équipes de planifier, d'analyser et de prévoir en toute confiance.

Planifiez, analysez et prédisez en toute confiance

de OneStream Solution d'analyse prédictive 123, qui peut être téléchargé à partir du OneStream MarketPlace ™, automatiquement parcourt plusieurs algorithmes prédictifs pour déterminer le type de prévision le plus précis. Les résultats sont ensuite affichés graphiquement et déployés dans tous les aspects de la budgétisation, et la planification de votre patrimoine et les processus de prévision.

Enfin, avec OneStream rapports et visualisations, Les utilisateurs financiers et commerciaux peuvent rassembler des mesures financières et opérationnelles clés en combinant des tableaux, des graphiques, des graphiques et d'autres visualisations. Les utilisateurs peuvent alors non seulement transformer les informations en actions avec la possibilité de voir les résultats en temps réel des modifications apportées aux modèles, plans et prévisions, mais également partager des informations et collaborer sur l'analyse critique et la prise de décision. Grâce à l'intégration directe aux sources de données, les utilisateurs peuvent explorer les causes sous-jacentes, jusqu'aux détails des transactions, pour comprendre rapidement les tendances commerciales.

En savoir plus

Pour en savoir plus sur l'utilisation de l'analyse prédictive pour la budgétisation, la planification et les prévisions, consultez notre présentation de solution interactive, « Avancer rapidement grâce à l'analyse prédictive 123 ».

Eh bien, 2020 a été une année que nous n'oublierons pas tous de sitôt. Alors que ce fut une année de perturbation pour beaucoup, les équipes d'ingénierie OneStream étaient occupées à fournir un flux constant d'innovations aux solutions OneStream Platform et MarketPlace. Voici un bref récapitulatif des nouvelles fonctionnalités fournies en 2020 et de la manière dont elles aident nos clients à relever de nouveaux défis et à diriger leurs organisations au rythme des affaires.

(Voir plus ...)

En tant que conseiller stratégique incontournable des secteurs d'activité et des fonctions clés, les équipes de planification et d'analyse financières (FP&A) sont un choix naturel pour diriger le processus de planification à long terme. Pourquoi? En termes simples, aucune autre équipe, à l'exception du directeur financier et du PDG, n'a le point de vue et la capacité de comprendre l'impact des plans et des mesures opérationnels détaillés sur les plans et prévisions financiers.

En tant que plan stratégique pour la croissance organisationnelle, la planification à long terme permet de hiérarchiser les initiatives stratégiques telles que les activités de fusion et acquisition, les investissements dans de nouveaux produits, l'optimisation de la fabrication et la recherche de capitaux, qui sont toutes essentielles pour atteindre les objectifs financiers.

(Voir plus ...)

Qu'il s'agisse de la pandémie mondiale, des guerres commerciales américano-chinoises, du Brexit ou de l'élection présidentielle américaine de 2020, les équipes financières sont parfaitement conscientes de ce que de nombreux experts détestent admettre ; incertitude IS la nouvelle normalité. Et bien que COVID-19 soit un événement de cygne noir, naviguer dans l'incertitude n'est pas nouveau pour les dirigeants financiers. Naviguer dans l'incertitude est la raison pour laquelle la planification à long terme et les prévisions glissantes sont si vitales. Mais pas seulement pour prévoir les chiffres. La planification à long terme et les prévisions glissantes facilitent la collaboration dans l'ensemble de l'organisation et augmentent l'agilité de l'entreprise. Comment? En partageant des idées et en échangeant des idées entre les fonctions sur les risques et les opportunités de l'entreprise. Et bien sûr, en tirant parti de ceux-ci pour prendre des décisions plus efficaces. Savez-vous sur quoi d'autre les dirigeants de la finance d'entreprise s'accordent ?

L'analyse prédictive et l'apprentissage automatique (ML) peuvent faire passer cela au niveau supérieur.

(Voir plus ...)

Alors que les équipes FP&A servent souvent de « gardien » pour les plans financiers à l'échelle de l'organisation, de nombreuses équipes financières ont du mal à transformer des processus clés tels que la budgétisation, la planification et les prévisions. Pourquoi donc?

L'une des principales raisons est que les équipes FP&A ont plus que jamais à faire. Ils ont, bien sûr, des responsabilités essentielles comme la budgétisation, les rapports de gestion et la planification stratégique. Celles les enjeux de la table. Au-delà des bases, cependant, le livre de jeu FP&A est grand ouvert.

(Voir plus ...)

Pour de nombreuses équipes FP&A, il n'y a rien de plus excitant que de sauter dans les tranchées avec des partenaires commerciaux. Pourquoi? Eh bien, comme nos amis des ventes, du marketing et des opérations, les gens de FP&A aiment aussi l'action. Certains aiment aider à conduire des initiatives stratégiques telles que les innovations de nouveaux produits, les acquisitions et l'évaluation des décisions d'investissement en capital. D'autres spécialistes de FP&A aiment les processus de budgétisation, de planification et de prévision qui transforment les objectifs « globaux » en plans tactiques.

Quel est le fil conducteur ? En bref, la plupart des équipes FP&A ne veulent rien de plus que d'aider à apporter de la valeur à leurs organisations. Et pour les aider à y parvenir, de nombreuses équipes FP&A sauteraient sur l'occasion de tirer parti de l'analyse prédictive pour aider leurs partenaires commerciaux à améliorer la prise de décision.

(Voir plus ...)

Avec tout le buzz dans l'industrie des technologies de l'information autour de l'intelligence artificielle (IA) et de l'apprentissage automatique (ML), on pourrait penser que chaque organisation utilisait ces outils ou planifiait comment elle allait les utiliser. Après tout, la promesse est que l'IA et le ML aideront les organisations à exploiter les volumes sans cesse croissants de données générées en automatisant et en augmentant les processus analytiques et la prise de décision humains.

(Voir plus ...)

Travaillez-vous avec une équipe de planification et d'analyse financière (FP&A) ? Si c'est le cas, alors vous saurez qu'il y a de l'excitation dans l'air. Pourquoi? Premièrement, parce qu'il n'y a aucun autre groupe au sein d'une organisation (autre que le directeur financier et le PDG) ayant une vision des opérations et des finances comme FP&A. Ensuite, alors que les directeurs financiers continuent de libérer la vraie valeur de la finance, les groupes FP&A sont destinés à étendre leurs rôles en tant que conseillers de confiance des partenaires commerciaux. Et n'oubliez pas que les équipes FP&A jouent un rôle essentiel dans la stimulation de l'innovation pour le Bureau des finances.

(Voir plus ...)