Prévisions de trésorerie et intelligence artificielle

Rédaction Analyses Experts : Vous animez chez EFE depuis 2013 le module « Établir des prévisions et gérer la trésorerie sur tableur ». Le développement de l’intelligence artificielle, dont l’une de ses branches, l’apprentissage automatique, ne commence-t-il pas à dépoussiérer l’activité du « cash-flow forecast » ?

Jean Dupont : Tout à fait ! Même si le tableur Excel reste aujourd’hui l’alpha et l’oméga de la prévision de trésorerie grâce notamment à son prix de licence très bas, son universalité, son caractère personnalisable à souhait et surtout le poids des habitudes, un nombre croissant de chefs d’entreprises, de PME comme d’ETI, exprime leurs frustrations à son égard : ils n’ont souvent ni les ressources pour embaucher des cadres financiers, ni les compétences personnelles en finance d’entreprise, ni le temps pour mener à bien des processus de prévisions de trésorerie « traditionnels » au sein de leur société.

Force est en effet de reconnaître que les processus pilotés par les feuilles de calcul sur tableur souffrent des inconvénients suivants :

  • Leur production et leur mise à jour régulière est manuelle et chronophage;
  • Les « modèles » de prévisions sont souvent inefficaces car sommaires : ils se contentent de reporter les résultats présents en les multipliant par des facteurs de croissance arbitraires. Ils n’utilisent ni les facteurs opérationnels, ni la dynamique de l’évolution des nouvelles données ;
  • Ils recourent à des sources de données limitées;
  • Ils manquent d’intégration avec les autres services. Leur compatibilité est souvent relative avec les systèmes utilisés par les commerciaux, les RH, les achats… ;
  • Ils sont victimes de biais humains (exemple : la logique intellectuelle originelle du concepteur du tableau de prévisions sur Excel) et organisationnels (toute modification substantielle de l’activité (exemple : changement du périmètre commercial ou juridique du groupe) nécessite de conceptualiser un nouveau reporting de trésorerie) ;
  • Ils sont compliqués à utiliser ou à partager par plusieurs utilisateurs simultanément (DAF, comptable, dirigeant).

Le recours à l’apprentissage automatique lié aux prévisions de trésorerie présente trois avantages majeurs. Il permet de :

  • produire des prévisions beaucoup plus rapides, plus précises, basées sur des volumes de données plus importants;
  • permettre aux financiers d’effectuer un travail à valeur ajoutée. Débarrassés du temps consacré à compiler, réconcilier et saisir des données sur Excel, ils peuvent analyser les résultats et comprendre les facteurs opérationnels internes ou externes à l’entreprise ayant des incidences sur les cash-flows.
  • « apprendre » à partir des données, identifier des modèles et faire des prédictions avec une intervention humaine minimale. Ces modèles ont en effet la capacité de s’adapter indépendamment en toute autonomie lorsqu’ils sont exposés à de nouvelles données. Leur fonctionnement peut être qualifié d’itératif. Le schéma ci-dessous synthétise ce processus :

Rédaction Analyses Experts : Concrètement, pourriez-vous nous citer quelques solutions innovantes de gestion de trésorerie qui utilisent le processus itératif que vous venez de nous décrire ?

Jean Dupont : Nesta, la fondation britannique pour l’innovation, a dévoilé en juin 2018 les lauréats de sa compétition “Open Up Challenge” dédiée aux services bancaires du futur pour les petites entreprises. Parmi les gagnants, Fluidly, une Fintech londonienne dédiée à la prévision et à l’amélioration des flux de trésorerie des petites entreprises.

Côté français, on peut citer Agicap, une Fintech lyonnaise spécialisée dans la prévision de trésorerie des PME – ETI facturant jusqu’à 40 millions d’euros de chiffre d’affaires. Sa solution, lancée commercialement en 2017, vise à satisfaire quatre attentes fortes des chefs d’entreprises actuels ou en création :

  • Actualiser quotidiennement les données. Pour y parvenir, elle importe automatiquement les extraits de comptes bancaires de l’entreprise. Les flux qu’ils contiennent sont catégorisés et réconciliés automatiquement grâce à des algorithmes d’apprentissage automatique. Ils sont ensuite retraités pour extrapoler l’avenir. A souligner que cette extrapolation peut être réalisée dans le cadre d’un environnement évolutif (lancement d’un nouveau produit, changement de tarif, achat d’immobilisations, recrutement de collaborateurs…) ;
  • Anticiper les soldes de trésorerie à court moyen terme via le positionnement de tous les flux entrant et sortant, y compris le budget de TVA ;
  • Offrir un outil d’aide à la décision: elle offre la possibilité de saisir divers scénarii de « couleur » (vert, orange ou rouge entre autres) ;
  • Présenter une fonction de « credit management » via une balance âgée sur les encaissements.

Mais de mon point de vue, l’intérêt particulier de cette application réside dans le fait qu’Agicap ne s’appuie pas uniquement sur les seules données de l’entreprise cliente. Ses analyses se fondent également sur celles collectées pour des sociétés semblables (taille, secteur d’activité…). Ainsi, au-delà des 4 à 6 mois nécessaires pour obtenir une volumétrie suffisante, ses algorithmes sont en mesure de réaliser automatiquement plus de 80% des prévisions d’encaissements et de décaissements.

Prévoir 80% signifie forcément que les 20% restant doivent être traités « à l’ancienne ». Il est donc illusoire d’espérer se décharger totalement sur l’autonomie de cette solution. Deux fondements à cela :

  • Au lancement de l’application, tout responsable se doit de vérifier l’exactitude et la qualité des données saisies, que ce soit dans le scénario de base ou dans ceux alternatifs. Par la suite, il se doit de renseigner son ou ses modèles sur tout événement faisant évoluer la trajectoire financière de sa société. L’absence de satisfaction de ces prérequis impératifs ne peut qu’impacter négativement la qualité des résultats produits présents comme à venir.
  • Tout responsable financier doit savoir défendre son budget de trésorerie et son plan de financement face à ses banquiers. Lors d’une négociation d’une ligne de crédit, nul ne peut arguer « c’est mon logiciel qui prévoit mon cash-flow, je n’ai aucune idée comment il procède».

En conclusion, aujourd’hui, aucune solution innovante et intuitive basée sur l’apprentissage automatique ne peut générer une prévision de trésorerie globale et intégrale en toute autonomie. Toutefois, la réduction de la marge d’erreur qu’elle induit par rapport aux pratiques « traditionnelles » offre une réelle opportunité aux chefs d’entreprises actuels ou potentiels. Il serait vraiment dommage de s’en priver.

Pour en savoir plus, découvrez nos formations :

Jean DUPONT
Consultant en trésorerie d’entreprise
Intervenant EFE sur les formations  « Organiser une trésorerie de groupe » des 5-6 juin 2019 et « Établir des prévisions et gérer la trésorerie sur tableur » des 3-4 octobre 2019