Le cadre en 5 étapes pour l’IA dans la prévision FP&A : Un guide
L'IA en FP&A peut-elle vous faciliter la vie ? Probablement. Cela nécessitera-t-il un certain travail ? Définitivement. Il existe une idée selon laquelle l'intelligence artificielle (IA) et le machine learning (ML) sont des « boîtes noires », ce qui signifie qu'il n'est pas possible de voir leur fonctionnement interne.
Ce manque de transparence et ce besoin de passer au numérique posent un défi, car vous devez fournir des prévisions précises, comprendre et expliquer les facteurs moteurs aux parties prenantes. Il est essentiel de mettre en place des mécanismes de supervision de l'IA afin de garantir la fiabilité et la responsabilité du travail effectué.
Cadre en 5 étapes pour superviser la prévision ML
Si vous souhaitez savoir comment utiliser l'IA en FP&A, il vous faudra un plan clair pour bien faire les choses. En matière de prévision ML, plusieurs domaines clés requièrent une supervision pour garantir la qualité du travail. Voici les 5 étapes que je suis :
Vous voulez plus de The CFO Club ?
Créez un compte gratuit pour terminer la lecture de cet article et rejoindre une communauté de CFO et de cadres financiers modernes qui accèdent à des cadres éprouvés, des outils et des analyses pour naviguer dans la finance guidée par l’IA.
Have an account? Log In
1. Vérifiez vos hypothèses
La première étape consiste à valider les hypothèses faites lors du processus de prévision. Cela implique d'examiner attentivement les hypothèses sous-jacentes et de s'assurer qu'elles s'alignent sur le contexte métier. Vous devez évaluer si ces hypothèses sont raisonnables, cohérentes et fondées sur des données historiques pertinentes.
Par exemple, lorsque j'ai commencé à prévoir les dépenses de main-d'œuvre pendant la COVID-19, le modèle était entraîné sur des données historiques mais ne prenait pas en compte d'autres facteurs comme la hausse de la demande. Pour un humain, cette augmentation de la demande serait une nouvelle hypothèse « raisonnable » mais une machine ne « penserait » pas à l'intégrer. Si l'algorithme de ML était une boîte noire, il serait alors impossible de voir l'effet de la demande sur le résultat final.
2. Vérifiez l'exactitude de vos données
Des jeux de données précis et de haute qualité sont essentiels pour obtenir des prévisions fiables. Comme on dit en finance et comptabilité, si vos entrées sont mauvaises, vos sorties le seront également.
Il est crucial de s'assurer que les données utilisées pour entraîner le modèle ML sont complètes, récentes et représentatives de la population cible. Des techniques de nettoyage et de prétraitement des données doivent être mises en place pour traiter les valeurs aberrantes, les valeurs manquantes et les autres problèmes de qualité des données.
D'après mon expérience, l'absence de données fiables en temps réel (ou s'en rapprochant autant que possible) est la principale raison pour laquelle les algorithmes ML ne fonctionnent pas dans les entreprises. Il faut que vos données soient nettoyées, standardisées et structurées de manière à ce que le modèle de ML puisse les exploiter.
3. Comprenez la logique de l'algorithme
Si vous voulez savoir comment utiliser l'IA en FP&A, il faut "entrer dans la tête" de la machine. Comprendre la logique derrière l'algorithme choisi est essentiel : vous devez déterminer si l'algorithme convient à la tâche de prévision envisagée.
Vous devez évaluer si l'algorithme de ML sélectionné correspond aux caractéristiques des données et aux objectifs spécifiques de la prévision ; puisque les modèles d'IA sont généralement basés sur l'analytique prédictive, vous devez vérifier que les prévisions ont effectivement du sens. Cette évaluation permet de s'assurer que les hypothèses sous-jacentes de l'algorithme sont en adéquation avec le domaine financier.
Une façon de procéder consiste à décomposer l'algorithme en éléments plus petits et à chercher à comprendre le raisonnement mathématique derrière chaque composant. Ensuite, comprenez le lien entre eux et les cas dans lesquels l'algorithme donnera certains résultats. Si vous ne vous sentez pas capable de gérer cette partie de l'analyse des données seul, trouvez un expert en IA (ingénieur, data scientist ou une personne occupant un poste similaire au mien) pour disséquer l'algorithme. Sinon, vous pouvez utiliser un logiciel d'analyse statistique conçu pour simplifier ce processus.
Cette évaluation de la logique de l'algorithme doit aussi être combinée avec l'élément suivant : comprendre les facteurs moteurs.
4. Comprenez les facteurs (et soyez capable de les expliquer)
La transparence en prévision exige de pouvoir expliquer les facteurs à l'origine des résultats prédits : que vous fassiez partie d'une équipe FP&A ou que vous soyez le CFO, vous ne pouvez pas présenter des données que vous ne comprenez pas.
Vous devez comprendre quelles variables et caractéristiques principales contribuent aux résultats prévus. Cette explication permet de renforcer la confiance et facilite la communication avec les parties prenantes qui s'appuient sur la prévision.
Dans mon propre processus, avant de commencer à coder l'algorithme, je passe un ou deux jours avec la partie de l'entreprise pour laquelle je le développe. Visitez une usine spécifique si l'algorithme doit prédire sa consommation d'énergie ou accompagnez une équipe commerciale sur le terrain si l'algorithme doit prévoir les ventes dans un magasin donné.
Une fois que vous avez une vision claire du service, de l'équipe ou de l'établissement concerné, notez tous les facteurs qui pourraient influencer la prévision et assurez-vous que l'algorithme ne fournisse pas qu'un « résultat final » seul, mais explique aussi quelles variables ou facteurs ont contribué à ce résultat.
5. Validez les résultats
Les algorithmes de ML doivent être soigneusement validés afin de garantir que leurs résultats ont du sens. Cela implique d'examiner les métriques de performance du modèle, telles que la précision, le rappel, la justesse et l’erreur absolue moyenne. Si les performances du modèle sont inférieures aux seuils acceptables, il peut être nécessaire d'affiner davantage, de réentraîner ou d'explorer d'autres algorithmes.
Au cours des dernières semaines, j'ai échangé avec de nombreux professionnels de la finance et chacun décrit cette dernière étape de façon différente : certains parlent d’« intuition » ; d’autres du « ressenti » face aux résultats de la prévision.
En résumé, il vous faut utiliser vos connaissances empiriques et votre expertise métier pour évaluer si la prévision est cohérente. Vous pouvez utiliser des calculs mathématiques comme décrit ci-dessus pour cela, mais il est également nécessaire d’adopter une véritable posture de partenaire opérationnel et de développer sans cesse vos connaissances business afin d’évaluer correctement le résultat d’un modèle d’IA.
Le verdict
Donnez une automatisation ML à quelqu’un : il automatise pour un jour. Apprenez à quelqu’un comment utiliser l’IA en FP&A : il automatise pour la vie.
Les cas d’usage sont nombreux, car les capacités de l’IA continuent de croître et d’être découvertes. Mais les décisions commerciales ne sont pas encore laissées aux robots.
Les avantages de l’IA peuvent faciliter la vie des CFO et des professionnels de la FP&A mais, pour l’instant, ChatGPT ne peut pas encore accomplir le travail seul.
Si vous souhaitez garder une longueur d’avance sur l’implémentation de l’IA en finance, abonnez-vous à la newsletter du CFO Club et recevez les meilleurs guides directement dans votre boîte mail.
