Comment utiliser l’IA en FP&A : Cadre en 5 étapes pour superviser les prévisions avec l’apprentissage automatique
On dirait que nous essayons tous de comprendre comment utiliser l’IA dans la FP&A (de la bonne façon). Est-ce que l’IA peut faciliter votre travail ? Probablement. Est-ce que cela nécessitera du travail ? Définitivement.
Que vous utilisiez ChatGPT, Copilot ou autre chose, il y a cette idée que l’intelligence artificielle (IA) et l’apprentissage automatique (ML) sont des “boîtes noires” – c’est-à-dire que l’on ne peut pas voir leur fonctionnement interne.
En finance, ce manque de transparence et ce besoin d’aller vers le numérique posent un défi pour les CFO, les contrôleurs financiers et les équipes d’analyse et de planification financière (FP&A), qui doivent fournir des prévisions précises mais, surtout, comprendre et expliquer les facteurs sous-jacents aux parties prenantes de l’entreprise.
Want more from The CFO Club?
Create a free account to finish this piece and join a community of modern CFOs and finance executives accessing proven frameworks, tools, and insights to navigate AI-driven finance.
Have an account? Log In
Comme nous le savons, la finance ne peut pas fournir une prévision générée par l’automatisation à leur direction et, lorsqu’on leur demande quels sont les facteurs principaux de leur modèle, simplement répondre « Les outils IA l’ont dit ».
Pour répondre à cette problématique et instaurer la confiance dans les processus alimentés par l’IA pour la prise de décision, il est essentiel de mettre en place des mécanismes pour superviser l’IA afin de garantir la fiabilité et la responsabilité du travail effectué.
Mais ensuite vient la partie difficile : comment créer des cadres pour superviser les processus IA et garantir que le travail est bien fait ?
Dans cet article, j’aborderai un processus IA spécifique : la prévision par apprentissage automatique (ML).
PS : J’ai déjà discuté de comment déterminer quelles tâches FP&A doivent être prioritaires lorsqu’on automatise les processus si vous êtes bloqué sur ce point.
Cadre en 5 étapes pour superviser la prévision ML
Si vous voulez savoir comment utiliser l’IA dans la FP&A, il vous faut un plan clair pour le faire correctement. En matière de prévision ML, plusieurs domaines clés nécessitent une supervision afin de garantir un travail de qualité. Voici les 5 étapes que je recommande :
1. Vérifiez vos hypothèses
La première étape consiste à valider les hypothèses formulées lors du processus de prévision. Cela implique d’examiner minutieusement les hypothèses de base et de s’assurer qu’elles correspondent au contexte de l’entreprise. Il faut évaluer si ces hypothèses sont raisonnables, cohérentes et basées sur des données historiques pertinentes.
Par exemple, lorsque j’ai commencé à prévoir les dépenses de main-d’œuvre pendant la période COVID-19, le modèle était entraîné sur des données historiques mais ne tenait pas compte d’autres facteurs comme la demande croissante. Pour un humain, cette hausse de la demande serait une nouvelle hypothèse « raisonnable », mais une machine n’« envisagerait » pas de l’inclure. Si l’algorithme ML était une boîte noire, alors il serait impossible de voir l’impact de la demande sur le résultat final.
2. Vérifiez la précision de vos données
Des ensembles de données précis et de haute qualité sont essentiels pour obtenir des prévisions fiables. Comme on le dit en finance et en comptabilité : si vos données d’entrée sont mauvaises, vos résultats le seront aussi.
Il est crucial de vérifier que les données utilisées pour entraîner le modèle ML sont complètes, à jour et représentatives de la population cible. Des techniques de nettoyage et de prétraitement des données doivent être mises en œuvre pour corriger les valeurs aberrantes, les valeurs manquantes et les autres problèmes de qualité des données.
D’après mon expérience, le fait de ne pas disposer de données en temps réel (ou aussi proches que possible du temps réel), fiables, est la raison la plus fréquente pour laquelle les algorithmes ML ne fonctionnent pas pour les entreprises. Vous devez disposer de données nettoyées, standardisées et structurées de façon à ce que le modèle ML puisse les exploiter.
3. Comprenez la logique de l’algorithme
Si vous souhaitez savoir comment utiliser l’IA dans la FP&A, il faut entrer dans la « tête » de la machine. Comprendre la logique qui sous-tend l’algorithme choisi est essentiel ; il faut déterminer si l’algorithme est adapté à la tâche de prévision à accomplir.
Vous devez évaluer si l’algorithme ML sélectionné correspond aux caractéristiques des données et aux objectifs spécifiques de la prévision ; comme les modèles IA sont généralement fondés sur l’analytique prédictive, il faut vérifier que les prédictions ont réellement du sens. Cette évaluation permet de s’assurer que les hypothèses de base de l’algorithme sont cohérentes avec le domaine financier.
Une façon de procéder consiste à décomposer l’algorithme en parties plus petites et à essayer de comprendre les calculs derrière chacune. Ensuite, il s’agit de comprendre la relation entre elles, et dans quels cas l’algorithme donnera certains résultats. Si vous ne vous sentez pas à l’aise pour mener cette analyse de données seul, trouvez un expert en IA (ingénieur, data scientist, ou une personne dans une fonction similaire à la mienne) pour réaliser cette dissection pour vous. Vous pouvez également utiliser un outil d’analyse statistique conçu pour simplifier ce travail.
Cette évaluation du raisonnement doit également être associée à l’élément suivant : la compréhension des facteurs de variation.
4. Comprenez les facteurs clés (et soyez capable de les expliquer)
La transparence en matière de prévisions nécessite la capacité d’expliquer les facteurs à l’origine des résultats prédits : que vous fassiez partie d’une équipe FP&A ou que vous soyez le directeur financier, vous ne pouvez pas présenter des données que vous ne comprenez pas.
Vous devez comprendre les variables et les caractéristiques clés qui contribuent aux résultats prévus. Cette explication contribue à instaurer la confiance et à faciliter une communication efficace avec les parties prenantes qui s’appuient sur la prévision.
Dans ma propre démarche, avant de commencer à coder l’algorithme, je passe 1 ou 2 jours avec la partie de l’entreprise pour laquelle je le construis. Je me rends dans une usine spécifique si l’algorithme doit prédire sa consommation d’énergie, ou j’accompagne l’équipe commerciale sur le terrain si l’algorithme vise à prévoir les ventes d’un magasin donné.
Une fois que vous avez bien compris le service, l’équipe ou le site concerné, notez tous les facteurs qui pourraient influencer la prévision et assurez-vous que l’algorithme ne donne pas uniquement un « résultat final » mais explique aussi les caractéristiques ou facteurs qui ont contribué à ce résultat.
5. Validez les résultats
Les algorithmes de ML doivent être rigoureusement validés pour garantir que leurs résultats sont cohérents. Cela implique d’examiner les indicateurs de performance du modèle, tels que la précision, le rappel, la justesse et l’erreur absolue moyenne. Si la performance du modèle est inférieure aux seuils acceptables, des ajustements, un nouvel apprentissage ou l’exploration d’algorithmes alternatifs peuvent s’avérer nécessaires.
Ces dernières semaines, j’ai discuté avec de nombreux professionnels de la finance et ils décrivent cette dernière étape de différentes manières : certains parlent d’« instinct » ; d’autres du « ressenti » des résultats du modèle prédictif.
En résumé, il faut utiliser sa connaissance empirique et son expertise métier pour évaluer si la prévision est cohérente. Vous pouvez utiliser les calculs mathématiques décrits ci-dessus pour cela, mais il est aussi essentiel d’adopter la posture d’un véritable partenaire d’affaires et d’enrichir en permanence votre culture d’entreprise afin de bien juger un résultat de modèle d’IA.
Le verdict
Donnez à quelqu’un une automatisation ML : il automatise pour une journée. Apprenez à quelqu’un à utiliser l’IA en FP&A : il automatise pour la vie.
Les cas d’usage sont nombreux, à mesure que les capacités de l’IA continuent de croître et d’être découvertes. Mais les décisions d’entreprise ne sont pas encore laissées aux robots.
Les bénéfices de l’IA peuvent simplifier la vie des DAF et des professionnels FP&A mais, à l’heure actuelle, ChatGPT ne peut pas encore accomplir le travail seul.
Si vous souhaitez rester à la pointe de 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.
