Modèles de prévision expliqués : comment utiliser la prévision financière
Si un investisseur vous demande ce que vous prévoyez de réaliser au cours du prochain exercice fiscal et que vous n’avez pas de réponse éclairée, vous partez perdant.
Pour réussir dans l’environnement commercial moderne, complexe et concurrentiel, il faut une stratégie tournée vers l’avenir. En s’appuyant sur la performance historique, la recherche de marché et les tendances actuelles, les modèles de prévision basés sur les données peuvent aider les entreprises à prendre l’avantage sur la concurrence.
Il existe de nombreux modèles de prévision différents parmi lesquels choisir, ainsi qu’encore plus de solutions logicielles pour les mettre en œuvre.
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
Dans ce guide, je vais décomposer quelques modèles de prévision utiles — et vous expliquer comment les utiliser pour obtenir un avantage dans votre secteur.
Qu’est-ce qu’un Modèle de Prévision ?
Les modèles de prévision sont des outils utilisés pour prédire la performance future à partir de données historiques et actuelles. Dans le monde des affaires et de la finance, le terme prévision fait presque toujours référence à la prévision financière.
Un modèle de prévision utilise une méthodologie statistique, ou des formules et hypothèses, pour prédire la performance future, incluant le chiffre d’affaires, la demande client et les taux de désabonnement.
Plus précisément, ces modèles servent à déterminer de quelle manière les modifications de certaines variables et paramètres peuvent affecter la performance (contrairement aux budgets, qui servent à affecter votre trésorerie). Par exemple, une chaîne de restaurants pourrait utiliser un modèle pour déterminer comment des changements d’horaires d’ouverture d’un magasin ou des variations saisonnières vont impacter le chiffre d’affaires.
Il existe toutes sortes de modèles de prévision (détaillés plus bas), mais ils poursuivent tous le même objectif : utiliser les données historiques, les hypothèses et les tendances actuelles pour prédire la performance future.
Ces outils peuvent être appliqués à une infinité de scénarios potentiels et sont cruciaux pour les équipes finances, marketing et directions. Pour la suite de ce guide, je laisserai les autres applications de côté pour me concentrer explicitement sur les modèles de prévision financière.
Méthodes de Prévision
Choisir le bon type de technique de modélisation (et le modèle de prévision spécifique) est très important. Mais avant de trancher, il vous faut quelques informations de base sur ces modèles et leur fonctionnement.
Il existe deux grandes catégories de modèles de prévision : quantitatifs et qualitatifs.
Méthodes de Prévision Qualitative
La prévision qualitative repose sur les avis et le jugement d’experts. Elles sont :
- Subjectives par nature
- Non basées sur les données ou tendances passées
- Utilisées pour analyser des données non numériques
Les méthodes qualitatives sont utilisées lorsque l’objet de l’analyse ne peut pas être mesuré ni compté. Par exemple, si une entreprise souhaite comprendre les motivations et croyances qui guident le comportement du consommateur et influencent leurs décisions d’achat, aucune donnée quantitative ne pourra révéler ces éléments. La prévision qualitative se base donc sur des opinions individuelles, des recherches et des études.
Méthodes de Prévision Quantitative
La prévision quantitative utilise des schémas numériques issus de données historiques pour prédire la performance future. Les modèles quantitatifs :
- Sont plus objectifs par nature
- Reposent sur des données historiques (par exemple chiffre d’affaires, effectif, etc.)
- Analysent des données numériques
Au sein de la catégorie quantitative, on distingue deux sous-catégories supplémentaires :
Séries Temporelles
Les modèles de séries temporelles se concentrent sur les schémas et leurs variations, en s’appuyant sur des données historiques.
Par exemple, une entreprise s’apprêtant à lancer ses activités dans un nouveau pays pourrait utiliser les données issues d’un lancement précédent (y compris les ventes, l’évolution des effectifs, etc.) pour établir un budget pour le nouveau lancement.
Associatif/Causal
Les modèles associatifs, appelés aussi modèles causals, sont plus avancés et s’appuient sur de multiples ensembles d’informations précises et poussées. Ils utilisent des données passées et excellent à relier des données apparemment disparates dans le but précis de la prévision.
Ils peuvent également être utilisés pour créer des relations associatives entre les indicateurs financiers d'une entreprise et des variables externes. Par exemple, un fabricant d'appareils électroménagers pourrait élaborer un modèle prévoyant les ventes d’appareils en fonction du nombre de nouveaux permis de construire dans une zone donnée.
Ci-dessous, je vais présenter les bases de certains des modèles de prévision les plus couramment utilisés par les entreprises aujourd’hui.
Modèles quantitatifs de prévision courants
Les modèles de prévision quantitatifs s’appuient sur des données historiques pour formuler des prédictions sur l'avenir.
Par exemple, un détaillant pourrait examiner les données de ventes du quatrième trimestre des trois dernières années pour prévoir le volume des ventes lors de la saison d’achats la plus forte.
Si vous ne disposez pas de données internes (par exemple, si vous êtes un tout nouveau détaillant), il est toujours possible d’utiliser la prévision quantitative — il suffit d’avoir accès à des données comparables de votre secteur.
Dans le domaine de la prévision quantitative, plusieurs modèles populaires existent — je vais les expliquer ci-dessous.
Série chronologique
Les modèles de séries chronologiques sont utilisés lorsqu’il existe plusieurs années de données disponibles. Ils sont particulièrement utiles lorsque les relations entre les points de données (prix moyen et volume des ventes, par exemple) sont relativement stables et que les tendances sont facilement identifiables.
Par exemple, une entreprise peut choisir d’utiliser des modèles de séries chronologiques pour projeter la croissance d’une gamme de produits existante.
Admettons que la gamme de produits en question ait été lancée il y a quatre ans et ait connu une croissance régulière depuis lors. L’entreprise pourrait utiliser ces données, puis appliquer un modèle de séries chronologiques pour prévoir où le volume des ventes pourrait se situer l’année prochaine (ou dans plusieurs années).
Linéaire
La modélisation linéaire est une technique simple qui fournit des estimations des revenus futurs ou d’autres mesures financières en se basant sur les chiffres passés et en supposant que ces tendances se poursuivront.
Par exemple, si une entreprise a enregistré une croissance annuelle des ventes de 3,6% au cours des quatre dernières années et s’attend à ce que la tendance actuelle se poursuive, elle peut utiliser un modèle linéaire pour prédire le montant des revenus de ventes qu’elle est susceptible de générer à l’avenir.
Comme son nom l’indique, le modèle linéaire suppose une évolution constante et prévisible. Il est simple, mais peut néanmoins constituer un bon point de départ pour anticiper différentes mesures et scénarios financiers.
Quelle est la différence entre la prévision en série chronologique et la prévision linéaire ?
Les modèles de séries chronologiques sont généralement utilisés pour comprendre les cycles de tendances, les fluctuations cycliques ou la saisonnalité, tandis que la prévision linéaire sert à estimer une croissance (ou une baisse) stable.
Imaginez les prévisions en série chronologique comme un cercle ou une spirale autonome ; pensez à la linéaire comme, eh bien, une ligne droite !
Moyenne mobile
Le modèle de la moyenne mobile ressemble quelque peu au modèle linéaire décrit précédemment, mais il fonctionne avec des ensembles de données plus réduits et se concentre sur des périodes à court et moyen terme.
Les entreprises peuvent utiliser des modèles de prévision par moyenne mobile pour estimer, par exemple, la demande durant les fêtes. Elles pourraient alors examiner les chiffres des revenus moyens du quatrième trimestre pour 2019, 2020, 2021 et 2022.
Elles pourraient appliquer une formule simple pour obtenir la moyenne mobile :
(A1 + A2 + A3 + A4) / N
où
A = Moyenne sur une période donnée
et
N = Nombre total de périodes
L'entreprise pourrait alors utiliser cette moyenne mobile pour établir une prévision des ventes attendues pour les fêtes de cette année.
Cette formule nécessite un bon ensemble de données : dans l’exemple ci-dessus, ils utilisent quatre années de chiffres. Mais il est important de souligner qu’elle ignore les données de vente hors Q4, qui sont largement hors de propos lorsqu’on prévoit spécifiquement des ventes pour la période de Noël.
Lissage exponentiel
Les modèles de lissage exponentiel sont similaires aux modèles à moyenne mobile, mais appliquent une méthodologie de pondération permettant d'accorder plus de poids aux données récentes.
Par exemple, reprenons le même exemple vu plus haut. L'entreprise dispose de quatre années de données historiques sur les ventes pendant les fêtes — mais elle a connu une croissance régulière au cours de cette période.
Ainsi, les données des années les plus anciennes sont moins pertinentes que les données récentes issues des deux dernières années.
Les modèles de lissage exponentiel attribuent un poids plus élevé aux données les plus récentes. Cela s’avère utile, car cela permet aux entreprises d’adapter leurs prévisions pour refléter au mieux les tendances les plus récentes.
Bien qu’il puisse être tentant d’utiliser d’anciennes données si elles semblent plus favorables (valorisation 2021 contre valorisation 2022, tentant non ?), il est impératif d’utiliser les données les plus pertinentes afin de se faire la meilleure idée de ce qui attend votre entreprise.
Projection des tendances
La projection des tendances ajuste une ligne de tendance à une équation mathématique, puis utilise cette équation pour projeter cette ligne de tendance dans le futur.
Un modèle de projection des tendances examine les données passées—comme les chiffres de ventes des week-ends, des jours de semaine, ou de saisons spécifiques, par exemple—afin de faire des prévisions sur la demande future pendant ces périodes.
Il peut être appliqué de manière similaire à la modélisation en ligne droite, selon les ensembles de données sur lesquels vous travaillez. Il existe plusieurs sous-catégories dans les projections de tendances, comprenant les logarithmes, les polynômes, et la méthode de la caractéristique de la pente.
Modèles associatifs
Les modèles associatifs, également appelés modèles causaux, relient un certain indicateur d’entreprise (comme le chiffre d’affaires) à une variable indépendante distincte (comme la croissance démographique d’une ville).
Les modèles causaux sont utiles pour relier les attentes futures des opérations commerciales à des variables distinctes, tant à l’intérieur qu’à l’extérieur de l’entreprise.
Par exemple, un propriétaire de food truck pourrait utiliser un modèle pour prédire la demande lors d’une foire d’été en se basant sur les prévisions météorologiques du week-end. De même, une société de promotion immobilière peut utiliser la modélisation causale pour estimer la demande future de maisons nouvellement construites dans une communauté, d’après la croissance démographique projetée de la région.
Cela dit, les modèles associatifs peuvent également être utilisés pour prédire une variable en fonction de sa connexion avec d’autres variables reliées. Par exemple, une entreprise pourrait utiliser la modélisation causale pour prévoir la marge bénéficiaire estimée résultant d’une augmentation du budget publicitaire.
Par définition, les modèles associatifs sont plus complexes que les modèles de séries chronologiques.
Les modèles associatifs peuvent servir à intégrer des données externes et tenter d’établir une relation entre un indicateur d’entreprise relativement standard (par exemple, le chiffre d’affaires) et un indicateur auquel peu d’entreprises penseraient (par exemple, le revenu annuel moyen des ménages d’une ville).
Même s’ils sont plus complexes, les modèles causaux peuvent être extrêmement utiles pour réaliser des prévisions plus précises—et garder une longueur d’avance sur la concurrence.
Régression linéaire simple
La régression linéaire simple aide les entreprises à examiner comment une variable dépendante (comme le chiffre d’affaires) est corrélée à une variable indépendante (comme le budget publicitaire).
Ou, avec l’exemple des données externes, la régression linéaire simple pourrait également servir à déterminer comment une variable dépendante (comme le chiffre d’affaires par point de vente) est corrélée à une variable indépendante (comme le revenu moyen des ménages dans un département donné).
On peut visualiser la régression linéaire simple en traçant un graphique linéaire avec un indicateur sur l’axe Y et un autre sur l’axe X. Mais comme le suggère son nom, il faut rester simple : ces modèles ne permettent la comparaison qu’entre deux variables.
Régression linéaire multiple
Comme on pourrait s’y attendre, la régression linéaire multiple s’appuie sur la régression linéaire simple en ajoutant plusieurs variables économiques à l’équation.
Il y a toujours une seule variable dépendante (par ex., le chiffre d’affaires), mais il peut y avoir plusieurs variables indépendantes provenant de sources internes, externes, ou les deux.
La régression linéaire multiple est complexe et nécessite généralement un logiciel d’analyse statistique pour être menée à bien. De plus, les données utilisées (nombre d’éléments, période analysée, choix réalisés lors du nettoyage des données) sont capitales pour l’exactitude de la formule de régression finale.
L’utilisation de la prévision par régression linéaire nécessite de porter un regard critique sur les résultats pour prendre en compte les variables absentes des données utilisées dans la régression et déterminer si ces variables manquantes risquent d’amener le modèle à surestimer ou sous-estimer l’impact d’une variable indépendante.
Modèles qualitatifs courants de prévision
Les modèles de prévision qualitatifs utilisent des données subjectives et qualitatives. Ils sont souvent utilisés lorsque les données quantitatives ne sont pas disponibles.
Par exemple, un modèle qualitatif pourrait dépendre des contributions d’un expert ou des résultats d’une enquête auprès de clients potentiels.
La prévision qualitative est plus subjective par nature, mais elle reste très utile—en particulier lorsque les données fiables font défaut. PS : Je trouve toujours étrange que « données » soit un pluriel.
Enfin bref.
Tous les modèles de prévision qualitative nécessitent une certaine forme de collecte de données (entretiens avec des experts, panels, enquêtes, etc.), mais ils diffèrent dans la manière dont ces données sont collectées puis utilisées pour éclairer les prévisions. Ceux-ci sont généralement moins utiles pour les prévisions financières, car il s'agit en quelque sorte de jeter des spaghettis contre un mur : certains modèles sont simplement plus précis que d'autres.
Méthode Delphi
Avez-vous déjà entendu parler de la Pythie de Delphes ? Son rôle principal était de faire des prédictions sur l'avenir — pas très différent de celui d’un directeur financier... n'est-ce pas ?
Oui, vous pouvez commencer à vous qualifier d’Oracle de votre entreprise. Non, vous ne pouvez pas dire que vous en avez eu l'autorisation de ma part.
La méthode Delphi s’appuie sur les avis d’experts, généralement un petit groupe d’experts du sujet. Par exemple, un organisme d’enseignement privé peut consulter un groupe de professeurs pour recueillir des données sur les habitudes des élèves.
Dans la méthode Delphi, les experts sont interrogés pour recueillir des données. Point crucial : chaque expert est interrogé de manière indépendante, puis les données sont agrégées a posteriori. Ceci permet d’éviter le biais de groupe et laisse une entière liberté d’expression.
La méthode Delphi utilise des « tours » de collecte de données. Le premier tour est individuel, mais les tours suivants sont collectifs. Les réponses de chaque expert sont partagées avec l’ensemble du groupe pour ouvrir la discussion. Les experts sont libres de modifier leurs avis ou estimations lors des tours suivants.
Comme la méthode Delphi fait généralement appel à de petits groupes d’experts, il est important de bien sélectionner les personnes à interroger, car la valeur des données dépend de la compétence des experts.
Études de marché
Je parie que vous n'aviez jamais entendu parler de celle-ci auparavant — hé, je vous vois lever les yeux au ciel !
L’étude de marché est une méthode de prévision très courante utilisée par les entreprises pour recueillir l’avis de clients potentiels. Par exemple, un fabricant alimentaire lançant une nouvelle marque de crème glacée faible en calories pourrait interroger les clients sur leurs objectifs de perte de poids et leurs choix alimentaires via une enquête en ligne.
L’étude de marché est un jeu de chiffres : plus vous obtenez de réponses du public, mieux c'est.
L’étude de marché peut être menée par téléphone, e-mail, SMS, entretiens en personne et plus encore. Elle est souvent réalisée avec l’aide d’entreprises spécialisées qui se chargent des entretiens et de la collecte des données.
Consensus de panel
Le consensus de panel utilise un groupe de discussion qui s’appuie sur les avis d’experts et d’employés. Il est souvent mené auprès d’un panel d’employés issus de tous les niveaux de l’entreprise, et pas seulement des dirigeants.
Particularité de cette méthodologie : elle combine — et accorde la même importance à — l’avis des véritables experts et des « semi-experts ». Par exemple, une équipe essayant d’anticiper la demande saisonnière pour une boisson aromatisée pourrait inclure du personnel des ventes, du marketing ou même du rayon en magasin.
Comme son nom l’indique, le panel doit parvenir à une estimation par consensus. Le groupe peut partager ses opinions et débattre, mais doit finalement se mettre d’accord.
Prévision visionnaire
La prévision visionnaire repose sur les intuitions et opinions d’un seul individu — j’ai trouvé ça amusant que ce modèle ne soit pas appelé méthode Delphi, sachant qu’il n'y a qu'une seule personne... mais après tout, elle avait l’aide des dieux (et personne ne m’a demandé mon avis).
Le visionnaire en question peut être vous, un autre membre de votre équipe de direction, un consultant externe ou un expert du secteur.
Puisque ce modèle de prévision repose sur un seul visionnaire, il est sujet au biais de confirmation et doit de préférence être utilisé en complément d’autres méthodes.
Composite de la force de vente
Le modèle de composite de la force de vente consiste à collecter des données qualitatives auprès du personnel de vente. Il s’appuie habituellement sur l’avis de plusieurs membres de l’équipe : de préférence, ceux impliqués dans le type de vente concerné par le produit en question.
Par exemple, si un constructeur automobile envisageait un nouveau modèle, il pourrait interroger son équipe de vente pour recueillir des informations sur l’opinion des clients, leurs besoins, questions récurrentes, budgets, etc.
L’idée ici est que les représentants commerciaux ont une expérience directe avec les clients (et savent ce qui motive vraiment les ventes), et disposent donc d’analyses précieuses sur le comportement et les attentes réels de la clientèle.
Le composite de la force de vente peut également s’avérer utile pour détecter des tendances locales ou régionales.
Bien que cette liste ne soit pas exhaustive, elle couvre beaucoup des modèles de prévision les plus fréquemment utilisés. Cela étant dit, certains sont clairement plus populaires que d’autres.
Quels sont les modèles de prévision les plus courants ?
Globalement, la modélisation des séries chronologiques (notamment les modèles de projection linéaire et la moyenne mobile) est la plus utilisée.
Cela s'explique en partie par le fait que les modèles de séries chronologiques permettent des prévisions plus objectives basées sur des données historiques. Ils ne dépendent pas des avis d’experts ou des retours clients, qui peuvent être changeants et biaisés. À la place, ils utilisent des données quantitatives pour construire des modèles fiables des performances futures.
Ces modèles sont également populaires car ils sont relativement simples à utiliser et ne nécessitent souvent pas de logiciel spécialisé. Certains logiciels que vous utilisez déjà, comme votre système de planification des ressources de l'entreprise, possèdent probablement ces fonctionnalités de modélisation statistique intégrées. La modélisation en ligne droite pourrait même être réalisée à la main dans Excel assez facilement.
La modélisation associative (causale) est également couramment utilisée, mais elle est un peu plus complexe et nécessite souvent un logiciel ou un certain niveau de formation. Elle est particulièrement utile lorsque l’on souhaite suivre les relations entre des variables très distinctes, qu’il s’agisse d’une seule variable indépendante (régression linéaire simple) ou de plusieurs (régression linéaire multiple).
En ce qui concerne les modèles de prévision qualitative, l’étude de marché tend à être la plus courante. De nombreuses entreprises réalisent des enquêtes et recueillent les avis des clients pour utiliser ces données afin d’orienter leurs décisions stratégiques à l’avenir. D’autres choisissent de faire appel à des cabinets d’études de marché externes pour mener des enquêtes clients plus complètes.
Pourquoi la prévision est-elle importante ?
Comme je l’ai évoqué dès le début de cet article, la prévision est la clé pour éviter de :
- Perdre vos investisseurs, puis
- Vous faire licencier
Je plaisante. Enfin, à moitié.
La prévision est importante car elle permet aux entreprises de planifier l’avenir. L’idée même de la prévision est de collecter des informations provenant de différentes sources, puis d’utiliser ces données pour prendre de meilleures décisions.
Par exemple, une entreprise qui fournit des produits spécialisés aux détaillants pourrait utiliser un modèle de prévision pour anticiper la demande pendant la haute saison des achats de fin d’année. Leurs efforts de modélisation pourraient ainsi permettre d’affiner les estimations de la demande, les aidant à augmenter ou constituer des niveaux de stocks suffisants pour répondre à la demande saisonnière.
Ou bien, une entreprise peut choisir d’utiliser un modèle de prévision pour analyser l’impact financier de différents niveaux de prix ou de stratégies de vente envisagées pour un futur lancement de produit. Elle pourrait associer ces efforts à des prévisions de la demande saisonnière afin de trouver non seulement la meilleure stratégie commerciale, mais également le moment idéal pour lancer des ventes et promotions saisonnières.
En fin de compte, quel que soit l’indicateur examiné, l’idée derrière la prévision est d’obtenir un aperçu des tendances ou indicateurs financiers à venir afin de s’y préparer.
Comment utiliser les modèles de prévision
Chaque modèle de prévision est utilisé de manière différente. Mais la stratégie générale est la suivante :
- Précisez votre objectif. Le but est-il de déterminer quand vous devrez lever votre prochain tour de financement ? Alors concentrez-vous sur la prévision de la trésorerie et faites des hypothèses prudentes.
- Choisissez le modèle approprié à utiliser. J’ai évoqué plus haut des cas d'utilisation spécifiques pour les modèles de prévision financière énumérés. En définitive, de nombreuses entreprises choisiront d'utiliser plusieurs modèles — mais il est utile de réduire à un ou deux pour commencer.
- Collectez les données. Les modèles quantitatifs utiliseront des données historiques (généralement les finances de l'entreprise), tandis que les modèles qualitatifs utilisent des données subjectives recueillies auprès des clients ou d’experts du secteur.
- Construisez le modèle. Ce processus varie de façon significative en fonction du modèle spécifique utilisé. Beaucoup de modèles peuvent être paramétrés dans Excel ou des outils similaires bien connus. D’autres peuvent nécessiter des logiciels statistiques ou de prévision spécialisés.
- Déterminez votre niveau de confiance. Les intervalles de confiance sont utilisés pour exprimer le degré d’incertitude associé à une prévision. Les intervalles de confiance les plus couramment utilisés sont 90%, 95% et 99%. Plus le niveau de confiance est élevé, plus la prévision est fiable. Comme vous vous en doutez, plus les données sont objectives, plus le niveau de confiance a tendance à être élevé.
- Déployez le modèle. Ensuite, déployez le modèle en suivant le protocole recommandé pour ce modèle en particulier, et appuyez-vous sur les données les plus pertinentes à votre disposition.
- Analysez les résultats. Comparez les résultats obtenus à d’autres estimations ou prévisions dont vous disposez. Vous pouvez aussi vouloir appliquer d’autres modèles sur les mêmes données pour détecter les différences.
Certains modèles de prévision requièrent une formation poussée en statistiques ou en prévision financière, tandis que d’autres sont beaucoup plus simples à utiliser. En définitive, la complexité et les défis de la prévision dépendent du modèle choisi ainsi que de la quantité et de la qualité des données à disposition.
Quels logiciels sont utilisés pour la prévision ?
De nombreux types de logiciels peuvent être utilisés pour la prévision, depuis les simples tableurs jusqu’aux outils alimentés par l’intelligence artificielle et l’apprentissage automatique.
Bien que de nombreux modèles financiers puissent être utilisés dans Microsoft Excel ou Google Sheets, beaucoup nécessitent un logiciel ERP, un logiciel EPM ou un autre logiciel spécialisé.
Avant d’acheter un nouveau logiciel, assurez-vous de vérifier les fonctionnalités de vos outils existants. Certains logiciels de gestion des stocks proposent des fonctions de prévision de la demande et d’autres outils pour aider à planifier les niveaux de stock. Et votre service de paie pourrait offrir des fonctionnalités de prévision de la main-d’œuvre.
Pour la prévision qualitative, il n'existe pas beaucoup d’options logicielles intéressantes, car la plupart des entreprises s’appuient sur des sociétés d’études de marché et des consultants spécialisés dans la réalisation et la publication de recherches de marché.
En fin de compte, puisque « prévision » est un terme très large, il existe de nombreuses solutions logicielles différentes qui peuvent être utilisées.
Les modèles de prévision peuvent donner un avantage à votre entreprise
Savoir quand, où et comment utiliser la prévision financière peut donner un avantage aux entreprises.
Avec des modèles de prévision appropriés et des saisies de données précises, les entreprises peuvent préparer des budgets plus exacts, affiner leurs objectifs et leurs stratégies concurrentielles, et être mieux prêtes pour l’avenir.
Vous souhaitez améliorer vos compétences en tant que directeur financier ou pour un poste lié à la finance ? The CFO Club est une communauté de dirigeants financiers SaaS et tech partageant les mêmes ambitions de réussite dans leurs domaines respectifs. Abonnez-vous à la newsletter The CFO Club pour des analyses sectorielles et encore plus de contenus de ce type.