Maîtriser la prévision intelligente

Pour de nombreux chefs des finances canadiens, l’incertitude n’est plus une situation passagère, mais une composante persistante de l’environnement opérationnel.

La croissance économique demeurera vraisemblablement irrégulière et la dynamique des échanges commerciaux avec les États-Unis continuera de fluctuer. La pression sur les coûts, les contraintes de productivité et le réalignement des chaînes d’approvisionnement constituent toujours des préoccupations importantes dans tous les secteurs. En même temps, on demande aux organisations d’investir de manière ciblée dans leur croissance, leur modernisation et leurs capacités numériques, même si souvent, elles ne disposent pas d’une vision claire des conditions à venir.

Dans ce contexte, la question n’est plus de savoir si les organisations établissent des prévisions – la plupart le font. Il s’agit plutôt de déterminer si ces prévisions sont suffisamment éclairantes et souples pour prendre les bonnes décisions relativement à l’établissement des prix, à l’affectation des capitaux, au fonds de roulement et à la gestion des risques, en particulier dans une conjoncture incertaine, où les hypothèses peuvent évoluer rapidement. Pour aider leur fonction finances à réagir plus efficacement, de nombreux dirigeants se tournent vers la prévision intelligente, non pas pour remplacer complètement leurs pratiques actuelles, mais pour l’utiliser comme capacité complémentaire.

Poursuivez votre lecture pour découvrir la valeur concrète de la prévision intelligente et les moyens de l’intégrer à votre organisation. 

La prévision intelligente est une approche fondée sur les données et alimentée par l’intelligence artificielle, qui consiste à actualiser en continu les projections financières à mesure que les conditions commerciales changent. En combinant des données intégrées, l’analytique avancée et la modélisation de scénarios, cette approche permet aux équipes des finances d’anticiper l’incidence des changements d’hypothèses sur les résultats, plutôt que de se limiter à analyser la performance passée.

Les méthodes traditionnelles fonctionnent bien lorsque les conditions sont stables, mais elles sont plus difficiles à appliquer lorsque les hypothèses évoluent rapidement. Trois différences majeures distinguent la prévision intelligente :

1. Adaptative plutôt que fixe. Les prévisions sont mises à jour de façon dynamique à mesure que de nouvelles données sont intégrées.
2. Axée sur les leviers plutôt que sur l’historique. Les modèles prévisionnels misent sur les facteurs qui influencent les résultats et non sur les performances passées.
3. Fondée sur des scénarios et non sur un résultat unique. Les équipes des finances évaluent plusieurs futurs plausibles plutôt qu’un seul scénario de référence.

Pour de nombreuses organisations canadiennes, cette valeur se manifeste concrètement :

• Meilleure compréhension de l’environnement externe : les indicateurs macroéconomiques, les signaux du marché et les tendances en matière de coûts des intrants sont pris en compte au même titre que les données internes sur la performance.
• Planification fondée sur des scénarios : permet aux équipes des finances de tester des hypothèses et de comprendre les répercussions potentielles dans différentes conditions plutôt que de s’appuyer sur une seule estimation ponctuelle.
• Meilleure harmonisation au sein de l’entreprise : les équipes des finances, des opérations et du développement des affaires travaillent à partir d’un ensemble d’hypothèses plus cohérent.
• Cycles de prévision plus fréquents : les cycles sont étayés par des prévisions continues qui peuvent être actualisées à mesure que de nouveaux renseignements deviennent disponibles.
• Réduction des biais dans les hypothèses de prévision : les modèles fondés sur l’IA sont capables de remettre en question les hypothèses de planification trop optimistes ou trop conservatrices grâce à l’intégration d’un plus large éventail de points de données internes et externes, en complément du jugement humain.

Ensemble, ces éléments peuvent aider les équipes des finances à réagir plus rapidement à l’évolution de la conjoncture, tout en continuant d’exercer leur jugement et de tenir compte du contexte, ce qui demeure essentiel à une planification efficace.

Ultimement, l’efficacité de cette approche repose sur les ensembles de données de base.

La prévision intelligente dépend de la fiabilité et de l’interconnectivité des données provenant des fonctions finance, opérations, chaîne d’approvisionnement et développement des affaires. Ces données doivent être régies, pertinentes et intégrées dans l’ensemble des systèmes. Sans ces fondements, même les outils les plus avancés ont peu de chances de générer une valeur constante.

Lorsque les ensembles de données de base sont suffisamment matures, l’IA peut contribuer à la prévision intelligente de différentes manières :

• Traitement plus efficace de volumes plus importants de données internes et externes.
• Mise en évidence de tendances ou d’anomalies qui requièrent une attention particulière.
• Automatisation des volets de préparation et de rapprochement des données.
• Analyse et modélisation de scénarios d’analyse de sensibilité.
• Mise à jour plus fréquente des prévisions qui ne nécessite pas beaucoup de travail manuel.

Bien que les prévisions exigent expérience et jugement humains, l’IA peut aider à réduire les biais susceptibles d’influencer les décisions en matière de planification. Les processus de prévision traditionnels sont souvent façonnés par l’effet de récence, par un ancrage dans les données historiques ou encore par des hypothèses fonctionnelles qui peuvent être difficiles à remettre en question de façon systématique. L’analyse d’ensembles de données plus vastes et plus diversifiés par des outils fondés sur l’IA peut mettre en évidence d’autres tendances, repérer les valeurs atypiques et fournir un point de départ plus objectif pour les discussions sur les différents scénarios.

L’IA contribue également à réduire le temps consacré aux activités de prévision manuelles qui ralentissent souvent les cycles de planification : consolidation des données provenant de plusieurs systèmes, rapprochement des données d’entrée, actualisation des prévisions, suivi des écarts et comparaison de différents scénarios. Ainsi, les équipes des finances passent moins de temps à préparer les données pour mieux interpréter les résultats et conseiller la direction.

L’efficacité de l’IA est accrue lorsqu’elle est combinée à une expertise financière et à une gouvernance solide. Plutôt que de remplacer le processus décisionnel, elle permet la mise en œuvre de processus prévisionnels plus cohérents, transparents et performants.

La transition n’a pas besoin d’être instantanée ni complète. En fait, de nombreuses organisations commencent par adopter des mesures ciblées qui répondent à leurs priorités et à leurs capacités actuelles : 

1. Modélisation de scénarios et gestion des risques financiers 
Certains chefs des finances commencent par renforcer les modèles stratégiques qui relient les principaux moteurs de performance de l’organisation aux résultats financiers. Ainsi, ils peuvent ensuite explorer plus facilement l’incidence des variations des conditions commerciales, des coûts ou de la demande sur les résultats, sans présumer qu’un scénario précis se produira.

2. Planification intégrée des activités et prévisions continues 
L’arrimage plus serré de la planification financière et des principaux leviers opérationnels et commerciaux ainsi que l’actualisation plus fréquente des prévisions peuvent aider à réduire la dépendance à l’égard d’hypothèses dépassées, tout en maintenant une discipline rigoureuse.

3. Approche hybride du changement 
Plutôt que de remanier tous les processus de planification en même temps, les organisations cherchent souvent à améliorer les prévisions stratégiques tout en simplifiant et en automatisant progressivement les activités de base qui sont liées à la budgétisation et aux prévisions.

4. Utilisation ciblée de l’IA et de l’automatisation 
En se concentrant sur un petit nombre de cas d’utilisation à valeur élevée, comme la prévision de la demande, l’analyse des marges ou la gestion du fonds de roulement, les organisations peuvent apprendre et s’adapter avant d’élargir le déploiement de l’IA. La gouvernance, la qualité des données et le développement des capacités demeurent importants tout au long du processus.

Dans tous ces domaines, la gestion du changement s’avère souvent aussi déterminante que la technologie. Les équipes des finances ont besoin de temps, de soutien et de clarté pour renforcer la confiance dans les nouvelles méthodes de travail.

Pour les chefs des finances canadiens, la prévision intelligente ne vise pas à éliminer l’incertitude dans la prise de décisions, mais à composer avec cette incertitude de manière réfléchie. De cette façon, au lieu de simplement réagir aux conditions changeantes, les organisations acquièrent la capacité de tester des hypothèses, d’explorer différentes options et d’intervenir avec plus de clarté.

À mesure que les capacités d’IA évolueront, de nombreuses organisations chercheront à améliorer l’exactitude de leurs prévisions, mais aussi à les obtenir plus rapidement, à réduire les biais et à permettre aux équipes des finances de réagir avec plus d’agilité aux conditions changeantes.

Bien qu’aucune approche prévisionnelle ne soit infaillible, la prévision intelligente offre néanmoins aux dirigeants un moyen supplémentaire de préparer leur organisation aux défis à venir.

L’équipe de KPMG Canada accompagne les chefs des finances pour les aider à renforcer leurs capacités de prévision de manière concrète et axée sur la création de valeur, et à mieux relier stratégie, gestion des risques et information financière dans un contexte d’incertitude. 

Si vous cherchez à rendre vos processus prévisionnels plus adaptables et plus éclairés, communiquez avec notre équipe.