En tant que contrôleur de gestion, vous avez vu votre métier beaucoup évoluer au cours des dernières années. Les approches sont différentes, l’immédiateté régnant désormais en maître. Les compétences nécessaires ont également changé, l’IT prenant une place de plus en plus importante, avec sa cohorte d’outils digitaux.
Quelles sont ces nouvelles technologies au service des financiers qui ont vu le jour récemment ? Sont-elles incontournables ou au contraire parfois “gadgets” ? Comment les mettre à profit quand elles en valent la peine ? Toutes les réponses dans cet article.
Quelles sont les nouvelles technologies à prendre en compte ?
Au sein du service Contrôle de Gestion, plusieurs types de technologies seront à prendre en considération à l’avenir. Attardons-nous sur les deux qui paraissent centrales, et qui ont en commun d’être des déclinaisons de l’Intelligence Artificielle (IA).
La première est le Deep Learning (ou DL). Cette technologie s’appuie sur des réseaux de neurones virtuels dont l’objectif est de résoudre des problèmes très complexes en reproduisant le fonctionnement du cerveau. Le Deep Learning est basé sur un apprentissage progressif. Il est, sur ce point, proche du Machine Learning, qui, lui, repose sur des algorithmes statistiques.
La seconde technologie à considérer est le RPA (pour Robotic Process Automation). Cette fois, l’idée est de créer des robots reproduisant des tâches humaines répétitives à faible valeur ajoutée, comme le fait de ressaisir des données.
Bien entendu, ces technologies, aussi puissantes soient-elles, ne servent à rien sans véritable stratégie d’utilisation… Nous en arrivons donc à la question suivante.
Découvrez notre livre blanc – Contrôle de gestion : une fonction en mutation ?
Comment mettre les nouvelles technologies à profit ?
Une fois que les nouvelles technologies à disposition du contrôle de gestion ont été identifiées, il faut maintenant se demander : comment les utiliser de manière efficace ? Voici un exemple concret.
Le quotidien du contrôleur de gestion est fait de nombreux problèmes récurrents et, malgré des logiciels dédiés, une partie non négligeable des tâches reste manuelle. Par exemple, lors de la clôture du réalisé, les erreurs d’imputations ne sont pas rares. Il faut donc les détecter, puis les analyser, les expliquer ou les corriger. Grâce aux technologies dont nous avons parlé plus haut, il est possible d’automatiser ce processus, tout du moins en partie.
Avec le Deep Learning, il serait en effet possible d’automatiser la détection des erreurs. Avec une première phase d’apprentissage basée sur des motifs et des règles d’identification, le système pourrait déceler des écarts par lui-même dans des masses considérables de données. Ensuite le RPA interviendrait pour automatiser cette collecte d’erreurs et pourquoi pas corriger les erreurs (ou tout du moins, proposer des possibilités de correction).
Il serait possible d’aller encore plus loin grâce à un chatbot qui permettrait de rendre les relations homme/machine plus fluides et interactives. “Veux-tu corriger cette anomalie d’imputation ?”. Le contrôleur de gestion n’aurait qu’à formuler sa réponse en langage naturel, le chatbot se chargerait de traduire cela en langage informatique et lui fournirait ensuite la réponse demandée.
Des solutions d’avenir, mais encore imparfaites
Malheureusement, ces technologies d’avenir ont aussi leurs limites… Outre le fait qu’elles n’en sont qu’à leur balbutiement. Leur déploiement promet d’être assez contraignant. Pour mettre en place des systèmes élaborés d’automatisation, il est inconcevable pour le contrôleur de gestion d’agir seul. La DSI ou un prestataire extérieur devra vous accompagner. Il conviendra en outre de valider la sécurité de ces nouvelles applications qui manipuleront des données stratégiques, ainsi que leur compatibilité avec les autres applications clés du contrôle de gestion (EPM). Mais si votre projet est bien ficelé, une fois passée la phase de déploiement, vous devriez ensuite être autonome.
L’autre aspect à prendre en compte concerne la collecte des données. Ces nouvelles technologies sont capables de dénicher une aiguille – un écart, une dérive – dans une meule de foin de données ? Très bien ! Voilà qui justifie d’aller chercher la donnée de gestion au grain le plus fin, auprès des managers de terrain, pour donner plus de profondeur à l’analyse.
Cela impose une rigueur extrême dans les processus de remontée de données et de consolidation. On imagine mal en effet faire travailler un programme de Deep Learning sur des données mal fagotées, issues d’un assemblage alambiqué de fiches Excel échangées par mail. Pour alimenter des outils aussi puissants, il est crucial de sécuriser les flux de collecte, en maintenant leur dimension collaborative et idéalement sans changer les habitudes. La solution réside là aussi dans la technologie. Nous vous invitons à découvrir la nôtre.
