Selon une étude de Baker et McKenzie, « 60% des directeurs d’institutions financières s’attendent à ce que le Machine Learning transforme en profondeur les processus d’analyse financière ». Fabien Lorenzi et Yasin Ali, consultants mc2i Groupe, se sont penchés sur les cas d’usage des départements financiers et administratifs des entreprises
Mas qu’est-ce que, au juste, le Machine Learning ?
Le Machine Learning est le champ d’application de l’Intelligence Artificielle qui semble être le plus prometteur. Il utilise des algorithmes spécifiques, créés conjointement par des analystes et développeurs, qui consolident et catégorisent une variété de données brutes, en combinant le traitement et l’analyse de l’information.
Le Machine Learning continue de développer sa propre compréhension de l’information afin de fournir un résultat toujours plus pertinent et utile à l’utilisateur. C’est d’ailleurs un apprentissage qui est réalisé avec ou sans intervention humaine.
Cette capacité à s’adapter automatiquement garantit que la base de données de la “machine” est constamment mise à jour et s’adapte aux exigences. Cela lui permet de traiter une requête d’un point de vue holistique, en fournissant une analyse qualitative et ciblée sur le besoin.
Il est intéressant d’observer la corrélation entre Big Data et Machine Learning, à savoir, proposer une “machine” pouvant appréhender et traiter une vaste quantité de données brutes. Cela ouvre le champ des possibles, d’autant que quel que soit le domaine d’étude, les applications sont multiples.
Prenons par exemple le cas des départements financiers et administratifs des entreprises : imaginons pouvoir identifier les améliorations au sein de leur service sur différents sujets tels que la détection des fraudes, la prise de décision, la réalisation des reporting…
Comment le Machine Learning peut changer notre façon de travailler
Le Machine Learning doit être perçu comme, à la fois un outil qui optimise les processus et améliore l’engagement des employés, mais aussi comme un formidable levier de la satisfaction client.
Premier cas d’usage
L’absence d’intervention humaine dans l’analyse et de traitement de la donnée fait du Machine Learning la technologie la plus avant-gardiste concernant l’optimisation des processus métiers (réduction de la charge de travail des tiers ou de l’interaction humaine).
Il peut par exemple traiter la commande d’un fournisseur en prenant en considération le niveau de stock actuel de l’entrepôt et celui du point de vente demandeur. En parallèle, il peut délivrer une analyse pertinente des produits les plus tendances (en se basant sur le niveau des ventes d’un ensemble de magasins), pour assister le responsable logistique lors de ses choix de réapprovisionnement.
La valeur ajoutée du Machine Learning réside ici dans son analyse qualitative en temps réel, que l’entreprise peut utiliser comme aide à la décision.
Second cas d’usage
Un autre exemple serait celui du remplacement d’un contrôle manuel : si un paiement est effectué sans numéro d’ordre, le système exécute une analyse pour trouver l’ordre auquel il doit correspondre et, selon un processus défini, décider de l’action à entreprendre :
- S’il doit être remboursé ;
- Si le paiement est insuffisant ;
- Ou s’il est en excédent.
Ainsi, la gestion des affaires courantes serait prise en charge par les SI, permettant aux entreprises de se concentrer sur des sujets plus stratégiques.
Troisième cas d’usage
Le Machine Learning représente aussi un levier dans la maîtrise du risque de fraude, en créant des algorithmes capables :
- D’analyser les informations sur tous les types de fraudes existants ;
- D’analyser les informations pour déterminer les nouveaux types de fraudes possibles ;
- Et d’évaluer les impacts financiers associés.
Cela permet d’accompagner les organisations et de rendre plus efficace leur politique antifraude. Pour une personne seule, cela nécessite du temps ainsi qu’un travail de recherche minutieux. Si le Machine Learning est capable de réaliser ce travail de détection, les organisations n’ont plus qu’à déployer leurs efforts sur la résolution des litiges.
Les organisations peuvent également créer de nouvelles politiques de détection en se basant sur les analyses issues du Machine Learning.
Les risques potentiels de l’utilisation du Machine Learning pour les entreprises
Terme en vogue depuis les élections présidentielles américaines, les “Fake News” peuvent par exemple impacter l’analyse fournie par le Machine Learning, et in fine les utilisateurs dont le travail est basé sur ces analyses. Dans le cas d’un trader FOREX, il suffit qu’une organisation tierce communique de fausses informations via divers médias numériques pour manipuler les analyses issues du Machine Learning. Il risquerait ainsi de se baser sur de fausses informations, compromettant ses prises de positions.
Le principal défi que doit surmonter le Machine Learning est celui de l’authentification de l’information, notamment à travers la confiance accordée aux flux d’informations utilisés. Des solutions sont actuellement étudiées : par exemple le SEO de Google propose d’authentifier un utilisateur en analysant ses “followers”. Mais comment cela peut-il se faire au niveau des entreprises ou à l’échelle internationale, surtout pour des sujets aussi sensibles que les décisions financières ?
Aujourd’hui, la plupart des entreprises s’intéressent à la valorisation de la donnée. Le Machine Learning joue un rôle important dans cette vision, en particulier pour les départements financiers et administratifs. L’optimisation de la gestion budgétaire, de la gestion des achats, de la gestion des fournisseurs… Une plus-value importante est envisageable, sans compter que cela bénéficie également à l’efficacité du personnel.
Le Directeur Administratif et Financier jouera un rôle important. Il sera à même de percevoir les pistes d’amélioration, et les cas d’utilisation associés. Comme il y a un nombre infini de possibilités, il sera intéressant de voir jusqu’où nous pouvons améliorer les processus d’une organisation !
En conclusion, la vraie question est de savoir jusqu’où une machine peut-elle réellement aller pour apprendre à assister une personne ou prendre une décision ? Qu’en est-il du contrôle ? Arrivera-t-elle à se passer de l’instinct et de la conscience humaine qui font partie du processus décisionnel ? Le Machine Learning doit-il être plus qu’un simple assistant, ou la conscience humaine aura-t-elle toujours l’avantage ?
