Mon logiciel de compta sera-t-il intelligent demain ?

[OPINION] Technologie émergente, l’intelligence artificielle croise plusieurs techniques qui simulent les processus cognitifs humains. Son application associée au monde du Chiffre, pourrait servir la santé des entreprises et anticiper d’éventuels dépôts de bilan. L’Intelligence Artificielle ou comment le Machine Learning pourrait servir intelligemment notre économie. Par Grégoire Leclercq, directeur général adjoint du groupe EBP.
Grégoire Leclercq, directeur général adjoint du groupe EBP.
Grégoire Leclercq, directeur général adjoint du groupe EBP. (Crédits : DR)

S'inspirant des capacités du cerveau humain dans la résolution de problèmes soutenant une complexité logique, l'Intelligence Artificielle (IA) vise à apprendre à une machine, un processus, sur la base de l'exploitation de données disponibles. Abusivement confondue avec le "Big Data", l'IA ne vise pas la quantité des données, mais plutôt la qualité, pour élaborer un modèle de Machine Learning. En particulier, sous sa forme la plus évoluée de Deep Learning, utilisée par les data scientists pour la résolution de problèmes de classification.

L'IA recourt également à l'heuristique, calcul proposant rapidement une solution réalisable pour un problème difficile ou de complexité exponentielle, comme cela peut être le cas au cœur de certains logiciels de rapprochement comptable.

Modèles prédictifs

Là où la technique du Machine Learning est intéressante, c'est qu'elle est particulièrement performante pour l'exploitation et la compréhension de grandes bases de données. Lorsqu'il s'agit d'identifier des combinaisons de caractéristiques - appelées patterns - associées à la survenance d'un événement dans des séries de données multidimensionnelles, elle donne toute sa puissance.

L'algorithme de Machine Learning fonctionne de façon simple :

  • Il est entraîné sur des données historiques pour identifier le « pattern » associé à la survenance de l'événement à prédire,
  • Il devient alors capable d'analyser en temps réel les données qui lui sont transmises pour identifier ce pattern et ainsi prévoir l'occurrence de son événement associé.

Ainsi, dans le cas d'un modèle qui prédirait le risque qu'une entreprise soit en cessation de paiement, l'algorithme recherche dans les données historiques qui lui sont transmises le pattern préexistant à toutes les cessations de paiement. Il en déduirait par exemple que, si la trésorerie est inférieure à tel pourcentage du BFR, si ses capitaux propres sont durablement inférieurs à la moitié du capital social, si le taux de marge est inférieur à telle moyenne du marché, et si le délai de recouvrement est en croissance, alors l'entreprise a une forte probabilité de survenance d'une cessation de paiement à court terme.

Le prérequis au bon fonctionnement d'un modèle prédictif est donc la disponibilité et la qualité des données dans la mesure où l'algorithme doit pouvoir y trouver le pattern, associé à l'événement à prédire.

Prédire le dépôt de bilan

L'élaboration d'un modèle de Machine Learning qui prédit les défaillances d'entreprises pose donc une vraie question de disponibilité des données financières publiques d'une entreprise, publiées annuellement, donc pas assez fréquentes pour renvoyer une image fidèle de sa santé à un instant donné. L'enjeu est donc d'avoir un accès régulier à des données révélatrices régulières :

  • Le niveau de dette fiscale et sociale et les éventuels impayés
  • La dette fournisseur (à comparer avec un niveau normatif)
  • La trésorerie
  • Les créances clients
  • La taille de l'entreprise (estimé par le chiffre d'affaires et le nombre de salariés)
  • L'âge de l'entreprise
  • Le niveau de qualification du dirigeant
  • La présence d'un conseil, expert-comptable...

Cette collecte pose un défi majeur : croiser des informations privées et publiques, hébergées et structurées par des organismes différents. C'est-à-dire, les établissements publics, l'open data, les banques et assureurs, et le logiciel de gestion de l'entreprise. Ce dernier est d'ailleurs le mieux placé pour collecter la donnée, la traiter et lui permettre d'entraîner un agent intelligent.

Bien sûr, le même agent doit travailler sur les données d'entreprises qui ont effectivement déposé le bilan par le passé, afin qu'il identifie la combinaison de caractéristiques préexistante à toutes les défaillances. Une fois entrainé, l'algorithme pourrait être appliqué périodiquement aux données pour classer les entreprises analysées en deux catégories (bonne santé financière vs. mauvaise santé financière) et ainsi notifier au gérant, lorsque c'est le cas, que son entreprise semble être en situation critique. Ce serait déjà un premier pas, mais c'est binaire.

Améliorer la gestion

Il faut donc aller plus loin encore, parce que d'autres indicateurs existent ou peuvent exister dans le futur : délai de paiement fournisseurs et clients, état de l'encours fournisseurs, indice de satisfaction client, indication générale sur le marché de l'entreprise, données locales de l'offre et de la concurrence.

Ensuite parce qu'il est préférable d'anticiper plutôt que de constater la mauvaise posture! L'ajout d'une dimension temporelle et prédictive à l'analyse devient incontournable pour informer dès les premiers symptômes, d'une possible défaillance. On passe d'une analyse à un suivi, d'un coup d'œil régulier dans le rétroviseur à un pilotage en temps réel.

L'algorithme utilisera alors les données passées de l'entreprise pour projeter un état à court et moyen terme. L'idée est de réévaluer et projeter les indicateurs financiers du bilan et du compte de résultat à 3 et 12 mois pour anticiper les défauts de l'entreprise, en énonçant quels points bloquants doivent être corrigés. L'analyse livrerait alors des tendances et un scoring.

Quid des éditeurs de logiciels

Fournisseurs d'informations comptables et de gestion, les éditeurs de logiciels ont un rôle majeur à jouer. En effet, les entreprises attendent de son Conseil ou des acteurs du Chiffre, des outils simples leur permettant d'être alertées sur des sujets liés à leur activité, tels que la trésorerie ou l'approvisionnement.

De plus, ce sont dans les logiciels de gestion que de nombreuses données viennent se déverser (moyen de paiement, interactions avec les différents services de l'entreprise, visites commerciales...), rendant la base de plus en plus riche. Les applications logicielles pourraient donc proposer des solutions court-terme pour régler des problèmes long-terme : génération de micro crédit, proposition d'affacturage, alerte de scoring.

Les enjeux sont multiples, au premier desquels la sécurisation de la donnée. Les récentes affaires de vol ou fuites de données(1) montrent bien à quel point le nouvel "or noir" du XXIe siècle attise les convoitises. Et pour cause ! C'est la racine de toute Intelligence Artificielle efficace. La réponse de l'Union Européenne avec le désormais fameux RGPD(2) doit permettre un meilleur contrôle.

Plus qu'un débat sur le rôle d'un algorithme longtemps condamné à rester un "idiot savant" ou encore des risques éthiques qui pèsent sur une autonomie trop forte de l'IA, ce dernier constitue désormais un véritable enjeu de société, en matière de bénéfices-risques sur l'emploi. Combiné au monde du Chiffre, cet outil cognitif, un temps vilipendé, a retourné à son avantage, certes un équilibre fragile, mais favorable à la continuité des entreprises.

___

NOTES

(1) Facebook 2018, LinkedIn 2016, MySpace 2016, Dropbox 2014, Adobe 2013.

(2) RGPD, pour "Règlement général sur la protection des données"

Sujets les + lus

|

Sujets les + commentés

Commentaire 0

Votre email ne sera pas affiché publiquement.
Tous les champs sont obligatoires.

Il n'y a actuellement aucun commentaire concernant cet article.
Soyez le premier à donner votre avis !

-

Merci pour votre commentaire. Il sera visible prochainement sous réserve de validation.