eBook

Intelligence artificielle : Créer la trésorerie du futur, dès aujourd’hui

L’intelligence artificielle et le Machine Learning (IA/ML) ont progressivement fait leur entrée dans la trésorerie et la finance, mais nous sommes loin d’avoir exploité tout leur potentiel. Cet eBook expose les cas d’utilisation de l’IA/ML pour la trésorerie et la finance, ainsi que les obstacles qui ralentissent l’adoption massive de cette technologie.

La technologie IA/ML aujourd’hui

Il est important de comprendre que l’IA et le ML sont techniquement deux choses différentes. Bien que les termes soient souvent utilisés de manière interchangeable, il s’agit de deux technologies distinctes. L’IA est un terme plus large désignant des machines intelligentes capables de reproduire la capacité de réflexion et le comportement humains. Le ML, en revanche, est une application ou un sousensemble de l’IA qui permet aux machines d’apprendre à partir de données, sans programmation supplémentaire.1

Les « data scientists » entraînent des modèles de ML avec des données historiques. Ensuite, ils font passer de nouvelles données par le modèle ML entraîné pour faire des prédictions beaucoup plus avisées. De tels modèles sont incroyablement utiles pour la trésorerie et la finance, qui ont dû procéder à des ajustements rapides ces dernières années pour maintenir les organisations en activité.

Le Machine Learning dans la trésorerie et la finance

Les modèles de ML peuvent être utilisés pour diverses fonctions de trésorerie telles que les prévisions de trésorerie, la détection des fraudes aux paiements et l’optimisation du fonds de roulement. Par exemple, le ML peut améliorer considérablement la gestion des créances. Un guide de l’AFP sur la trésorerie publié récemment explique comment l’équipe en charge des comptes clients d’une entreprise technologique avait du mal à traiter manuellement les quelque 2 500 chèques qu’elle recevait par mois, ce qui entraînait des retards importants. L’entreprise a pris conscience qu’un changement était nécessaire. Alors, l’équipe en charge des comptes clients a travaillé avec ses partenaires bancaires pour mettre en œuvre une solution de gestion des créances basée sur le ML. La solution a automatisé le processus manuel de collecte, de consolidation et de formatage que l’équipe en charge des comptes clients effectuait chaque matin, ce qui a permis de traiter la majorité des paiements en deux jours. En outre, au fil du temps, la machine continue d’apprendre des exceptions, améliorant ainsi sa précision. Cela a également apporté à l’équipe en charge des comptes clients davantage d’opportunités pour accroître l’utilisation des paiements électroniques.

Cela dit, tous les humains doivent être conscients des préjugés inconscients qui peuvent s’infiltrer dans le ML. Les entreprises peuvent devenir plus axées sur les données en formant tous leurs employés à cet effet. Si tout le monde ne peut pas devenir un data scientist, chaque collaborateur peut apprendre les bases de la culture des données et les appliquer à sa vie professionnelle et même personnelle. Plus la compréhension du ML est grande, meilleures sont les analyses et les prédictions.1

How Does Machine Learning Work? graphic show the workflow

Les fonctionnalités de l’IA et du ML pour la finance et la trésorerie

Avec la prolifération des applications dans de nombreux domaines, ainsi que la connectivité que les banques et les fournisseurs de technologie établissent par le biais des API, les services de trésorerie et de finance ont plus de données à portée de main qu’auparavant. Cela dit, traiter toutes ces données manuellement est presque impossible. C’est là que le ML entre en jeu.

Les fournisseurs de technologie entraînent des modèles de ML sur des données extraites d’applications opérationnelles et placées dans un référentiel central. Celles-ci peuvent varier et présenter des avantages divers. Les entrepôts de données stockent les données avec des dimensions et des tableaux hiérarchiques. Les centres de stockage de données possèdent, eux, des quantités massives de données brutes, en les conservant dans des architectures plates afin de laisser aux utilisateurs plus de liberté pour la gestion de ces données.2

Contrairement à l’automatisation des processus robotisés, qui ne peut que reproduire les processus, les modèles de ML peuvent analyser les données et identifier les tendances et les modèles en une fraction du temps que prendraient des humains pour faire la même chose.3

Cela permet une conversion beaucoup plus rapide et complète des données brutes en informations que les services de trésorerie et de finance peuvent exploiter. Les modèles de ML peuvent être utilisés pour diverses fonctions de trésorerie telles que les prévisions de trésorerie, la détection des fraudes aux paiements et l’optimisation du fonds de roulement.

Les modèles de ML peuvent être utilisés pour diverses fonctions de trésorerie telles que les prévisions de trésorerie, la détection des fraudes aux paiements et l’optimisation du fonds de roulement. Par exemple, le ML peut améliorer considérablement la gestion des créances. Un guide de l’AFP sur la trésorerie publié récemment explique comment l’équipe en charge des comptes clients d’une entreprise technologique avait du mal à traiter manuellement les quelque 2 500 chèques qu’elle recevait par mois, ce qui entraînait des retards importants. L’entreprise a pris conscience qu’un changement était nécessaire. Alors, l’équipe en charge des comptes clients a travaillé avec ses partenaires bancaires pour mettre en œuvre une solution de gestion des créances basée sur le ML. La solution a automatisé le processus manuel de collecte, de consolidation et de formatage que l’équipe en charge des comptes clients effectuait chaque matin, ce qui a permis de traiter la majorité des paiements en deux jours. En outre, au fil du temps, la machine continue d’apprendre des exceptions, améliorant ainsi sa précision. Cela a également apporté à l’équipe en charge des comptes clients davantage d’opportunités pour accroître l’utilisation des paiements électroniques.

Détection de la fraude sur les paiements

Les logiciels modernes de détection des fraudes aux paiements utilisent le ML pour passer au crible les paiements en les comparant aux données historiques de paiement extraites d’une source de données. Toutes les caractéristiques des paiements (montants, types, quantité, destination, etc.) figurent dans cette source de données. Une machine analyse ensuite ces données, ce qui lui permettra d’identifier des anomalies dans les activités à venir.

Un certain nombre de modèles différents peuvent être utilisés pour repérer ces anomalies. L’une des plus efficaces est la méthodologie « Isolation forest ». Ce modèle compare toutes les variables différentes dans la source de données aux nouveaux paiements afin de déterminer la normalité de ces paiements. Tout paiement dont le score d’anomalie est anormalement élevé est signalé et mis de côté pour un examen plus approfondi.

Les solutions de ML peuvent même montrer aux utilisateurs cette comparaison de variables, leur donnant un aperçu de la façon dont ce score de normalité/anormalité est calculé. Les utilisateurs peuvent également définir leurs propres niveaux de tolérance aux anomalies. Les entreprises qui travaillent dans des secteurs fortement exposés aux activités frauduleuses veulent une tolérance d’anomalie très faible, tandis que les organisations moins à risque peuvent fixer un niveau beaucoup plus élevé afin que des anomalies mineures ne perturbent pas l’activité de paiement. En outre, des processus de validation peuvent être intégrés pour résoudre rapidement les anomalies.

Comment le Machine Learning fonctionne pour la trésorerie

Machine Learning for Treasury graphic

La valeur pour la finance et la trésorerie: Cas d’utilisation du Machine Learning

L’IA peut aider à optimiser les processus de paiement, qui sont encore très manuels dans de nombreuses entreprises. L’utilisation de solutions basées sur l’IA pour automatiser les traites à payer, le traitement des factures et la tenue de registres réduit considérablement les risques d’erreur humaine et accélère les calculs complexes.4 Les entreprises semblent s’y mettre sérieusement ; Gartner prévoit que d’ici 2025, la moitié de toutes les factures B2B seront traitées sans intervention manuelle.5

Centralisation

Les fournisseurs de technologie développent également des outils de centralisation des paiements avec des capacités d’IA/ML pour répondre aux défis d’aujourd’hui. Les centrales de paiement consolident le traitement des demandes de paiements provenant des ERP, des services financiers, de la trésorerie et des services juridiques, des marchés financiers et des équipes décentralisées, transformant les processus déconnectés en une source unique d’enregistrement de tous les paiements sortants.7

Les centrales de paiement dotées de l’IA peuvent reformater automatiquement les paiements en fonction du canal bancaire, du type de paiement ou de la destination du paiement. Ils peuvent également prendre en charge le routage à l’aveugle des paiements préapprouvés et préformatés, et le routage intelligent des paiements qui nécessitent des approbations supplémentaires ou une transformation du format.

Automatisation

Toute entreprise ayant un grand nombre de factures à payer peut tirer un avantage considérable de l’automatisation des paiements. Des processus de paiement inefficaces entravent les chaînes d’approvisionnement, les flux de trésorerie et la rentabilité. Les workflows de paiement comportent plusieurs points de décision et plusieurs niveaux d’approbation.6 Cela peut nécessiter des dizaines d’heures de travail par semaine.

Dans un monde de paiements en temps réel, il n’est tout simplement pas possible de traiter toutes ces approbations manuellement. Avec un modèle de ML, le service de comptabilité peut effectuer un audit final de comptabilité en temps réel pour s’assurer que tous les paiements sont effectués correctement et isoler les anomalies.

Les modèles de ML peuvent également identifier les exceptions aux politiques de paiement en temps réel, en signalant les éléments non conformes dans un paiement. Inversement, ils peuvent également tirer des enseignements des faux positifs des analyses antérieures afin de ne pas bloquer chaque paiement émis.

IA de gestion de trésorerie

Les directions ont mis la pression sur les services de trésorerie pour réduire les coûts financiers tout en augmentant l’accès aux liquidités. Les solutions d’IA permettent une gestion de trésorerie de niveau supérieur.

Prévision automatisée

Les services de trésorerie qui s’appuient sur Excel doivent faire face à des prévisions inexactes qui ont un impact négatif sur l’entreprise. Les organisations peuvent accroître la précision de leurs prévisions à court terme grâce à des outils basés sur l’IA qui apprennent de l’historique des flux de trésorerie et améliorent continuellement les prévisions de flux entrant au fil du temps. Les utilisateurs peuvent sélectionner les entreprises, les devises et les types de flux de trésorerie à inclure, ainsi qu’ajuster la période de prévision pour s’aligner sur les décisions de paiement/financement/d’investissement à court terme. Ils peuvent également ajuster et optimiser le « matelas de trésorerie » afin de minimiser le coût attendu des liquidités.

Information décisionnelle

L’IA de gestion de la trésorerie d’aujourd’hui doit fournir des tableaux de bord visuels clairs de prévision de trésorerie qui peuvent être personnalisés en fonction des besoins de votre organisation. Les principales caractéristiques comprennent les budgets de trésorerie calculés et les soldes de trésorerie prévus sur l’horizon temporel considéré.

stock image describing AI in treasury management with high security

Les actions à prendre

Les exigences d’aujourd’hui, comme celles de demain, imposent aux directeurs financiers et aux trésoriers d’agir. Alors que les difficultés économiques généralisées et l’inflation mondiale croissante peuvent rendre difficile la justification des dépenses en nouvelles technologies, les entreprises seront confrontées à d’énormes défis si elles ne s’adaptent pas au rythme du monde des affaires moderne. Soyez-en sûr, si vos pairs n’investissent pas encore dans cette technologie, ils le feront bientôt. De nombreuses entreprises ont économisé des liquidités tout au long de la pandémie ; il est maintenant temps de commencer à dépenser une partie de cet argent.

Les équipes de trésorerie seraient bien avisées de rechercher un partenaire de confiance lorsqu’elles explorent les offres basées sur les technologies IA/ML. Il existe des fournisseurs de technologie avec des équipes d’experts des données et des portefeuilles d’applications de trésorerie disponibles. De nombreux outils sont déjà en production et ne nécessitent qu’un effort minimal de la part de l’entreprise.

Alors que nous sortons tout juste de la pandémie, une période où les entreprises se concentraient principalement sur leur survie, l’accent doit maintenant être mis sur la recherche de croissance. Étant donné l’augmentation de la quantité de données disponibles, la croissance viendra des organisations qui seront capables d’exploiter ces données et de les transformer en applications utiles. D’autres risquent de se laisser dépasser et de prendre du retard. Grâce à l’IA/ML, les équipes de trésorerie peuvent s’assurer qu’elles positionnent leurs organisations sur la voie du succès.

Ressources connexes