L’explosion et l’omniprésence de la donnée en entreprise sont de réelles opportunités de réinventer notre manière de travailler. Avant d’entreprendre un projet d’analyse de données, il est essentiel de bien connaitre les objectifs de chacune de ces analyses. Ajouter une vidéo
Selon leurs niveaux d’automatisation et d’intégration, les équipes financières peuvent s’appuyer sur différentes natures d’analyses de données pour optimiser le pilotage des risques :
L’analyse de données descriptive
L’objectif est d’identifier des exceptions dans les processus et de comprendre ce qu’il s’est passé et dans quel contexte (i.e. quoi, quand et comment).
Ces analyses sont réalisées à partir d’indicateurs dynamiques, de contrôle de cohérence et de croisement de données.
Quelques exemples d’indicateurs et de contrôles automatisés :
- Calcul de délai de paiement
- Antériorité et nombre de commandes validées sans réception ou sans facture
- Double paiement de facture fournisseur
- RIB fournisseur présent dans un paradis fiscal
- Transaction avec un pays avec une devise interdite
Démarche appliquée
- Extraction manuelle d’une ou plusieurs sources de données provenant de fichiers plats, d’API, de SGBD, d’applications métier
- Utilisation de requêtes ou « scripts » : ensemble d’instructions données à un logiciel pour qu’il extrait les flux de données d’un processus.
Outils utilisés
- Préparation des données (Alteryx, SAS, Datawatch…)
- Analyse des données (ACL, Idea…)
- Business intelligence (Microsoft Power BI, Microstrategy…)
- Visualisation des données (Tableau Software, Qlik…)
Livrables
- Rapports d’exceptions à partir des applicatifs métiers
- Rapport Adhoc
L’analyse de données diagnostique
L’objectif est de comprendre l’origine des exceptions identifiées dans les processus (i.e. pourquoi et où est-ce arrivé?)
Ce type d’analyse permet d’identifier des anomalies et de comprendre les biais du processus ayant entrainaient celles-ci. On peut ainsi travailler sur l’amélioration des processus afin d’éviter que certaines anomalies se reproduisent. Parallèlement, l’amélioration des processus permet également des gains de productivité.
Quelques exemples d’analyses diagnostiques :
- Analyse des étapes composant un processus et existence de variantes par rapport au processus en vigueur dans l’entreprise
- Séparation des tâches :
- Création et validation de bon de commande par un même collaborateur
- Validation de la réception et saisie de la facture par un même collaborateur
- 2 et 3 Way Match :
- Analyse du paramétrage des seuils de tolérance d’écart (prix et volume)
- Identification des transactions en erreur (prix et volume) à partir des commandes, réceptions et factures…*
- Analyse de risque :
- Doublon de noms, de numéro de TVA ou de numéro de SIREN rattaché à un fournisseur
- Doublon de noms, de numéro de TVA ou de numéro de SIREN rattaché à un fournisseur
Démarche appliquée
- Utilisation de requêtes ou « scripts » (objectif : où est le problème ?) : ensemble d’instructions données à un logiciel pour qu’il examine si les contrôles internes ont été violés. En plus de réduire l’effet de l’erreur humaine, inévitable dans une revue manuelle), le script rend l’action rapidement reproductible.
- Le data mining (objectif : pourquoi est-ce arrivé ?) afin d’identifier les corrélations entre de nombreuses bases de données d’un ou plusieurs applicatifs
Outils utilisés
- Outils d’analyse descriptives (cf. slides précédent)
- Requêtes SQL …
- Data mining (Blueway…)
- Outils de GRC (i.e. Governance Risk Compliance) (SAP GRC, Oracle Management, BWISE, Supervizor…)
- Process mining (Celonis…)
Livrables
- Analyses fonctionnelles afin d’identifier les solutions techniques répondant aux enjeux à couvrir
- Paramétrages et écriture de procédures de mise en œuvre des requêtes et des applications de data/process mining
- Diagnostic de processus
L’analyse de données prédictive
L’objectif est de prédire des résultats futurs en fonction des données historiques (i.e. qu’est ce qui arrivera et pourquoi ?).
Démarche appliquée
Mise en œuvre de la vision stratégique d’analyse de données : description exhaustive du processus métier à modéliser, avec une définition de l’objectif métier, des variables, de facteurs de contrôle et des contraintes à analyser.
Outils utilisées
- Outils d’analyse de données descriptive et diagnostique (cf. slides précédents)
- Modèles prédictifs en fonction de la nature des données à analyser
- Outils d’analyse prédictive (Adobe, Board,…)
Livrables
- Construction d’une nouvelle architecture du SI décisionnel du reporting à l’analyse prédictive
- Mise en œuvre d’une plateforme Data Lake
- Modélisation des informations d’aide à la décision
- Élaboration d’un portail décisionnel
👋 Une question? Une remarque? Besoin d’un éclaircissement? Les équipes Altermès sont disponibles pour vous répondre !
👆 Vous souhaitez en savoir plus sur nos offres d’innovation technologique !
