L’Order-to-Cash management est l’un des process les plus délicats à mettre en œuvre et améliorer. C’est pourtant un élément essentiel d’une saine gestion pour les corporates non seulement pour l’optimisation du cashflow mais aussi – et sans doute surtout – pour garantir la satisfaction des clients/utilisateurs.

Si des logiciels permettent depuis un certain temps de rationaliser l’Order-to-Cash, il peut être intéressant, voire opportun, d’anticiper les apports des révolutions techno que le marché commence à proposer.

L’Intelligence Artificielle est devenue un concept fourre-tout. Elle serait (sera) partout, elle soulève des problèmes moraux, elle semble hors-sol, comprendre réservée à des spécialistes quand son application pratique reste confuse. Mais si on la décompose en éléments simples, son intérêt pour les directions commerciales et financières se révèle et peut permettre d’engager une réflexion sur sa mise en œuvre pratique.

A la base il y a les data : des quantités, des prix, des noms, adresses, références, dates…. Ces data sont stockées dans différentes bases et circulent selon différents canaux.

Ensuite le maniement de ces data que l’on peut : identifier pour pouvoir les injecter dans un système d’information (à partir d’un mail, d’une facture papier, d’une commande via le site web), transformer pour les rendre homogènes (pensez aux formats des dates, des nombres, des adresses, à la non-unicité des référentiels), comparer pour révéler des divergences par rapport à des moyennes ou comportements (les quantités commandées peuvent être anormales, le renouvellement d’une commande en retard…), automatiser pour gagner en performance et/ou diminuer les erreurs (malheureusement souvent humaines), des datas que l’on peut, pour finir, valider pour notamment lutter contre la (les) fraude(s).

Ce maniement s’effectue à deux niveaux : un algorithme pour la rationalisation, du machine-learning pour l’auto-amélioration des algorithmes. L’algorithme n’est ni plus ni moins que du code, un programme soit indépendant soit inséré dans un logiciel. Le machine-learning c’est l’auto-apprentissage ou l’auto-correction en comparant  une data unique à une série statistique, comparaison qui permet d’ajouter de la valeur à la data et d’optimiser la série statistique.

Data, algorithme, machine-learning, le triptyque permettant de définir une intelligence artificielle et de faire de cette dernière un outil à application concrète pour une entreprise.

L’application de ce triptyque à l’Order-to-Cash est multiple : gestion des commandes, résolution des conflits, facturation/paiement, expérience client/utilisateur. Elle ne pourra qu’améliorer ces différents process sensibles en permettant à la fois de gagner en efficacité et en Qualité de Service.

Pour finir, si vous décidez de franchir le Rubicon de l’IA dans votre entreprise, posez-vous les bonnes questions : coûts (investissement) vs. gains attendus (ou souhaités), développement interne, outsourcé ou acquisition/location d’un logiciel dédié, KPI, planning, suivi. Et bien sûr, c’est l’impératif aujourd’hui, soyez agiles (en parallèle du machine-learning, n’oubliez pas l’importance de l’human-learning…).

 

Cette chronique a été écrite suite à la lecture d’un article très intéressant d’Eric Bussy accessible sur le site Treasury & Risk.

 

Similar Posts