“Depuis que nous faisons appel au machine learning pour établir nos prévisions financières, nous disposons d’informations nettement plus précises”, apprécie Jas Brar, CFO de Microsoft Belgique et Luxembourg. “En outre, les collaborateurs du département financier peuvent se concentrer sur les clients au lieu d’assister à d’interminables réunions.”
En avril, Microsoft devenait la première entreprise mondiale en termes de capitalisation boursière. “Le simple fournisseur de logiciels que nous étions encore voici quelques années incarne aujourd’hui l’un des principaux acteurs dans les services cloud, avec notamment Azure, Dynamics 365 et Office 365”, souligne Jas Brar, directeur financier de Microsoft Belgique et Luxembourg. “La presse attribue cette évolution à Satya Nadella, notre CEO depuis 2014. Mais il ne fait aucun doute que ce succès a été amplifié par l’optimisation de nos processus internes.”
La technologie offre une solution
“Microsoft doit aussi trouver sa voie en cette époque où tout tourne autour des données”, ajoute Jas Brar. “Je pense notamment au financial forecasting, l’établissement des prévisions financières. Le monde entier est confronté à une explosion de données et au large éventail des systèmes qui les génèrent. Les outils traditionnels dont disposaient nos départements financiers n’étaient plus appropriés pour saisir cette complexité croissante. De plus, nous devions accomplir de nombreuses tâches manuelles, ce qui accroissait la quantité de processus susceptibles de mener à des erreurs.”
Comment le travail s’organisait-il auparavant? “Nous établissions des perspectives financières pour le reste de l’année dans un quartier général régional, à partir de données mais aussi d’interprétations de ces données, interprétations qui sont sujettes à des biais ou à des partis pris”, se souvient Jas Brar, lui-même basé à Bruxelles. “On se retrouvait fréquemment enfermés pendant des heures dans une petite salle de réunion étouffante.”
“Le rapport remontait ensuite au niveau suivant: la région Europe Occidentale. Où ces chiffres étaient agrégés à ceux de nos voisins, et à nouveau interprétés. Ces informations remontaient ensuite au niveau supérieur, la région EMEA (Europe, Moyen-Orient et Afrique, NDLR), où l’on répétait le processus. Les collaborateurs interprétaient les chiffres et donnaient leur point de vue.”
“Au moment où la CFO du groupe, Amy Hood, recevait ses chiffres, deux à trois semaines s’étaient écoulées et plus de 800 collaborateurs avaient travaillé sur le rapport. C’est pourquoi nous avons recherché un système plus léger afin d’améliorer la précision des prévisions et de réduire la part subjective mais surtout un système plus rapide. Et nous avons trouvé une solution dans la technologie. Grâce au machine learning, nous bénéficions désormais de prévisions financières en deux à trois jours. Avec, à la clé, une simplification considérable de la manière dont nous établissons nos prévisions, ainsi qu’une réduction du nombre de personnes impliquées dans l’ensemble du processus.”
Davantage de profondeur
“Le machine learning facilite le travail de nos collaborateurs, leur fait gagner du temps et se montre en moyenne deux fois plus précis. Nos collaborateurs peuvent donc se concentrer sur l’essentiel. Ils ont beaucoup plus de temps pour s’occuper des clients, étudier plus en profondeur leurs modèles d’affaires et participer à leurs réflexions. Les clients peuvent ainsi prendre de meilleures décisions.”
Dorénavant, les prévisions financières sont disponibles en temps réel, souligne Jas Brar. “Notre département financier mondial ne doit pas attendre les chiffres pendant deux semaines. De même, nos autres départements reçoivent des chiffres factuels et des modèles plus corrects, libérés de biais humains. Ils peuvent dès lors prendre plus rapidement les bonnes décisions. À condition, bien entendu, que chacun soit prêt à partager ses données. Mais nous avons franchi cette étape depuis longtemps.”