Pourquoi les contrôleurs de gestion deviennent des « citizen data scientists »

L’économie numérique, en plein essor, influe non seulement sur la manière dont les entreprises interagissent avec leurs clients, mais aussi sur leur fonctionnement interne. La fonction du contrôle de gestion doit s’aligner, et la plupart des contrôleurs estiment qu’il existe aujourd’hui une demande de contrôleurs 2.0. Qu’entendent-ils par-là ?

Par Robert Ruf, Solutions Architect chez SAS.

Pour certains, les rôles de « business partner » et « comptable » sont très proches. Pour d’autres, en revanche, la différence est bien réelle. Tout dépend à quelle école du contrôle de gestion l’on se réfère.  En théorie comme en pratique, les entreprises affichent de nettes différences dans le contrôle interne. Je constate également que le rôle du contrôleur moderne nécessite une part grandissante de compétences analytiques. L’importance des processus analytiques est néanmoins variable ; aujourd’hui encore, les principales problématiques portent sur les différentes options possibles et les recommandations associées.

 

Le rôle croissant de l’analyse

 

Le traitement, l’analyse et l’interprétation des données sont une part essentielle du contrôle et exigent un savoir-faire technique, analytique et professionnel dans différents domaines interdisciplinaires. Toutefois, la définition du « contrôle » et celle du data scientist partagent plusieurs points communs. Les contrôleurs doivent-ils pour autant être des data scientists ?

La réponse est non, mais l’accroissement du nombre de données analysées par les départements de contrôle de gestion impose néanmoins certains changements. Présenter ses évaluations de façon plus colorée et plus attractive ne suffit pas. Les entreprises doivent développer et utiliser de nouvelles méthodes d’analyse des données, comme l’analytique, pour en tirer de précieux enseignements et créer ainsi un avantage concurrentiel déterminant.

 

Un accès plus rapide pour une meilleure compréhension

 

Comment un contrôleur expérimenté peut-il utiliser l’analytique sans l’aide d’un data scientist ? Avec Excel ? R ? Une solution cloud ? Tapez Contrôle + Analytique sur Google, et vous obtenez près de 700 000 résultats. Les possibilités semblent illimitées, mais par où commencer, et de quelle manière ? À la fois facile d’accès et intuitive, l’exploration visuelle des données est une option à portée de main qui permet de révéler de précieuses informations. On peut établir quatre étapes, variables selon la base de données, les connaissances analytiques et le niveau de maturité.

  • Étape n° 1 : Questions techniques

Avant d’effectuer une analyse, vous devez toujours en demander la raison, et identifier les données à analyser pour chacun des résultats recherchés. A-t-elle pour but de vérifier certaines hypothèses, par exemple ? Qu’est-ce qui vous aiderait à déterminer si celles-ci sont vraies ou fausses ?

  • Étape n° 2 : Exploration des données

À partir de ces questions, vous pouvez commencer à explorer les données dont vous disposez. Vous devez tout d’abord les vérifier. Leur qualité est-elle suffisante (y a-t-il des valeurs manquantes ou des expressions de catégorie uniformes, par exemple) ? Le format des variables d’analyse concernées est-il correct (données temporelles ou géographiques, par exemple), de même que leur structure (clarté des hiérarchies, etc.) ? Les indicateurs nécessaires peuvent-ils être calculés à partir des mesures existantes ? Quels sont les schémas identifiables ?

  • Étape n° 3 : Modélisation analytique

L’analytique est particulièrement utile pour la modélisation. Pouvez-vous dégager un modèle décrivant, par exemple, le comportement des clients ou la qualité de la production ? Vous pouvez utiliser l’analyse des facteurs qui influencent certaines variables cibles, telles que les ventes ou les coûts. Par ailleurs, avec des analyses de classification, vous avez la possibilité d’identifier des segments de clients homogènes, puis de les analyser individuellement. Les outils analytiques modernes permettent à l’utilisateur de créer un modèle visuellement simplifié, à partir d’une analyse exploratoire. Si des connaissances statistiques élémentaires peuvent se révéler appréciables, il est toutefois inutile d’être un expert en méthodes ou en algorithmes.

  • Étape n° 4 : Analytique avancée (data science)

Selon votre niveau de maturité analytique, vous pouvez développer l’analyse à votre gré, à l’aide de procédures plus complexes et de paramètres détaillés. Une connaissance approfondie des procédures statistiques est alors nécessaire, mais vous n’aurez pas besoin de savoir coder un modèle vous-même. Des outils graphiques le font pour vous et facilitent l’utilisation des techniques analytiques avancées. Il est même possible d’industrialiser des fonctions analytiques afin de transformer chaque analyse en processus productif.

Les étapes 1 et 2 sont des activités de contrôle classiques. En utilisant des méthodes de visualisation adaptées, le contrôleur peut analyser rapidement et aisément les données. Quant aux étapes 3 et 4, elles sont progressivement devenues incontournables dans les entreprises digitalisées.

 

Avec ces nouvelles compétences, le contrôleur devient « citizen data scientist »

 

Ce processus n’en est qu’à ses débuts. Le contrôle de gestion utilise d’ores et déjà les procédures analytiques de modélisation. Les possibilités statistiques des outils sont souvent sous-exploitées, mais cela tend à s’améliorer. Le contrôleur et le business partner de demain travailleront de manière bien plus analytique. Parallèlement, le nombre de questions analytiques augmente beaucoup plus rapidement que le nombre de data scientists. Il n’est donc pas surprenant que la plupart des contrôleurs sollicitent l’aide d’experts de l’analyse métier pour réaliser leurs propres analyses.

 

************************

 

Robert Ruf, Solutions Architect chez SAS

Spécialiste de la business intelligence, du data warehousing, de l’analytique et des Big Data, Robert Ruf a rejoint SAS en 2004. Expert des solutions de BI, il conseille les entreprises allemandes, autrichiennes et suisses, tout en consacrant une partie de son temps à l’enseignement (Big Data et BI). Robert Ruf a étudié l’économie de l’informatique à Mannheim et est titulaire d’un MBA en « Gestion de l’information et de la performance ».

 

***********************

Téléchargez le livre blanc « Prendre plus rapidement de meilleures décisions avec SAS Visual Analytics »

 

En complément :

La transformation digitale du contrôle de gestion,

Et l’apport de l’intelligence artificielle.