Optimiser les dépenses et prendre des décisions basées sur des faits pour améliorer la performance
La finance data-driven ne se contente pas de gérer plus efficacement des chiffres grâce à des capacités de normalisation, de simplification et de rationalisation. Elle contribue également à optimiser les performances de l’entreprise en permettant aux dirigeants de bénéficier d'une visibilité plus étendue et approfondie des opérations, d'effectuer des analyses plus instructives et de prendre des décision plus rigoureuses basée sur des faits.
Comment parvenir à mettre en place une culture de la finance data-driven ?
Une étude publiée par Hackett Group, un cabinet d’analyse comparative de premier plan spécialisé dans la finance, et d’autres analystes montre les avantages d'un département financier data-driven pour les entreprises :
- Des structures de dépenses allégées, qui permettent d'allouer davantage de ressources aux services à forte valeur ajoutée
- Moins d'indicateurs et une hiérarchisation plus efficace qui se fonde sur ce qui est véritablement important pour l’entreprise
- Une augmentation du temps et des ressources dédiés à l’analyse et aux commentaires – qui s'accompagne d'une réduction du temps et des ressources alloués à la collecte de données
- Un renforcement des capacités en matière de prédictions et d'alertes
- Des taux d’automatisation plus élevés et une exploitation des technologies de pointe afin d'améliorer l’efficacité et la flexibilité et d'obtenir davantage d'informations
En résumé, la finance data-driven n'est pas un outil ni une technologie unique, ni même un engagement à collecter toutes les données disponibles. Il s'agit plutôt d'un mode de fonctionnement et d'une approche qui s'appuie sur des données probantes afin d'établir des priorités, d'évaluer le rendement et de prendre des décisions. Pour les directeurs administratifs et financiers (DAF), elle représente également un moyen de renforcer leur rôle stratégique et consultatif auprès des PDG et des autres dirigeants de l'entreprise.
Le DAF 2.0 : un champion de l’analyse et un conseiller de l'entreprise qui murmure à l'oreille des décideurs
La finance data-driven et le Big Data transforment le rôle du DAF – non seulement la nature de ses activités, mais également les raisons pour lesquelles il les entreprend et les moyens qu'il utilise. Voici quelques exemples de la manière dont ces éléments changent la donne en matière de stratégies et de tactiques d'entreprise :
Une approche fondée sur des principes pour l’analyse des Big Data
Les départements financiers data-driven peuvent devenir des champions de l’analyse en s'appuyant sur cinq principes élémentaires : agilité, durabilité, extensibilité, prévisibilité et responsabilité.
Prendre exemple sur « Moneyball » et mettre en lumière des opportunités de réduction des dépenses
Les meilleurs directeurs financiers gèrent les données en les considérant comme un atout et exploitent leur analyse afin de générer de la valeur à partir des ressources de l’entreprise et mettre au jour des « opportunités cachées » en matière de réduction des dépenses ou d'amélioration des opérations.
Un rôle plus stratégique pour les DAF
Il s’agit presque d'une réécriture de la fiche de poste pour les directeurs financiers : ceux-ci sont censés fournir des analyses plus détaillées et des informations plus facilement exploitables, tout en perfectionnant leurs capacités prédictives et les informations relatives aux clients, aux produits et aux fournisseurs.
Comment faire de la finance data-driven une réalité
Par quoi les responsables financiers doivent-ils commencer pour tirer profit du potentiel transformatif des Big Data et de leur analyse ? Cela dépend en grande partie de la rapidité avec laquelle leurs entreprises mettent en place des systèmes de gestion des données qui favorisent la transparence financière, ainsi que les structures organisationnelles et les pratiques décisionnelles correspondantes. Pour la plupart des organisations, cete transition porte sur de multiples aspects. Cela signifie que les directeurs financiers et les autres dirigeants qui souhaitent faire de la finance data-driven une réalité doivent se poser les bonnes questions afin de :
- Définir la stratégie : Dans quelle mesure les Big Data et l’analytique permettent-ils d'améliorer les performances ? Quelle est l'argument commercial pour la finance?
- Comprendre le fonctionnement des Big Data : Quels composants technologiques (notamment les sources, les entrepôts et les plateformes de visualisation des données) sont les plus adaptés et comment configurer l'environnement de manière optimale pour favoriser la finance data-driven ?
- Mettre en place de bonnes équipes composées d'individus adéquats : Quelles sont les compétences requises et comment les équipes doivent-elles être structurées?
- Inculquer et entretenir une culture data-driven : L’entreprise est-elle prête à prendre ses décisions en utilisant de nouveaux moyens ? L’analyse de données permet-elle de se défaire d'une gestion fondée sur des méthodes « intuitives » ou qui reposent sur l'ancienneté ?
La finance data-driven ne se contente pas de résultats nets
Faire plus avec moins et réduire le coût des départements financiers sont les éternels impératifs des directeurs financiers. La finance data-driven permet indiscutablement d'obtenir des résultats dans ces domaines. Toutefois, elle donnent également aux directeurs financiers l'occasion d'endosser le rôle de conseiller stratégique pour s'adresser au reste de l’entreprise, en fournissant des informations qui favorisent l’excellence opérationnelle et l’innovation, tout en éliminant le gaspillage et en réduisant les risques.
Entreprises data-driven
Boeing
Au-delà de la gestion des chiffres, le département financier de la plus grande entreprise aérospatiale au monde conseille l’entreprise en s'appuyant sur des données qui débouchent sur des actions, afin de concrétiser sa vision stratégique et de transformer sa culture en matière de prise de décision.
Grainger
Pour le fournisseur industriel qui appartient au classement Fortune 500, des données financières et opérationnelles plus granulaires et une modélisation avancée ont conduit à la création d'indicateurs de rentabilité plus détaillés, plus précis et plus cohérents – par produit, par client ou par canal.
Pour en savoir plus
