Technologies émergentes pour les solutions IFP & A

Troisième partie de la série « Comprendre l'IFP & A »

Cette série de huit blogs est destinée à ceux qui envisagent de passer à la «planification et l'analyse financières intelligentes» – essentiellement, la modernisation des solutions et des systèmes une approche dynamique de l'analyse. Ici, nous examinerons les technologies à l’horizon qui soutiendront une solution intelligente de planification et d’animation.

Il existe de nombreux nouveaux termes liés à IFP & A, tels que «analyse non structurée», «analyse prédictive» et «apprentissage automatique», mais souvent très peu de détails sur la façon dont ils peuvent être utilisés dans la vie quotidienne. Bien sûr, il existe un exemple étrange, tel que la façon dont les ventes d’un produit dans un supermarché sont liées à un autre en fonction de leur emplacement. Mais que font réellement ces technologies et comment peuvent-elles aider la direction dans le contexte commercial complexe et en rapide évolution?

Peut-être que le meilleur endroit pour commencer est peut-être de considérer la progression de l’analyse au-delà des rapports et de comprendre les raisons de cette situation. Les capacités suivantes peuvent être qualifiées d'intelligence artificielle (IA), car elles tentent d'imiter le comportement d'une personne qui utilise les données pour prédire ou apporter des modifications dans le futur en fonction de données historiques.

Tendance

existe depuis de nombreuses années, mais généralement au sein d’un ensemble statistique dédié. Plus récemment, l’analyse des tendances est devenue une partie de la panoplie d’outils disponibles dans la plupart des systèmes d’analyse sous le nom d ’« analyse prédictive ». Elle utilise des techniques statistiques pour détecter les tendances dans les données d’une variable unique dans le temps afin de produire une formule temporelle les séries. Ceci est ensuite utilisé pour dériver des séries futures avec un degré de confiance quant à l'exactitude des nombres prédits.

Corrélation

Cette capacité suivante reconnaît que pratiquement toutes les variables sont influencées par d'autres mesures, qu'il s'agisse d'actions ou d'hypothèses sur la environnement de travail. Ces liens peuvent être déduits mathématiquement en utilisant une technique appelée analyse de régression. Il existe deux types de variables: une variable dépendante qui est le principal facteur que nous essayons de prédire, et des variables indépendantes qui sont les facteurs que nous pensons avoir un impact sur la variable dépendante. Cette analyse produit une formule qui peut être utilisée pour prédire les résultats futurs de la variable dépendante en entrant des valeurs (ou en utilisant les tendances créées ci-dessus) pour les variables indépendantes.

Corrélation dynamique

Dans cette étape suivante de la progression, la system affine constamment son modèle mathématique des résultats passés et n'exige pas de l'utilisateur qu'il modifie les règles régissant les prévisions. C'est la base de l'apprentissage automatique, où la fourniture constante de données et de résultats permet au modèle de tirer des enseignements des relations et des tendances historiques des données.

Processus de gestion automatisés

Cette dernière étape relie les résultats (ou plus exactement, les exceptions). ) au processus de gestion lui-même. Si une exception est détectée, le système peut automatiquement déclencher une réponse, par exemple en demandant plus de détails sur l'exception ou en provoquant une nouvelle planification partielle des zones affectées. Cela a pour effet de faire passer les organisations de la planification et de la budgétisation annuelles à un processus déclenché par des exceptions prévues.

Modèles de données

Dans le passé, toutes les fonctionnalités ci-dessus nécessitaient que les données soient stockées dans un modèle quelconque. une structure définie. Il s'agirait d'une série de tables de base de données relationnelles, d'une base de données multidimensionnelle ou d'une combinaison des deux.

Aujourd'hui, il existe une autre option dans laquelle les données ne sont pas conservées dans un modèle prédéfini ou organisées de manière structurée, telles que des tables champs et enregistrements définis. Les moteurs de recherche sur Internet capables de produire des analyses à partir du Web qui n’ont pas de structure régulière en sont un bon exemple.

C’est encore un début avec cette technologie en ce qui concerne FP & A. Mais cela promet d'accélérer les analyses car les sources de données, internes et externes à l'organisation, deviennent partie intégrante du modèle.

Limitations

Le facteur limitant de toutes ces technologies est la donnée elle-même. Ils reposent tous sur des données précises et complètes. Ils s'appuient également sur le fait que le monde est rationnel et que les gens prennent des décisions fondées sur une logique solide. Malgré cela, ces outils sont un puissant allié pour la direction car ils cherchent à comprendre le passé et son impact sur l'avenir.

Suivez SAP Finance en ligne: @SAPFinance (Twitter) | LinkedIn | Facebook | YouTube

<! – Commentaires ->