Dans l’enquête « 2019 Chief Financial Officer Work Priorities » menée par PricewaterhouseCoopers et la DFCG, la gestion de la performance reste en tête. Sur les 3 leviers d’amélioration de la performance cités, 82% des directeurs financiers préfèrent l’amélioration de la qualité des données et des analyses. En améliorant la qualité des informations de gestion, l’équipe financière peut soutenir une prise de décision efficace. Elle pourra aider à comprendre les progrès accomplis vers les objectifs de croissance.
Choisir le type d’analyse de gestion qui convient aux besoins du décideur
L’analyse des données permet de mieux comprendre les événements et les entreprises. Le but est de faire le meilleur choix le plus rapidement possible. 4 niveaux d’analyse ont été définis :
L’analyse descriptive qui cherche à savoir ce qui s’est passé et l’analyse explicative qui permet de connaitre les causes. Les 2 utilisent des indicateurs de performance (KPI) et de gestion. Ils apparaissent dans les rapports et les tableaux de bord. Soigneusement sélectionnés et soigneusement présentés, ils révèlent une grande partie du processus de prise de décision.
L’analyse prédictive concerne ce qui se passe ensuite. Il permet de faire des déductions et des tendances sur les KPI clés de l’entreprise. De plus, l’analyse prescriptive qui permet d’apporter des solutions fournit des axes optimisés et mieux adaptés à la situation qui se dessine. Par exemple, optimiser le prix de revient d’un produit.
Les analyses descriptive et explicative peuvent être réalisées à l’aide d’outils de Business Intelligence. Les contrôleurs de gestion les utiliser souvent. Les deux autres sont liés au Big Data et nécessitent un Data Analyst ou d’un Data Scientist. Si ces derniers sont faciles à manier avec les algorithmes, leur connaissance métier ne leur permet pas d’appréhender le métier, les clients de l’entreprise l’organisation, le marché et le produit.
Laissons parler les « datas »
Il faut d’abord savoir que le contrôleur de gestion définit avec l’utilisateur le besoin d’analyse s’il faut recourir à des analyses prédictives ou prescriptives. Cela permet de déterminer si l’ajout de 1 ou 2 métriques supplémentaires est nécessaire.
En effet, il aide à identifier, parmi les données disponibles, des leviers d’action ou d’éventuels points d’optimisation qui peuvent valoir la peine d’être investigués. Par exemple, la définition technique des produits manufacturés, l’investissement publicitaire, etc.
Retenons aussi que le contrôleur de gestion est capable de comprendre et d’interpréter les constatations grâce à sa connaissance de l’environnement commercial et de l’entreprise. Il est en mesure de les traduire en construisant des histoires de « data storytelling » et/ou en proposant des formats de « Bridge ».
Donner du sens : « Data storytelling »
Développer le Data Storytelling nécessite de définir le sens, le contenu et l’expression en se posant les bonnes questions :
- À qui parlons-nous ?
- Pour combien de temps ?
- Quel message voulons-nous faire passer ?
- Quelle image véhicule le message à faire passer ?
La présentation au directeur général consiste à montrer visuellement les résultats. En effet, cette présentation explique les raisons de l’écart et propose des actions et des décisions dans un format structuré. Elle présente les résultats ainsi que l’analyse et la vision technique. La présentation au directeur général se concentre sur des informations claires spécifiques.
Instaurer une gouvernance opérationnelle des données
Au-delà des analyses et des tableaux de bord, la mise en place d’une infrastructure fiable est indispensable pour transformer l’information en actif stratégique. Il s’agit d’organiser un véritable cadre de gouvernance, traçabilité et métadonnées afin que chaque indicateur soit assorti d’une source, d’un historien et d’un niveau de confiance. Des éléments techniques comme les pipelines ETL, l’entrepôt de données ou le lac de données doivent être documentés et monitorés via des tests automatisés, des jeux de validation et des règles de qualité (SLA et alerting). La cartographie des flux et le linéage permettent de reconstituer l’origine d’un KPI et d’identifier rapidement un point de rupture, tandis que l’anonymisation et le chiffrement garantissent la conformité et la confidentialité lors des partages internes ou externes.
Enfin, la réussite passe par l’alignement organisationnel : instaurer des processus d’orchestration, des guides de bonnes pratiques et un catalogue de données favorise l’autonomie des métiers et la démocratisation des usages (self-service) sans sacrifier la rigueur. La création d’un centre de compétence et de rituels d’audit facilite la maintenance des modèles, la mise à jour des métadonnées et la revue des scénarios de simulation ou d’analyse de sensibilité. À terme, ce dispositif réduit le temps de mise en production des innovations analytiques, renforce la résilience des prises de décision et augmente la valeur perçue des reportings grâce à une gouvernance qui associe principes techniques, conformité et adoption par les utilisateurs.
