Dès qu’un chiffre bouge, la première question est pourquoi. Les revenus sont sous le plan, la marge brute a glissé, une ligne de coûts a bondi. Le tableau de bord montre le quoi en quelques secondes; les analystes passent ensuite des jours sur le pourquoi, à extraire des données, à découper par région et par produit et à appeler des collègues qui pourraient savoir. Quand l’explication arrive, la réunion est passée à autre chose.
Trois techniques, utilisées ensemble, raccourcissent cette boucle. La décomposition par inducteurs dit combien chaque facteur a contribué. La détection d’anomalies dit lesquelles de ces contributions sont inhabituelles. Un modèle de langage transforme le résultat en quelques phrases simples qui citent les inducteurs. Aucune des trois n’est nouvelle en soi; la valeur vient de leur combinaison, sur des chiffres auxquels les finances se fient déjà.
Commencer par le pont
Toute explication commence par de l’arithmétique. Un pont décompose la variation d’une mesure entre les facteurs qui l’ont produite : pour les revenus, le volume, le prix et le mix; pour la marge, le prix, le mix, le coût des intrants et le transport; pour les charges d’exploitation, les effectifs, les taux et les éléments non récurrents. La même décomposition descend ensuite la hiérarchie, par région, produit et client, pour que le pont dise non seulement quel inducteur a bougé, mais où.
Les règles du pont relèvent d’une décision des finances, pas de la science des données. Convenez-en une fois avec le contrôleur et intégrez-les au modèle de rapports, pour que chaque rapport et chaque explication utilisent la même arithmétique. Si votre équipe revoit déjà un pont chaque mois, par exemple dans le cadre d’une prévision glissante, l’essentiel de ce travail est fait.
Séparer l’inhabituel de l’attendu
Tous les mouvements ne méritent pas une explication. La saisonnalité, les effets de calendrier, les changements de prix planifiés et la croissance budgétée font bouger les chiffres d’une façon dont personne n’a besoin de discuter. La détection d’anomalies apprend, à partir de l’historique, la plage attendue de chaque mesure dans chaque segment, y compris ses cycles hebdomadaires et saisonniers, et évalue l’écart entre la dernière valeur et cette plage. Une cote élevée signifie qu’un mouvement est inhabituel pour ce segment à ce moment-là, et pas seulement qu’il est important. Les seuils fixes ne peuvent pas faire cette distinction : ils signalent chaque pointe saisonnière et ratent la lente dérive qui compte.
Les cotes jouent deux rôles. Elles indiquent aux lecteurs quels inducteurs méritent leur attention, et elles gardent l’explication courte : un commentaire qui énumère chaque mouvement enterre celui qui compte. Elles fonctionnent aussi dans l’autre sens, car un mouvement important que le modèle attendait, comme une pointe saisonnière, mérite une ligne plutôt qu’une enquête.
Laisser le modèle de langage rédiger, pas calculer
Un modèle de langage sait transformer un tableau d’inducteurs et de cotes en phrases lisibles. Ce n’est pas une calculatrice, et on ne devrait jamais lui demander de trouver lui-même les chiffres. La conception qui fonctionne est simple : le modèle de rapports calcule le pont, le modèle d’anomalies lui attribue des cotes, et le modèle de langage reçoit les deux sous forme de données structurées, avec la consigne de commencer par le plus grand inducteur inhabituel, de le chiffrer, de nommer le segment et de citer la source. Chaque chiffre de l’explication peut alors être rattaché à un chiffre du modèle. Les instructions fixent aussi le ton : des mots simples, aucun adjectif que les chiffres ne justifient pas, et toujours le même ordre.
L’explication doit aussi dire ce qu’elle ne sait pas. Si le plus grand inducteur est inhabituel et que rien dans les données ne l’explique, la bonne phrase décrit le mouvement et précise que la cause ne figure pas encore dans les données. Une hypothèse plausible vaut moins qu’une lacune avouée.
Ajouter ce que les données ne voient pas
Bien des mouvements ont des causes extérieures aux systèmes : une hausse de prix annoncée aux clients, l’arrêt d’une usine, un contrat de transport renégocié, une promotion décalée d’une semaine. Tenez un calendrier simple des événements connus, dont l’entreprise est responsable, et fournissez-le au modèle avec les chiffres. Quand un analyste confirme ou corrige une explication, conservez-le aussi. Les explications s’améliorent à chaque cycle, parce que le système apprend ce que l’organisation sait déjà.
Le même calendrier améliore les cotes d’anomalie. Une pointe qui coïncide avec un événement connu est attendue, et l’explication peut le dire en une ligne au lieu de sonner l’alarme.
Garder des personnes dans la boucle là où cela compte
Les explications automatisées changent le rôle de l’analyste plutôt que de le supprimer. Les analystes revoient les explications des mouvements les plus importants et les plus inhabituels avant qu’elles n’arrivent aux dirigeants, enquêtent sur ceux que les données n’expliquent pas, et décident quand un motif récurrent doit devenir un nouvel inducteur du pont. Cette révision est aussi ce qui rend l’approche crédible : les dirigeants savent que l’explication sous leurs yeux a été lue par quelqu’un qui connaît les affaires.
Bâtir les modèles d’anomalies et les relier au modèle de langage relève du travail courant en apprentissage automatique. Décider quels mouvements comptent, et ce que l’organisation doit faire, reste l’affaire des personnes.
Par où commencer
Choisissez une mesure sur laquelle les dirigeants posent des questions chaque mois, habituellement les revenus par rapport au plan ou la marge brute, une hiérarchie, et un pont que les finances approuvent déjà. Produisez les explications en parallèle avec celles des analystes pendant quelques cycles, comparez-les, et publiez quand le contrôleur est à l’aise. Étendez ensuite la démarche aux mesures qui suscitent le plus de questions de suivi.
Le but n’est pas de remplacer l’analyste. C’est de donner aux dirigeants le pourquoi en même temps que le quoi, et de rendre aux analystes le temps nécessaire pour les mouvements qui méritent vraiment une enquête.