Le renforcement de la prévision de trésorerie figure parmi les priorités des directions financières et des trésoriers, mais il existe un flou autour du sujet.
De quoi parle-t-on exactement ? S’agit-il de :
- Limiter les écarts en prévisions et réalisations, mais le cas échéant, quelle cible d’écart maximale viser ?
- Mettre en place une prévision directe, indirecte, ou de réconcilier ces 2 approches ?
- Implémenter un SI, mais lequel choisir (un Excel amélioré ? un outil dédié ? un module de cash dans un TMS ?) et, surtout, quel processus associer à cet outil ?
Ou est-ce un peu tout cela à la fois ?
Et, avant tout, pourquoi renforcer sa prévision de trésorerie ? S’agit-il de :
- S’assurer que l’entreprise sera en capacité d’honorer ses paiements et d’apparier au mieux ses cash in et cash out
- Montrer à l’actionnariat et/ou au top management qu’il y a une maitrise et une gestion du cash ?
- Être plus à l’aise lors d’opérations de M&A, d’éviter le sur-financement, en plus de respecter ses covenants ?
Chez Mageia Partners, on distingue 4 niveaux de maturité dans le domaine de la prévision et ceux ayant atteint le niveau 4, « l’élite de l’élite », se comptent sur les doigts des 2 mains :
Niveau 1 : Avoir une prévision directe et une personne responsable de la prévision du groupe intégrée à un processus régulier de mise à jour de la prévision
Niveau 2 : S’appuyer sur des dispositifs, i.e. sur un outil dédié, ou une combinaison d’outils (qui ne tombent pas en désuétude lorsque ses utilisateurs quittent le groupe), et sur des relais en local (cash controller, Hub de trésorerie, CSP…)
Niveau 3 : Faire un bridge entre les prévisions directes et les prévisions indirectes et expliquer au mieux les écarts
Niveau 4 : Faire du « prédictif » et non plus de la « prévision ». Il s’agit alors de tirer parti de l’IA (algorithme) et de l’historique pour mettre en place un modèle qui génère automatiquement une prédiction à la demande et qui « auto-apprend »
Le passage du niveau 3 à 4 n’est pas neutre. Il implique de sortir de ses croyances, de s’appuyer sur la puissance de la data science pour gagner en productivité et atteindre de manière durable des écarts inférieurs à 5 % entre prévisions et réalisations. Alors, à quand la généralisation du niveau 4 ?
