Prévision des flux de trésorerie à l’aide de l’apprentissage automatique pour un groupe de vente au détail

Un groupe de vente au détail avec près de 4 000 points de vente en Europe

Un groupe de distribution basé en France et opérant au niveau mondial, avec une présence significative en Belgique, au Portugal et en Pologne. Il compte 9 marques de magasins dans différents segments de vente au détail avec environ 4 000 points de vente.

Le groupe de vente au détail était à la recherche d’un outil qui lui permettrait d’établir des prévisions précises sur son équilibre financier quotidien, et ce dans le but notamment d’avoir une visibilité sur son excédent ou son déficit de trésorerie. Avant la solution, les prévisions de trésorerie étaient effectuées manuellement pour chaque jour et actualisées chaque semaine. Il était nécessaire à la fois d’améliorer la précision des prévisions et d’automatiser le processus.

Prévision des flux de trésorerie à l’aide de techniques de Machine Learning

DecisionBrain a apporté une solution en développant un moteur de prédiction pour l’ensemble des flux financiers entrants et sortants du groupe, prévoyant les flux de trésorerie quotidiens pour les 3 prochains mois. Il a été adopté une approche dite « d’apprentissage supervisé », consistant à créer un modèle de Machine Learning basé sur des données historiques et à l’appliquer à la prévision des flux futurs.

La solution consistait à :

• Identifier les groupes de flux ayant des règles similaires. Plus un groupe de flux est granulaire, plus les résultats sont précis. Cependant, une granularité plus élevée implique plus d’exercices d’apprentissage automatique et plus de temps pour régler et entretenir les modèles. Le regroupement initial des flux en 56 groupes a été réduit à 10 groupes.
• Identifier les caractéristiques et les règles permettant de prévoir les flux, comme, par exemple, le jour de la semaine ou le jour du mois
• Sélectionner la période de formation, c’est-à-dire la période des données historiques utilisées pour créer le modèle.
• Enquêter sur les données aberrantes. Cela consiste soit à attribuer une nouvelle fonctionnalité, en l’excluant du modèle, soit à créer un modèle d’apprentissage automatique distinct. Par exemple, la confrontation de la période COVID-19 avec la période post-COVID-19, qui a nécessité un réglage réactif supplémentaire.
• Trouver un algorithme d’apprentissage automatique approprié, qui donne la marge d’erreur la plus faible.
• Effectuer les tests et comparer les résultats du modèle aux résultats manuels, en termes d’erreur absolue moyenne divisée par la valeur moyenne des données réelles, où l’erreur absolue moyenne est la différence absolue moyenne entre la prédiction et les valeurs réelles.

L’objectif principal de la solution de DecisionBrain était d’améliorer les prévisions manuelles. Après un test en direct qui a duré 4 semaines, il a été prouvé que les prédictions du modèle étaient systématiquement et sensiblement meilleures que les prédictions manuelles, à la fois au niveau global et des groupes de flux.