Prédire quand votre facture sera payée grâce au machine learning

Le délai de règlement prédicitif

Dans Minority Report, Tom Cruise et son unité spéciale de police sont capables d’empêcher les crimes avant qu’ils ne soient commis.

De la même façon, Dunforce est capable de prévoir les délais de paiement de vos clients avant qu’ils ne paient votre facture. Vous êtes ainsi capables d’anticiper et de prendre des mesures proactives dans la gestion des risques ou dans vos actions de recouvrement.

La différence entre Tom Cruise et Dunforce ? Le premier possède des dons de prescience. Le second s’appuie sur de l’analyse prédictive, notre algorithme maison, associé à des outils de machine learning.

Une facture c’est l’aboutissement du cycle commercial

Pour bien comprendre l’intérêt d’anticiper le cycle d’une facture, il faut en mesurer l’importance vitale pour l’entreprise. En effet, la vie d’une entreprise peut se résumer à un cycle Vente-Encaissement, ou “Order to Cash” en anglais.

En schématisant ce cycle, on peut le décomposer selon les étapes suivantes :

Gestion compte client

Au moment où est émis la facture, le processus commercial n’est pas terminée, loin s’en faut. Et d’ailleurs notre solution Dunforce ne s’intéresse qu’à ces dernières étapes : suivi du compte client, relances, encaissement, reporting. Il s’agit d’étapes critiques qui concrétisent la réalisation commerciale et permet à l’entreprise de survivre !

Ces étapes nécessitent depuis toujours – et encore aujourd’hui – la mise en œuvre de nombreuses petites tâches, fort consommatrice de temps et de ressources. Comme la découverte du bon interlocuteur dans l’entreprise cliente, l’établissement de plans de relance en fonction des clients, des montants de facture, la mise en place de ces relances avec l’envoi d’emails ou courriers ou d’appels, la proposition du bon moyen de paiement, l’encaissement de la dite facture, son suivi en comptabilité avec le lettrage, voir le suivi chez le client avec la circularisation… Et toutes les autres actions en cas de souci sur le produit, sur le retard de paiement, l’erreur sur le paiement ou le moyen de paiement, etc…

Dans la majorité des cas, ces tâches sont effectuées manuellement, de manière lente, répétitive, sujettes à erreur ou omissions, et sont coûteuses. Avec une importance cruciale pour l’entreprise et sa trésorerie.

En résulte un manque de visibilité sur le suivi, les paiements, les impayés, avec un pilotage des risques délicat : quels sont les clients à risque ? Comment leur parler de manière spécifique ? Comment avoir une visibilité concrète sur les encaissements ?

Si ces actions sont externalisées chez un prestataire, elles seront gérées de manière standardisée, sans prendre en compte les spécificités de chaque client. Ce qui peut mettre en péril la relation client.

Ces situations mènent vers des délais de paiements parfois trop longs, des problèmes de trésorerie et surtout des démarches fastidieuses, à la valeur ajoutée limitée.

Beaucoup de risques pour une activité critique.

prévoir son cycle d'encaissement

L’analyse prédictive à la rescousse

Grâce au machine learning, nourri par d’immenses quantités de données sur votre fonctionnement et celui de vos clients, il est possible de construire des modèles prédictifs pour la gestion de vos factures. Vous êtes capable de prévoir avec une grande précision si vos factures seront payées ou non, ainsi que d’en estimer le délai. Vous permettant de construire des plans d’encaissement et de relances spécifiques aux particularités de chaque client.

Plutôt que de travailler de manière standard et uniforme vous êtes précis et personnalisez chacune de vos actions en fonction de vos clients. Concrètement vous êtes capables de répondre aux questions suivantes :

  • Quel(s) client(s) surveiller en priorité ?
  • Quand relancer ? A quelle fréquence ?
  • Quel est le meilleur canal de relance ?
  • Que dire à chaque client ?

Vous pouvez estimer vos recettes futures ainsi que votre prévisionnel de trésorerie. Vous êtes beaucoup plus proche de la réalité, de vos clients et non plus simplement de vos factures.

Vous anticipez en amont les comportements de vos mauvais payeurs pour prendre des mesures pertinentes et proactives. Vous gagnez grandement en efficacité. Vos clients vous paient plus vite. Vous désamorcez le conflit avant même qu’il ne commence à prendre racines.

Dunforce propose une solution globale en associant la prévision du cycle d’encaissement avec l’automatisation des tâches nécessaires à la gestion du poste client.

Les bénéfices sont nombreux :

  • Visibilité sur l’intégralité du processus Order to Cash
  • Pilotage amélioré avec une meilleure allocation des ressources
  • Maîtrise du risque en étant alerté plus tôt sur les potentiels dangers
  • Réduction des délais de paiement clients grâce à des actions spécifiques
  • Amélioration de la trésorerie et baisse du besoin en fonds de roulement

Une étude réalisée par Capgemini démontre, par exemple, qu’une meilleure allocation des ressources dans le cycle Order to Cash, pour une société qui réalise 10 milliards € de Chiffre d’Affaires, peut permettre des économies d’environ 35 millions € par an.

Application du prédictif auprès d’un de nos client

Nous avons récemment mis en place une solution d’analyse prédictive auprès d’un client grand compte pour améliorer la productivité de son cycle d’encaissement.

La mise en place de la solution comprenait :

  • Une analyse et un audit du processus existant pour déceler des pistes d’automatisation et de gain en efficacité.
  • Un travail sur les données accumulées (data set) sur les clients de l’entreprise pour une prise de conscience des spécificités de chacun d’entre eux, dans le but de dégager des patterns.
  • L’identification des critères d’aide à la décision (ou indice d’efficacité).
  • Et l’utilisation de ces critères dans l’algorithme de notre plateforme pour automatiser des plans de relances et l’allocation de ressources plus efficace dans les actions de recouvrement.

La méthode Dunforce s’articule ainsi autour de la construction de ces indicateurs intelligents (KPI) et d’algorithmes qui permettent à partir de données passées (les factures, les clients, etc…) d’anticiper avec pertinence les données futures (avec un pourcentage d’erreur).

Ces “prédictions” vont pouvoir permettre – si aucune action n’est menée – d’anticiper le cycle normal d’encaissement de chaque facture.

Et en retour d’initier les ajustements des plans que notre plateforme et les équipes du client mettent en place.

Concrètement, notre démarche de “machine learning” pouvait ainsi se résumer ainsi : Comment, peut-on construire le modèle qui range les factures dans des catégories de délai de paiement et dans des catégories de clients afin d’initier les bonnes démarches de recouvrement ? Le tout, à partir des critères associé à des factures et à des clients.

Le challenge dans ce type de situation est la diversité des profils clients, notamment la différence entre un client récurrent et un nouveau client. Selon le secteur d’activité, cela peut aller de 20% à 80% de clients nouveaux.

Pour notre partenaire, nous avons ainsi construit un modèle avec plus d’une cinquantaine de critères liés à ces factures. Certains évidents comme l’échéance, le montant, les produits, etc… D’autres plus subtils, comme le canal de distribution, les conditions générales, le commercial chargé de l’affaire, etc…

Et pour la partie clients, le modèle s’est basé sur une vingtaine de critères – région, chiffre d’affaires, en-cours moyen, ancienneté, etc…

Dans le schéma supervisé, les factures sont rangées autour de classes de délais de règlement : en avance (si si, ça arrive parfois), à l’échéance, à 10 jours, etc…

Ces catégories sont classiques dans le suivi de factures, souvent associées à des actions spécifiques.

Nous avons également défini les actions types menées par profil de client, relances mails, courriers, nombre d’appels, clients fidèles, clients VIP, etc…Déterminant ainsi des catégories de clients pour le recouvrement.

En résumé, la construction de ce modèle intégré à notre plateforme a été un challenge passionnant, et avec un résultat particulièrement surprenant et efficace. Cela contribue aujourd’hui de manière très concrète à notre algorithme de suivi, le cœur de notre plateforme.

Et cela a permis à ce partenaire d’identifier les potentiels risques en amont afin de mettre en place des plans préventifs plutôt que subis. Cela lui offre une meilleure visibilité et un pilotage plus efficace des actions.

L’objectif de réduction du délai de règlement client de 7 jours à été atteint, avec un impact positif de 12 M€ sur le Besoin en Fonds de Roulement.

 

Dans Minority Report il est question de pouvoirs surnaturelles et de science-fiction. Chez Dunforce, on préfère se baser sur de la donnée et des algorithmes.

Comment la RPA peut-elle aider une société en croissance à structurer ses processus.

valentin@dunforce.io

This entry has 0 replies