De contrôleur à visionnaire
Ash Noah, Vice President and Managing Director of Learning, Education, and Development chez AICPA-CIMA, a présenté le concept Finance Assessment Model for Effectiveness (FAME) et expliqué comment les DAF et la fonction Finance peuvent être classés dans l'un des cinq rôles suivants au sein de leur entreprise : contrôleur, conseiller, partenaire, créateur de valeur et visionnaire.
« Il faut un modèle de données Finance qui soit la seule source des données, et c'est ainsi que nous mesurons l'efficacité de ces données, a-t-il expliqué. Il est absolument essentiel de relier les données financières et non financières afin de mesurer les actifs immatériels lorsque l'on examine les données. » Il n'y a pas de données financières pour la gestion des actifs immatériels, mais il y en a d'autres que la fonction Finance doit exploiter.
« La Finance doit s'approprier son data model, qui consiste à avoir une seule source de données et qui est une mesure clé de l'efficacité de la Finance en tant que fonction créatrice de valeur et visionnaire, a-t-il ajouté. Comme il n'existe pas de mesures financières pour gérer les actifs immatériels, il est absolument essentiel de relier d'autres données non financières aux données financières. »
La fonction Finance a besoin de ce type de capacités pour permettre à l'entreprise de prendre plus rapidement des décisions data-driven, a-t-il ajouté.
Déceler la valeur dans les données non traditionnelles
Scott Moyer a cité l'étude de cas de Team Car Care, une importante franchise de Jiffy Lube et cliente de Workday, qui utilise des données non traditionnelles, telles que les rapports météorologiques, pour prévoir les revenus et la rentabilité de chacun de ses magasins. « Ils ont constaté au fil des ans que lorsque la météo était mauvaise, les gens ne changeaient pas l'huile de leur voiture, a-t-il expliqué. Ils peuvent alors prévoir le nombre de collaborateurs et la quantité de stocks dont ils ont besoin, par magasin et par heure. On est là au cœur de la création de valeur. »
Matt House a souligné l'importance de réfléchir à la structure des données et au niveau de granularité nécessaire, faisant allusion à l'étendue des sources incorporées par Aon.
« Concernant les sources de données externes, nous avons identifié, grâce à des recherches universitaires et à nos propres analyses, un certain nombre de données macroéconomiques que nous pouvons utiliser pour nous aider à comprendre l'évolution de certaines entreprises dans certaines zones géographiques, a-t-il indiqué. Nous utilisons les données de Moody's Analytics ou d'autres sociétés de prévision tierces, ainsi qu'une base de données de McKinsey pour aider à comprendre l'évolution des primes d'assurance et de la croissance économique, l'objectif étant de réfléchir à la manière dont nous investissons et de rester en phase avec la demande. »