(Tribune) L'intelligence artificielle au service de l'optimisation de la gestion des dépenses

L'intelligence artificielle ou le machine learning vont-ils transformer le monde? Jusqu'à récemment, ces technologies ne donnaient pas vraiment satisfaction. Théoriquement, le concept est solide mais les systèmes d'intelligence artificielle se nourrissent de beaucoup de données. Ce n'est que depuis Internet et l'explosion du Big Data que nous en avons suffisamment pour alimenter ces systèmes et développer leur intelligence.

Machine Learning vs Deep Learning

Le machine learning est basé sur des règles et n'a pas besoin d'un réseau de neurones pour devenir intelligent. Prenons l'exemple d'une liste de fournisseurs dont les noms sont épelés de différentes façons. IBM peut s'écrire International Business Machines, Intl Bus Machines, IBM France, etc. Avec le machine learning, une fois que le système a enregistré les règles, il peut normaliser toutes les variations en une seule. Et si vous référencez un nouveau fournisseur, la machine vérifiera si elle peut établir une correspondance avec un fournisseur existant. Le deep learning n'est pas nécessaire pour ce type d'identification et de normalisation de données réduites à un nom et ses variations.

Le deep learning consiste plutôt à entraîner un système à interpréter des phrases complètes et leur contexte. Pour ce faire, il est nécessaire d'utiliser un réseau de neurones, sorte d'approximation mathématique du fonctionnement du cerveau. Ce type de système s'entraîne sur l'ensemble des données disponibles et apprend à faire des déductions. Par exemple, s'il est fait mention sur une facture du texte suivant " plastique, 500 ml, Crystal Geyser ", le système déduira qu'il s'agit d'eau en bouteille même si ce n'est pas dit explicitement, car il a préalablement acquis des connaissances lui permettant d'établir le contexte. Les technologies et applications de machine learning et de deep learning sont à la fois différentes et liées.

L'automatisation des processus achats

Au début des années 2000, les entreprises ont commencé à s'intéresser à l'automatisation des processus d'appel d'offres. Il n'existait alors pas de véritables outils d'automatisation du sourcing pour la sélection des fournisseurs. Quelques-uns des acteurs les plus visionnaires du marché ont alors pensé que le machine learning pourrait régler ce problème.

A cette époque, une enseigne de grande distribution traditionnelle comptait environ 2 000 grands fournisseurs réguliers, et 8 000 à 10 000 autres fournisseurs noyés dans ce qu'on appelle le " tail spend ". L'usage était que l'enseigne passait généralement commande des mêmes articles auprès des mêmes 15 à 20% de fournisseurs réguliers, faute d'analyser ses autres dépenses. Au final, les fournisseurs écartés étaient toujours les mêmes et ces derniers pouvaient être mécontents de la situation et cesser de travailler avec l'enseigne. Personne à l'époque ne faisait de réelle analyse des dépenses. Ou à la rigueur il fallait solliciter une société de conseil qui mandatait une équipe sur place pour tout classer manuellement. Au bout du compte, il était ainsi possible de sourcer 10% d'achats supplémentaires, mais sans jamais pouvoir couvrir intégralement le " tail spend ". Les spécialistes ont alors réfléchi à un meilleur moyen.

Pour automatiser la procédure, il faut définir des règles. La généralisation pose alors problème car il faut créer une règle pour chaque fournisseur, soit près de 2,6 millions de règles. Certes, on peut créer le système, mais sans données pour l'alimenter, celui-ci est inutile.

Jusqu'en 2012, le traitement et la classification manuels étaient privilégiés, car jusqu'à peu, le coût d'accès aux capacités de traitement mathématique était beaucoup trop prohibitif. A présent, nous avons le cloud, des cartes graphiques sur Amazon Web Services (AWS) et une puissance de calcul quasi illimitée. Avec AWS, louer l'équivalent d'un superordinateur d'une valeur de 10 millions de dollars pour la durée du traitement revient à 15 dollars.

Une avancée révolutionnaire dans la gestion des dépenses

La possibilité de transformer les données en vecteurs a vraiment changé la donne. En détectant des mots similaires ou proches, la machine peut désormais déduire leur signification. Elle devient sans cesse plus intelligente et plus rapide, ce qui rend désormais possible le classement d'un million de factures en une semaine.

De plus, l'intelligence artificielle permet aujourd'hui de suivre les dépenses marginales des collaborateurs qui payent des articles par carte de paiement alors que l'entreprise a souscrit à des contrats fournisseurs en amont. En regroupant tous ces paiements épars, l'entreprise réalisera des économies d'échelle et pourra réduire le nombre de ses fournisseurs. Elle pourra identifier toutes les dépenses IBM pour l'ensemble des déclinaisons du nom et les regrouper dans son programme de sélection des fournisseurs. Il sera également possible d'identifier les dépenses IBM qui transitent par des revendeurs à valeur ajoutée et de les rajouter. Ces activités classiques d'optimisation des dépenses confèrent une vue globale grâce à l'intelligence artificielle.

Cette meilleure visibilité entraîne un cercle vertueux. Car, en adoptant une vision plus globale, l'entreprise pourra mieux savoir ce qu'elle achète (et auprès de qui) et ainsi appliquer des règles d'approvisionnement éthique d'un bout à l'autre de la chaîne.

La fin des consultants ?

85 à 90% des dépenses peuvent aujourd'hui être classées par le machine learning. Le reste de ces dépenses a besoin du deep learning qui peut alors classer jusqu'à 95%. Au fil du temps et de l'acquisition de connaissances, l'entreprise peut atteindre 98 ou 99%.

Cela ne signe pas pour autant la fin de missions des consultants, qui devront néanmoins revoir leur approche. A présent, ils interprètent les données et apportent des conseils à l'entreprise en réduisant les tâches précédemment réalisées manuellement. Dorénavant, ils proposeront des services à plus forte valeur ajoutée. Les techniques sont les mêmes depuis des années, mais à présent, nous avons les outils, la technologie et les données pour les faire fonctionner. Il suffit de rendre la machine plus intelligente en lui donnant plus de données. Le véritable pouvoir réside dans ce que les gens en font. Maintenant qu'il est possible de voir tout le " tail spend " sans jamais devoir normaliser à nouveau 2,6 millions de lignes de données, les perspectives sont littéralement énormes.

Très peu de gens sont compétents dans ce domaine spécifique qu'est l'intelligence artificielle, si bien que jusqu'ici, l'analyse des dépenses demeurait une spécialité de niche du back-office. L'élargissement du zoom et la visibilité totale que confère l'analytique sont les conditions de la résolution des problèmes que rencontrent les entreprises du monde entier, et c'est en utilisant ces technologies qu'elles pourront réaliser des économies et agir avec davantage d'efficacité.

L'auteur : Alexis Hartmann, VP Europe du Sud, Coupa Software