Prévoir la trésorerie avec le machine learning

• Comprendre les méthodes de prévision de trésorerie par apprentissage
• Préparer les données historiques d’encaissements et de décaissements
• Évaluer la fiabilité des prévisions produites par un modèle

Trésoriers, DAF, contrôleurs de gestion, analystes financiers

Pratique de la prévision de trésorerie et notions de statistiques

• Rappeler les enjeux de la prévision de trésorerie à court terme
• Comprendre les principes du machine learning supervisé
• Collecter l’historique des flux bancaires et des échéanciers
• Nettoyer et classer les flux de trésorerie par nature et par tiers
• Choisir les variables explicatives : saisonnalité, délais clients
• Entraîner un modèle de prévision sur les données passées
• Mesurer l’erreur de prévision et comparer plusieurs modèles
• Combiner prévision automatique et jugement du trésorier
• Intégrer les prévisions dans le plan de trésorerie et le pilotage
• Surveiller la dérive du modèle et réentraîner régulièrement

• Préparer un jeu de données de flux de trésorerie mensuels
• Comparer une prévision d’outil et une prévision manuelle
• Calculer l’écart moyen d’une prévision à court terme

• Méthodologie de prévision de trésorerie par apprentissage
• Fiche repère des données utiles à un modèle de prévision
• Modèle de tableau de suivi de l’erreur de prévision mensuelle