IA sur les paiements
POINTS CLES
L’équipe de D3S a développé des algorithmes pour prédire les retards de paiement à partir du comportement antérieur des clients, y compris les risques quasi systémiques (pays, secteur, taille, période, etc.). Le modèle est connecté à SaP pour fournir des alertes en temps quasi réel. Il est utilisé par 30 personnes dans plusieurs pays.
DONNÉES ET STACK TECHNIQUE
Nous avons démarré le projet avec les données transactionnelles des trois dernières années, extraites du processus order-to-cash et des systèmes de gestion de la relation client (CRM). Cela représentait plus d’un million de factures à analyser, avec diverses complexités dans les mécanismes de compensation. Toutes les données ont été collectées au format .csv et téléchargées dans une base de données PostgreSQL avant d’être traitées.
Notre Stack technologique : Python, SKL, PostreSQL et API en temps quasi réel vers SaP via BW.
CONTEXTE ET APPROCHE
Une entreprise industrielle du CAC40, avec plus de 100 000 clients, est confrontée à des retards de paiement. Au cours des dernières années, un processus de recouvrement efficace a été mis en place, avec 30 ETP appelant les clients industriels et professionnels pour limiter les retards de paiement. Le responsable du risque de crédit souhaitait exploiter les données disponibles pour réduire les créances impayées.
Nous avons mené 18 entretiens avec des experts du monde entier, afin de comprendre la structure des données et les usages de cette activité. Les data scientists ont développé un pipeline de traitement pour préparer les données, et conçu l’algorithme pour apprendre automatiquement les habitudes des clients dans un contexte spécifique (secteur de la clientèle, taille, historique des paiements, taux de change, jours fériés, modèle de facturation, etc.)
La solution proposée a été validée pour GoLive par les dirigeants et connectée à SaP.
RÉSULTATS
Des gains de productivité de +20% ont été démontrés par rapport à la méthodologie usuelle de priorisation des efforts de collecte. Le modèle peut prédire les factures à risque dès leur date de comptabilisation, afin de hiérarchiser les appels en tenant compte des comportements antérieurs de chaque client.
Les réactions des équipes ont été excellentes, avec moins de temps consacré à des tâches à faible valeur ajoutée et un taux de réussite plus élevé pour les actions de pré-relance. La solution industrielle a été entièrement transférée au département informatique et intégrée à SaP.