Impact de la digitalisation des entreprises sur le contrôle de gestion.

5. Risques de la mise en oeuvre du Big Data dans le contrôle de gestion

Ces risques peuvent se représenter en des risques liés au manque de compétence par rapport aux technologies Big Data et des risques apportés par l'avènement du data scientist.

5.1 Risques liés à la non-maîtrise des techniques du Big Data

Comme le Big Data apporte plusieurs opportunités aux services financiers et plus particulièrement la fonction contrôle de gestion, de l'autre côté il a des risques, en effet, l'accroissement du volume des données et la diversité de leurs types complique la prise de décision opérationnelle et la rend plus difficile. Les contrôleurs de gestion se plongent dans un excès d'informations dont ils ne sont pas encore capables de les traiter et d'extraire les plus pertinentes, et suite à un manque de connaissance des nouvelles données émergentes et de leur nature il y a un risque d'élaborer des interprétations fausses en croisant un ensemble de mauvaises données, donc le Big Data ne peut être utile que lorsque les entreprises disposeront des compétences et des outils nécessaires permettant de trier, analyser et exploiter ces données, d'où l'émergence du data scientist (Ta, Perray-Redslob, et Langevin 2018).

45

5.2 Risque lié à la dominance du Data Scientist sur le contrôleur de gestion

Avec l'avènement du Big Data, la question qui se pose souvent par les chercheurs et les praticiens concerne la possibilité de remplacer le contrôleur de gestion par un data scientist notamment dans le rôle de business partner.

Le data scientist (appelé parfois data analyst) est un métier apparu la première fois dans les GAFAM²⁰ et s'est imposé dans la fintech²¹ et la banque-assurance, deux activités qui se basent sur les grandes données. ²². C'est un professionnel spécialisé dans la collecte et le traitement statistique d'informations massives et non structurées (Davenport et Patil 2012).

Les initiateurs du Big Data affirment que les décisions fondées sur des données ont tendance à être de meilleures décisions, réduisant ainsi la capacité des contrôleurs de gestion à fournir les informations pertinentes aux managers pour la prise de décision (McAfee et Brynjolfsson 2012).

Dans ce même sens une étude réalisée par PwC (2017) sous le titre « La transformation de la fonction Finance est un impératif pour 2017 qui passera par une double dimension digitale et humaine » a montré que les directeurs financiers : « continuent à juger que leurs équipes passent trop de temps à collecter les données, ce qui s'explique par des reportings plus complexes et plus nombreux et un processus très manuel²³ ». Le problème est dû à des outils et des processus obsolètes et par conséquent les données produites sont insuffisantes et pas toujours fiables.

A la différence du contrôleur de gestion qui maîtrise l'analyse des données structurées dans des bases de données principalement internes pour résoudre un problème donné, le data scientist est capable d'exploiter des données non structurées (internes et externes) et de les modéliser à travers des outils sophistiqués ce qui permet d'identifier des tendances et d'en sortir avec des algorithmes prédictifs auto-apprenants (Sponem 2018).

Pour représenter la position des contrôleurs de gestion et des data scientist nous utilisons la matrice élaborée par Richins et al.( 2017), qui classe les deux métiers en fonction de deux critères : le type d'analyse et le type de données.

²⁰ Google, Apple, Facebook, Amazon et Microsoft

²¹ La technologie financière ou fintech, est un secteur dans lequel les start-up proposent de nouvelles technologies pour l'amélioration des services financiers des entreprises.

²² https://blog.eulerhermes.fr/conseils/data-scientist-controleur-de-gestion/

²³ https://www.pwc.fr/fr/espace-presse/communiques-de-presse/2016/decembre/priorites-2017-du-daf.html

46

Figure 6 : Domaines de compétence des contrôleurs de gestion et des data scientist

Type de données

Structurées Non structurées

Basée sur des Problèmes

Exploratoire

Type d'analyse

Contrôleur de gestion ?

? Data scientist

Source : (Richins et al. 2017)

En revenant à la question principale : le data scientist pourrait-il remplacer le contrôleur de gestion en tant que business partner ? Le risque semble réduit voire inexistant puisque les deux métiers ont des domaines d'expertise différents et complémentaires, en effet, la connaissance de l'entreprise est cruciale pour interpréter les données issues du Big Data d'une manière efficace, le contrôleur de gestion est celui qui a cette connaissance de l'organisation, il est aussi le garant de la fiabilité de l'information (Sponem 2018). De l'autre côté le data scientist participe à l'amélioration de la fonction du contrôle de gestion via l'automatisation de la production des données, la sécurisation de l'information financière et en tirant profit des données autrement grâce à l'identification de nouvelles corrélations que le statistique descriptive n'est capable de les trouver.²⁴