Prévision de trésorerie améliorée
Une prévision de trésorerie de base est basée sur des faits connus. Tout d’abord, la prévision détermine l’état actuel de vos fonds liquides. En règle générale, ces données proviennent des soldes des comptes bancaires et règlements, mais elles peuvent également en inclure d’autres.
Ensuite, la prévision ajoute ou retire des montants en espèces en fonction des paiements que vous savez que vous allez effectuer ou recevoir à l’avenir. Ces données proviennent d’écritures ouvertes dans les écritures client et fournisseur, telles que les factures vente et achat enregistrées, qui contiennent également les dates d’échéance des paiements.
Bien que les écritures comptables soient fiables, elles constituent également une restriction en termes de prévision car elles ont des dates d’échéance basées sur des conditions de paiement, que la plupart des entreprises utilisent. Les dates d’échéance limitent l’horizon ou la distance que vous pouvez prévoir dans le futur. Par exemple, si les conditions de paiement des factures vente sont de 1S (une semaine), la prévision ne contient pas de données pour huit jours à compter de la date actuelle.
Une façon d’étendre l’horizon de la prévision consiste à saisir manuellement les chiffres budgétés en fonction des accords connus avec les fournisseurs et les clients, par exemple, en incluant des ajustements pour les commandes client, achat et service, et les revenus des tâches. En dépit du risque que ces transactions soient annulées ou que leur date d’échéance soit déplacée, elles sont toujours considérées comme une bonne entrée.
Par exemple, vous pouvez saisir manuellement le budgété sur les pages suivantes :
Budgets comptables, où vous pouvez spécifier différentes dates
Dépenses manuelles de trésorerie, pour des éléments tels que le loyer, Internet et les téléphones portables
Revenus manuels de trésorerie, pour les intérêts ou les remboursements de prêt
Les outils de budgétisation sont excellents pour enregistrer les dépenses et les revenus. Cependant, ils ne sont pas pratiques pour étendre l’horizon d’une prévision de trésorerie en raison de la quantité de travail manuel qu’ils nécessitent.
Au lieu de cela, vous pouvez utiliser Azure Machine Learning depuis Cortana Intelligence pour allonger l’horizon de vos prévisions de trésorerie. Business Central peut utiliser des modèles qui traitent des données de séries chronologiques pour calculer les prévisions :
ARIMA (Autoregressive Integrated Moving Average - Moyenne mobile intégrée autorégressive).
ETS (Exponential Smoothing State Space - Espace d’états de lissage exponentiel)
STL (Seasonal Decomposition of Time Series by Loss - Décomposition saisonnière des séries chronologiques par perte)
TBATS (Exponential Smoothing State Space with Box-Cox transformation, ARMA errors, Trend and Seasonal components - Espace d’état de lissage exponentiel avec transformation Box-Cox, erreurs ARMA, composants tendances et saisonniers)
Vous pouvez également utiliser certains de ces modèles en association, tels que ETS + ARIMA et ETS + STL, ce qui, dans certains cas, peut améliorer la précision des valeurs de prévision.
À l’instar des prévisions de trésorerie de base, ces modèles reposent sur des données historiques, notamment :
Écritures comptables client pour les créances
Écritures comptables fournisseur pour les dettes
Écritures taxe/TVA pour les taxes
Ce que ces modèles font différemment, c’est d’appliquer des méthodes statistiques avancées aux données historiques afin de générer des données à l’avenir et de les inclure lors du calcul des prévisions. Lorsque vous prévoyez des créances ou des dettes, vous utilisez la date d’échéance comme champ de date et non la date du document ou la date comptabilisation, vous n’avez donc pas besoin de définir et d’appliquer des conditions de paiement aux résultats prévus.
Vous pouvez spécifier le modèle à utiliser dans le champ Modèle souches horaires de la page Paramètres trésorerie. Si vous ne savez pas quel modèle choisir, vous pouvez sélectionner l’option Tout et Business Central va utiliser chaque modèle pour calculer une prévision, comparer les résultats et renvoyer le meilleur résultat.
Azure Machine Learning est gratuit dans Business Central ; il vous suffit de l’activer. Cependant, vous avez une limite au temps de calcul que vous pouvez utiliser chaque mois. Si vous sélectionnez l’option Tout, vous allez utiliser plus de temps qu’un seul modèle. Lorsque vous avez atteint la limite, vous devrez attendre le mois suivant ou passer à votre propre abonnement.
La valeur prévue est une plage dans laquelle la valeur est censée se trouver, avec une certaine probabilité, et n’est pas un point de données unique. La probabilité par défaut est de 80 % et il n’est pas possible de modifier ce paramètre à l’aide de l’interface utilisateur.
Si vous disposez de données pour au moins deux ans, vous pouvez prévoir des valeurs jusqu’à quatre mois à l’avance avec une qualité raisonnable. Si vous avez moins de données que ce montant, vous devez utiliser un horizon plus court.
Sinon, la plage de valeurs prédites peut être trop large et donc inutile. Une aide limitée vient avec la prédiction, si elle peut être erronée 100 % du temps. Pour cette raison, un seuil a été introduit, que vous pouvez ajuster sur la page Configuration des prévisions de trésorerie. Le champ Variance % vous permet de spécifier une plage d’écart (en plus ou en moins) acceptée dans une prévision. Les pourcentages inférieurs représentent des prévisions plus précises et varient généralement entre 20 et 40 pour cent. Les prévisions en dehors de la plage sont considérées comme inexactes et ignorées.
Étant donné que vous effectuez une prédiction à partir de la date actuelle, vous devez aligner les valeurs prédites sur les valeurs déjà enregistrées dans le système, telles que les écritures client ou les commandes vente ouvertes. Le cas simplifié suivant illustre cette logique.
Au cours des deux dernières années, vous avez vendu 10 crayons par mois. Au milieu du mois, quelqu’un vous demande : « Combien de crayons vendrez-vous le mois prochain ? ». Sur la base de l’historique, votre réponse serait probablement 10.
Désormais, un client arrive dans votre boutique et souhaite commander six crayons le mois prochain. Cependant, cet ordre ne change pas ce que vous prévoyez de vendre le mois prochain. Vous prévoyez toujours de vendre 10 crayons au total, mais vous savez maintenant que six d’entre eux iront à ce client.
La même notion est vraie pour les revenus et les dépenses. Si vous disposez d’informations fiables sur les revenus d’une période à venir, par exemple lorsqu’une commande est passée, ce montant devient réel et doit être supprimé des revenus prévus.
Cependant, si quelqu’un vient dans votre boutique et commande 15 crayons pour le mois prochain, le montant est supérieur au 10 que vous attendiez, donc votre prévision est ajustée de 10 à 15.
