Pennylane - Tous vos flux financiers au même endroit Pennylane - Tous vos flux financiers au même endroit Vous êtes expert-comptable ? Se connecter Demander une démo
Comment Pennylane utilise le machine learning pour faciliter la catégorisation analytique ?

Faciliter la catégorisation analytique grâce au machine learning

Mettre la technologie au service du pilotage d’entreprise est au cœur de la vision de Pennylane, et ce depuis le premier jour. Pour permettre aux dirigeant.e.s de piloter efficacement leurs entreprises et de prendre les bonnes décisions grâce à leurs données financières en temps réel et centralisées, nous avons innové et mis en place du machine learning (également appelé apprentissage automatique en bon français) pour le volet de catégorisation analytique.

   

🤔 Qu’est-ce que l’apprentissage automatique, au juste ?

En bon français, on parle aussi d'apprentissage statistique. Pour une tâche donnée (par exemple, catégoriser des transactions bancaires), au lieu de définir des règles parfois très complexes à la main, nous pouvons "déduire" ces règles grâce aux données et statistiques que nous collectons sur les comportements des utilisateurs (dans l'exemple précédent, leurs pratiques de catégorisation).

   

C'est pourquoi on parle d'apprendre ("learning") à un ordinateur ("machine") comment effectuer une tâche donnée avec un taux de réussite le plus élevé possible.

   

Les modèles de machine learning peuvent être utiles dans différents scénarios :

   

  • Automatiser une tâche - par exemple lire les caractères inscrits sur une facture

  • Détecter des anomalies - par exemple identifier un comportement frauduleux sur un site d'e-commerce

  • Recommander du contenu - par exemple suggérer des films à regarder

   

⚙️ Comment ça fonctionne ?

Nous utilisons aujourd'hui des algorithmes de machine learning pour suggérer des catégories de transactions depuis la page "Banque" de Pennylane. Notre algorithme comprend deux branches :

   

Branche #1 :

Le modèle recherche des transactions semblables déjà catégorisées par un utilisateur, en considérant que ses tags sont probablement pertinents.

   

Cela permet de capitaliser sur les spécificités de l’entreprise et de proposer des résultats d'autant plus pertinents qu'il existe un grand nombre de transactions similaires catégorisées. C'est pour cela que nous suggérons à tous nos utilisateurs et utilisatrices de commencer à catégoriser afin d'améliorer la pertinence de leurs suggestions :

   

Branche #2 :

Le modèle apprend de toutes les transactions catégorisées observées par le passé pour suggérer des catégories en accord avec l'historique de tous les utilisateurs. Cela permet d'être en mesure de suggérer des tags généralement pertinents, et ce même si un utilisateur n'a que peu catégorisé auparavant, ou d'être capable de suggérer des tags tout juste créés, sans avoir à attendre que ces derniers soient utilisés régulièrement.

   

Bilan :

Le modèle renvoie ainsi une liste de catégories probables provenant de ces deux branches en fonction de son "indice de confiance" dans la pertinence des suggestions.

   

Nous affichons ensuite les suggestions et apprenons au fur et à mesure : plus vous, utilisateurs, catégoriserez, meilleur sera le résultat ! Et plus vite vous obtiendrez une analyse pertinente de votre trésorerie.

   

Pas de panique, vos données sont 100% sécurisées (voir dernière section de cet article !)

   

📊 Comment l’apprentissage machine facilite-t-il la vie de nos utilisateurs pour la catégorisation analytique ?

Catégoriser toutes les transactions permet d’accéder à un reporting de trésorerie (cash flow) en temps réel ! Ce reporting, constitué des transactions (opérations bancaires) catégorisées et agrégées, vous permet de mieux maîtriser le cash disponible, le suivi des budgets, des liquidités, voire, même, d’établir des prévisions afin de vous aider dans vos décisions.

   

Mais catégoriser toutes ses transactions peut être chronophage et répétitif. Ni les règles liées aux fournisseurs, ni les mots-clés ne peuvent gérer efficacement la catégorisation de l'intégralité des transactions : la puissance de "l’apprentissage machine" permet de gagner grandement en pertinence et en rapidité.

   

Exemple d'applications pratiques :

   

  • Les transactions de salaires sont connues pour avoir un libellé changeant régulièrement : “Prénom.Nom mois.année”. Pas facile de créer une règle dans ces conditions !

  • Un libellé “Qonto” concerne-t-il un virement interne ou des frais bancaires ? Le montant permet de décider : a priori, plus il est élevé, plus il y a de chances pour qu’il s’agisse d’un virement interne

  • En parlant de virements internes, s’il existe un virement d’un montant similaire sur un autre compte bancaire à des dates proches, alors le machine learning nous indiquera que les deux sont sûrement des virements internes !

   

Ainsi, vous restez dans le contrôle de vos opérations bancaires et comprenez vos dépenses et vos revenus en temps réel, plus efficacement.

   

🔒 Qu’est-ce que Pennylane fait des données de ses utilisateurs ?

Assurer la sécurité des données financières de nos utilisateurs est un principe fondamental et l'une des valeurs fortes de Pennylane.

   

Les données de nos utilisateurs sont hébergées en Europe sur des serveurs sécurisés ; elles sont cryptées et anonymisées. Aucune logique commerciale n’y est rattachée : nous alimentons notre modèle de machine learning uniquement pour leur faciliter la vie !