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

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

  • recommander du contenu - par exemple suggĂ©rer des films Ă  regarder

⚙️ Comment ça fonctionne ?

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

Partie 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 vous suggérons de commencer à catégoriser afin d'améliorer la pertinence de vos suggestions :

Partie 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 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 tags 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 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 !)

📊 Pourquoi l’apprentissage machine vous facilite la vie 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 les transactions peut être chronophage et répétitif. Ni les règles liées aux fournisseurs, ni les mots-clés ne pourraient gérer efficacement la catégorisation de l'intégralité de vos 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 libellĂ© changeant rĂ©gulièrement : “PrĂ©nom.Nom mois.annĂ©e”. Pas facile de crĂ©er une règle dans ces conditions !

  • Un libellĂ© “Qonto” concerne-t-il un virement interne ou des frais bancaires ? Le montant permet de dĂ©cider : a priori, plus il est Ă©levĂ©, 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 Ă  des dates proches, alors le machine learning nous indiquera que les deux sont sĂ»rement 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 de mes données ?

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

Vos données 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 vous faciliter la vie !

Avez-vous trouvé votre réponse?