Business Intelligence et prévision par IA : ce qu'un comité de direction peut réellement en attendre

Une prévision par intelligence artificielle ne prédit pas l'avenir. Elle estime, à partir de l'historique d'une entreprise et de variables extérieures connues, l'éventail des résultats les plus plausibles sur un horizon donné : chiffre d'affaires, volumes vendus, encaissements, besoins de stock. La nuance sépare un instrument utilisable en comité de direction d'un chiffre auquel plus personne ne fait confiance après le deuxième écart constaté.

La plupart des entreprises marocaines équipées en Business Intelligence disposent de tableaux de bord qui décrivent correctement le passé. Le passage à la prévision est un changement de nature, pas une option du même outil : il engage la qualité de l'historique et la capacité de l'organisation à décider face à une incertitude affichée plutôt que masquée.

Ce que recouvre réellement la prestation

La modélisation n'est qu'un maillon de la chaîne, et rarement le plus coûteux.

• Reconstituer l'historique. Rassembler plusieurs années de ventes ou d'encaissements, les nettoyer, réconcilier des référentiels produits et clients qui ont changé en cours de route. Ce poste est presque toujours le plus lourd.
• Qualifier les événements passés. Rupture de stock, grève logistique, changement tarifaire, Ramadan qui glisse dans le calendrier grégorien : sans ces marqueurs, le modèle apprend un comportement qui n'a jamais existé.
• Construire le modèle. Un horizon, une maille — article, famille, point de vente — et une méthode proportionnée au volume disponible.
• Produire intervalles et explications, pour que chaque prévision arrive avec sa fourchette et ses facteurs déterminants.
• Restituer là où la décision se prend : tableaux de bord financiers, ERP, CRM — le prolongement du travail décrit sur notre page data et BI.
• Surveiller la dérive, faute de quoi la dégradation d'un modèle passe inaperçue.

Un prestataire qui ne traite que le troisième point vend un composant, pas un système.

Ce qu'une prévision par IA peut faire, et ce qu'elle ne peut pas faire

Ce qu'elle fait bien. Détecter des régularités qu'un tableau croisé ne montre pas : saisonnalités imbriquées, effets de calendrier, comportements de réachat, délai entre commande et encaissement. Traiter en parallèle des milliers de séries là où un contrôleur de gestion n'en suit finement qu'une poignée.

Ce qu'elle ne fait pas. Elle n'anticipe pas ce qui n'a pas de précédent : rupture réglementaire, arrivée d'un concurrent, décision interne non encore prise. Elle ne compense pas un historique faux — des ventes perdues faute de stock apparaissent comme une absence de demande, et le modèle apprendra à sous-estimer durablement cette référence si personne ne le lui signale. Elle ne remplace pas une décision : elle déplace le débat des chiffres vers les hypothèses.

Pourquoi une prévision sans intervalle ni explication est inutilisable

Un nombre seul ne se discute pas en comité de direction : il se croit ou il se rejette.

Une prévision exploitable comporte trois éléments indissociables : une valeur centrale, un intervalle — la fourchette dans laquelle le résultat a de fortes chances de tomber, avec un niveau de confiance annoncé — et une explication des facteurs qui la tirent vers le haut ou vers le bas.

L'intervalle n'est pas un aveu de faiblesse : deux prévisions de même valeur centrale, l'une resserrée et l'autre large, n'appellent ni la même décision de stock, ni le même engagement fournisseur. Un modèle incapable de dire qu'il ne sait pas est dangereux.

L'explication conditionne l'adoption : un directeur commercial n'arbitrera pas ses objectifs sur la foi d'un chiffre qu'il ne peut ni contester ni comprendre. Dès qu'il voit que la baisse annoncée tient à deux clients dont le rythme de commande a changé, la conversation devient possible.

Les problèmes concrets auxquels cela répond

Direction générale. Le budget annuel est souvent construit par consolidation d'objectifs négociés, avec des biais connus de tous. Une prévision statistique indépendante offre un point de comparaison neutre et montre l'amplitude des scénarios.

Direction financière. La prévision de trésorerie est l'usage le plus immédiat, car elle porte sur des données déjà maîtrisées : factures émises, conditions de règlement, comportement de paiement par client. Anticiper les tensions à venir, estimer l'encours à risque, préparer une ligne de financement avant d'en avoir besoin.

Direction commerciale. Confronter les prévisions déclaratives des commerciaux à l'historique de conversion réel, et repérer les comptes dont le rythme de commande s'écarte de leur profil habituel — souvent le signal le plus précoce d'un client qui s'en va.

Cas d'usage par secteur, ancrés au Maroc

Ce sont des cas d'usage, pas des réalisations mesurées chez des clients.

Distribution et retail. Prévision de la demande par référence et par point de vente, avec prise en compte du calendrier des fêtes et du décalage annuel du Ramadan. Trop de stock immobilise de la trésorerie ; trop peu crée une rupture qui, en plus de la vente perdue, pollue l'historique.

Industrie et agroalimentaire. Prévision de charge des lignes de production et des besoins en matières premières, notamment dans les zones industrielles de Casablanca où la coordination fournisseurs conditionne le plan de production.

Services et B2B récurrent. Anticipation du renouvellement et de l'attrition à partir des signaux d'usage. Au Maroc, une large part des échanges clients passe par WhatsApp : si ce canal n'est pas historisé dans le CRM, il manque au modèle une information de premier ordre.

Comment se déroule un projet

1. Cadrage de la décision. Non pas la donnée d'abord, mais la question : quelle décision cette prévision doit-elle éclairer, à quelle échéance, à quelle maille, avec quelle marge d'erreur acceptable. Prévoir un chiffre d'affaires annuel et prévoir un réapprovisionnement hebdomadaire sont deux projets sans rapport.
2. Audit de l'historique. Profondeur, trous, ruptures de référentiel, événements non documentés. Cette étape détermine la faisabilité et le coût.
3. Référence de comparaison. Avant tout modèle, on mesure ce que donnent une méthode simple et les prévisions humaines actuelles. Sans elle, aucune amélioration ne peut être démontrée.
4. Modélisation et validation. Le modèle est entraîné sur une période puis évalué sur une période ultérieure qu'il n'a jamais vue. C'est le seul protocole honnête : évalué sur ses propres données d'entraînement, un modèle obtient toujours d'excellents résultats et ne vaut rien.
5. Mise en production. Rafraîchissement automatique, restitution dans les outils de décision, traçage des corrections manuelles — une phase qui relève de l'ingénierie IA et de l'intégration au système d'information.
6. Suivi de l'écart, avec réentraînement quand la dérive s'installe.

Ce qui fait varier le budget

La fourchette indicative pour un projet de prévision par IA se situe entre 30 000 et 200 000 DH. Ce n'est pas une grille tarifaire : c'est l'écart réel entre le projet le plus simple et le plus lourd que ce type de mission recouvre. Un même énoncé — « nous voulons prévoir nos ventes » — peut tomber à l'une ou l'autre extrémité.

Ce qui place un projet en bas de la fourchette : un historique propre et suffisamment profond, disponible dans une source unique déjà structurée — typiquement un ERP bien tenu comme Odoo — une maille agrégée, un périmètre limité à une direction, des données peu sensibles, et une restitution en lecture seule dans un tableau de bord existant.

Ce qui le place en haut : un historique dispersé entre plusieurs systèmes, avec des référentiels à réconcilier ; une maille fine sur un grand nombre de séries ; des données personnelles ou financières imposant un traitement contraint ; une exigence forte d'explicabilité et de traçabilité ; et surtout une prévision qui n'est pas seulement lue mais qui écrit dans les systèmes — propositions de commande, plan d'approvisionnement. Ce dernier cas change la nature du projet, parce qu'une erreur y a des conséquences directes.

Ce n'est pas un devis. Un chiffrage sérieux suppose un cadrage préalable : voir l'historique, comprendre la décision visée, mesurer l'écart entre l'état actuel des données et l'état requis. Un prestataire qui annonce un prix sans avoir regardé vos données annonce une hypothèse.

Ce qu'il faut vérifier avant de choisir un prestataire

1. Demande-t-il votre historique avant de parler de modèles ? L'inverse est un signal d'alerte.
2. Comment prouve-t-il que son modèle apporte quelque chose ? Attendez deux réponses : une référence de comparaison simple, et une évaluation sur une période postérieure à l'entraînement.
3. Livre-t-il des intervalles et des explications, ou seulement des nombres ?
4. Que se passe-t-il quand le modèle dérive ? Surveillance, alertes, réentraînement : c'est un engagement de durée.
5. Ses affirmations sont-elles vérifiables ? Taux de précision, références, statuts de partenariat : demandez la source. Hunter BI est membre des réseaux partenaires OpenAI et Anthropic, et ne publie pas de chiffres de performance qu'elle ne peut pas étayer.

Les erreurs fréquentes

Prévoir sans avoir défini la décision. Une prévision qui n'entre dans aucun processus de décision est un exercice intellectuel coûteux.

Traiter le projet comme une livraison. Un modèle non surveillé se dégrade en silence, et l'entreprise décide sur une base devenue fausse.

Données personnelles et gouvernance

Une prévision commerciale ou financière s'appuie souvent sur des données à caractère personnel : comportement d'achat, historique de paiement, coordonnées du CRM. Leur traitement relève de la loi 09-08, sous le contrôle de la CNDP.

Trois points se traitent au cadrage, quand ils coûtent peu. Quelles données sortent de l'entreprise, vers quel service et dans quel pays — un modèle de prévision peut souvent être entraîné sur des données agrégées ou pseudonymisées, ce qui réduit fortement l'exposition. Sur quelle base repose le traitement. Quelle traçabilité : conserver la version du modèle, ses données d'entraînement et les prévisions produites permet d'expliquer une décision prise sur cette base.

Le référentiel ISO/IEC 42001 offre un cadre de management des systèmes d'IA, et le RGPD s'applique dès qu'il y a des données de résidents européens. Dans le sillage de Digital Morocco 2030, ces exigences deviennent un critère d'accès aux marchés.

Questions fréquentes

Quelle profondeur d'historique faut-il pour prévoir ? Cela dépend de la saisonnalité : une activité à cycle annuel marqué exige plusieurs cycles complets pour que le modèle distingue une tendance d'un effet de saison. Mieux vaut faire évaluer l'historique disponible qu'appliquer une règle générale.

En quoi cela diffère-t-il de nos tableaux de bord actuels ? Vos tableaux de bord décrivent ce qui s'est produit. La prévision estime ce qui va se produire et, surtout, avec quelle incertitude. Elle s'appuie sur eux sans les remplacer.

Peut-on prévoir sans intelligence artificielle ? Oui, et c'est parfois la bonne réponse. Les méthodes statistiques classiques restent solides sur des séries régulières et peu nombreuses. L'apprentissage automatique prend l'avantage quand il faut traiter beaucoup de séries hétérogènes ou intégrer de nombreuses variables externes.

Les équipes peuvent-elles corriger les prévisions ? Elles le doivent : commerciaux et acheteurs détiennent des informations que la donnée n'a pas, comme un appel d'offres en cours. La bonne pratique est d'autoriser la correction en la traçant, afin de mesurer si elle améliore ou dégrade le résultat.

Cela peut-il se brancher sur notre ERP ou notre CRM ? C'est le cas le plus courant : ces systèmes contiennent l'historique exploitable et reçoivent ensuite les prévisions. Notre page intégration IA détaille cette connexion.

Comment savoir si notre entreprise est prête ? Le diagnostic IA évalue la maturité des données, des processus et de la gouvernance, et indique si la prévision est le bon chantier à ouvrir maintenant.

Par où commencer

La première étape n'est ni un outil ni un algorithme : c'est d'identifier une décision précise, prise à intervalle régulier, sur laquelle une meilleure anticipation changerait quelque chose de mesurable — puis de vérifier dans quel état est l'historique nécessaire.

C'est l'objet d'un cadrage. Parlons de votre projet : nous examinons la décision visée, la qualité de votre historique et les contraintes de données personnelles applicables, puis nous vous disons ce qui mérite d'être entrepris — y compris quand la réponse est de commencer par remettre vos données en ordre.