Quand la croissance impose le rythme, la planification doit suivre

Une croissance qui n’attend pas que la finance soit prête

Lors d’un fireside chat à Pigment Catalyst London, Yolaine Kermarrec, Partner chez Deloitte, s’est entretenue avec Steve Smith, Commercial Finance Director chez Saturn Group, sur la construction d’une fonction FP&A à partir de zéro sous une réelle contrainte de temps.

Saturn Group possède deux compagnies d’assurance ainsi qu’un MGA qui travaille pour leur compte. Depuis 2023, soutenue par un fonds de private equity avec des ambitions de croissance clairement définies, l’entreprise est passée d’environ 100 millions à 600 millions de livres sterling. Smith a rejoint l’entreprise en juin pour construire la fonction FP&A pratiquement à partir de zéro :

• Environ 90 collaborateurs travaillaient au sein de l’activité assurance à son arrivée, auxquels s’ajoutaient un millier de collaborateurs supplémentaires provenant du MGA
• Aucune fonction FP&A du côté du MGA
• « Everything was Excel all the way through » entre 20 et 40 fichiers distincts, dont certains comportaient plus de 100 feuilles
• La production d’un seul modèle de solvabilité ou compte de résultat nécessitait deux à trois semaines

Dans un marché de l’assurance où les prix évoluent quotidiennement et en temps réel, un tel cycle de production représente un risque structurel pour la capacité de l’entreprise à réagir suffisamment rapidement aux évolutions de son propre marché.

Pourquoi la rapidité d’exécution comptait autant que la rapidité de décision

Smith avait déjà évalué différentes plateformes EPM dans une société sœur appartenant au même fonds de private equity et avait déjà été convaincu par Pigment. Cette fois-ci, Deloitte a proposé une approche de déploiement conçue pour accélérer le projet :

• Une méthode basée sur la GenAI, s’appuyant sur la bibliothèque d’accélérateurs EPM de Deloitte sur l’ensemble du cycle d’implémentation
• L’agent de modélisation de Pigment pour accélérer la phase de construction elle-même

Résultat : un projet qui, selon Smith, aurait traditionnellement nécessité une grande partie d’une année a été réalisé en environ trois mois. Après un peu plus de trois mois de projet, l’équipe est désormais presque en production et utilise déjà des modules de souscription, de compte de résultat et de flux de trésorerie — le tout alimenté directement depuis Pigment plutôt que par la réconciliation de 20 jeux de données distincts.

Dans une entreprise très active en matière d’acquisitions et soutenue par le private equity, chaque mois passé à reconstruire son infrastructure financière à partir d’anciens outils est un mois pendant lequel la finance n’est pas encore en mesure de soutenir les opérations nécessaires à la stratégie de croissance.

Le facteur qui, selon Smith, a fait toute la différence

Définir correctement la conception des données dans les documents de cadrage, avant même de commencer la construction. Saturn n’a pas tout réussi dès la première tentative, Smith reconnaît volontiers qu’environ 90 % des éléments étaient correctement définis, et non 100 % mais le fait d’avoir posé des fondations globalement solides dès le départ est ce qui a permis de condenser un projet de plusieurs années en un seul trimestre, sans voir apparaître par la suite d’importants travaux de reprise.

Son conseil : « Définissez la structure de vos données dès la phase de conception. Si vous vous trompez à ce stade, vous rencontrerez beaucoup plus de difficultés par la suite. »

Ce que Saturn cherche réellement à optimiser

L’objectif n’est pas de « remplacer Excel par quelque chose de plus rapide ». Il s’agit de :

• Produire un ensemble complet d’états financiers, incluant les exigences de capital de solvabilité, dans les cinq à six jours ouvrés suivant la clôture mensuelle
• Aller suffisamment vite pour permettre à la direction de prendre des décisions en temps réel dans un marché où les prix eux-mêmes évoluent quotidiennement

La dimension technologique du projet s’accompagne également d’une réflexion sur les compétences. Smith explique clairement qu’il ne souhaite pas que son équipe passe son temps à « faire parler les chiffres ». Il veut que la Finance joue « un rôle moteur » dans l’entreprise et adapte déjà ses recrutements à cette ambition. L’équipe accueille notamment des diplômés en science des données qui avaient initialement postulé à d’autres postes au sein de l’organisation.

‍

Phase deux : là où se trouve la véritable complexité

La première phase, qui couvre la souscription, le compte de résultat, les flux de trésorerie et un modèle de données alimenté par une source unique, est presque terminée. La deuxième phase est plus complexe et plus spécifique au secteur de l’assurance :

• Les assureurs effectuent des stress tests environ tous les six mois ; Saturn gère actuellement près de 20 scénarios de stress distincts (évolutions du marché, chocs économiques, défaillance d’un concurrent, avec une attention particulière portée à l’inflation).
• Le modèle de planification de Saturn repose sur environ 300 à 400 hypothèses clés, mais la couche actuarielle qui les sous-tend comprend près de 6 000 hypothèses individuelles.
• L’ambition : permettre à l’équipe actuarielle, qui réalise déjà des millions de calculs de scénarios, de modéliser directement cette complexité dans la plateforme, plutôt que d’alimenter le modèle à partir d’hypothèses gérées en dehors de celle-ci.

Cette ambition va au-delà de la plupart des transformations de la planification : il ne s’agit pas uniquement de planifier l’activité, mais d’intégrer une modélisation de scénarios de niveau actuariel dans le même environnement gouverné que celui déjà utilisé par la finance.

Pourquoi cette expérience dépasse le secteur de l’assurance

Le contexte de Saturn est très spécifique : assurance, private equity et déploiement en trois mois. Mais le défi est universel : quand l’entreprise se développe plus vite que ses outils et processus financiers, elle ne peut pas attendre plusieurs années pour les remettre à niveau.

L’enseignement n’est pas « avancez vite et occupez-vous de la qualité des données plus tard ». Il est presque inverse : les équipes capables d’avancer rapidement sous une réelle contrainte de temps sont celles qui réalisent correctement, dès le départ, le travail moins visible de conception des données.

La rapidité et la rigueur ne sont pas contradictoires. Lorsque la pression est suffisamment forte, c’est précisément la rigueur qui rend la rapidité possible.