Blog/IA et ML/Prévisions mensuelles : comment le service financier de Snowflake est passée d’une semaine à quelques heures grâce à l’IA
23 oct. 2026/Lecture : 9 minIA et ML

Prévisions mensuelles : comment le service financier de Snowflake est passée d’une semaine à quelques heures grâce à l’IA

Au sein du service financier de Snowflake, nous consacrions auparavant plus d’une semaine à l’élaboration de nos prévisions mensuelles. Aujourd’hui, quelques heures suffisent.

Ce qui a changé ? L’IA connaît désormais nos données avant même que quiconque ne pose une question.

Ces connaissances ont également amélioré son efficacité. Notre équipe d’analytique a créé un profil qui fournit à l’IA un contexte permanent sur nos données, notre terminologie et nos workflows. Grâce à ce profil, Snowflake CoCo fournit une réponse en moins de la moitié des étapes, ce qui réduit le coût de chaque question, même lorsque l’équipe en pose davantage.

Dans cet article, nous présentons le profil CoCo à l’origine de ces résultats, les raisons pour lesquelles il améliore l’efficacité de chaque réponse et la manière dont nos analystes ont créé 36 compétences à partir de ce socle.

À retenir

  • Le service financier de Snowflake a ramené de plus d’une semaine à quelques heures le temps nécessaire à ses prévisions mensuelles et à son analyse des écarts.

  • Un profil CoCo a fait passer le nombre d’étapes par réponse d’environ 3,0 à 1,3, réduisant ainsi le coût de chaque question (utilisation interne de CoCo chez Snowflake, de février à mai 2026, n = 44 utilisateurs du service Finance).

  • Chaque réponse est traçable jusqu’à une source de données certifiée par l’équipe d’analytique.

  • L’équipe a créé 36 compétences en deux mois, et 87 % des premiers utilisateurs se servent toujours de CoCo au quotidien.

Des prévisions qui prenaient une semaine sont désormais produites en quelques heures

Chaque mois, le service financier réalise plus de 30 analyses récurrentes pour les responsables commerciaux de Snowflake : prévisions globales, pipeline commercial, commissions et reporting des performances commerciales. Les prévisions sont les plus complexes de ces analyses. Elles s’accompagnent d’une analyse des écarts qui explique les évolutions depuis les prévisions précédentes. Auparavant, leur élaboration exigeait d’examiner les affaires du pipeline, de lire les notes des comptes dans le CRM, d’établir des comparaisons avec les tendances historiques et d’analyser le comportement actuel des équipes terrain. Le travail était réparti entre plusieurs analystes et, comme il prenait plus d’une semaine, il ne pouvait être effectué qu’une fois par mois.

Grâce à la compétence de prévisions globales dans CoCo, nous réalisons désormais la même analyse en quelques heures. Ce gain de temps a changé notre rythme de travail. Nous publions désormais une mise à jour à la mi‑mois. Les responsables commerciaux peuvent ainsi voir où va le trimestre alors qu’il est encore temps d’agir. N’importe quel analyste peut également relancer la compétence pour tester un scénario.

« CoCo est véritablement devenu le premier réflexe de toute notre équipe, aussi bien pour les tâches courantes que pour les analyses ponctuelles. Il nous a permis non seulement de réduire les délais, mais aussi de mener des analyses complexes jusque-là hors de portée. Chacun peut désormais utiliser la skill pour approfondir ses recherches et réaliser des analyses de scénarios. »

Gayatri Kannan
Senior Director of Sales Finance, Snowflake

Même performante, l’IA n’est utile que si elle connaît vos données

Nos données évoluent chaque jour. Elles sont réparties entre des dizaines de sources certifiées et un CRM qui reflète les affaires révisées pendant la nuit.

Nos premières tentatives rappelleront quelque chose à quiconque a déjà appliqué l’IA à de véritables processus financiers. L’IA était performante, mais elle ne connaissait pas notre environnement. Elle pouvait consulter une source de données pertinente en apparence, mais incorrecte, ou demander une précision dont un analyste expérimenté n’aurait pas eu besoin.

Ces deux problèmes avaient la même origine : un manque de contexte. À chaque session, l’IA devait déduire des informations que nous connaissions, mais que nous n’avions jamais formalisées.

« Lorsque nous avons déployé l’IA auprès de l’équipe, nous avons d’abord rencontré de nombreuses difficultés liées à des résultats imprécis et incohérents. Nous avions l’impression de devoir sans cesse rappeler à un nouveau collaborateur la terminologie et les sources de données à utiliser. La création d’un profil dédié aux finances GTM a tout changé. L’équipe peut désormais mener elle-même des analyses complexes et repenser ses workflows, avec très peu d’assistance technique et sans compromettre la gouvernance. »

Gayatri Kannan
Senior Director of Sales Finance, Snowflake

Ce que contient réellement un profil Finance marketing et commercial

Nos partenaires de l’équipe analytique de la Finance stratégique de Snowflake ont créé notre profil CoCo « GTM Finance ».

Un profil fournit un contexte permanent que l’IA consulte avant de répondre, afin que personne n’ait à le répéter dans un prompt.

Sans ce profil, l’IA consacrerait environ trois étapes par session à identifier la bonne source de données, à interpréter la terminologie et à déduire ce qu’un analyste expérimenté sait déjà. Avec le profil, chaque conversation entre directement dans le vif du sujet.
 

Couche Contenu Pourquoi la Finance en a besoin
Sources de données certifiées Plus de 20 sources certifiées par l’équipe d’analytique Les réponses proviennent de sources approuvées par l’équipe d’analytique
Terminologie Définitions des bookings, du pipeline, des quotas et d’autres indicateurs clés Aucune ambiguïté sur les indicateurs communiqués
Analyses répétitives Nos tâches mensuelles et trimestrielles récurrentes L’IA reconnaît la tâche
Formats de sortie Nos modèles standard de rapports et d’analyse des écarts Les résultats sont prêts à être examinés
Procédures d’escalade La marche à suivre lorsqu’un chiffre semble incorrect Une personne traite les exceptions

Effet d’échelle de la mémoire : pourquoi un profil améliore l’efficacité de chaque réponse

L’effet d’échelle de la mémoire désigne la réduction du coût par unité de travail d’un agent d’IA à mesure qu’il accumule du contexte sur son environnement. Il répond en moins d’étapes, chacune consommant des ressources de calcul.

Parmi les 44 utilisateurs du service Finance, ceux disposant d’un profil obtenaient une réponse en environ 1,3 étape, contre environ 3 étapes pour les autres.

Deux facteurs améliorent l’efficacité de chaque réponse. Le profil réduit le nombre d’étapes, principal facteur de coût : Sans profil, chaque étape supplémentaire ajoute environ 0,05 crédit, soit près de 10 centimes. Une session en 5 étapes coûte donc environ 3,5 fois plus cher qu’une session en 1 étape. À nombre d’étapes égal, le profil réduit également le coût des sessions. Dans les données, quel que soit le nombre d’étapes, une session avec profil coûtait moins cher qu’une session sans profil.

Graphique linéaire comparant le coût par prompt selon le nombre d’étapes nécessaires pour obtenir une réponse : les sessions sans profil CoCo comptent en moyenne 3 étapes, contre 1,3 avec le profil Finance, dont le coût est inférieur à chaque nombre d’étapes

Les analystes Finance créent désormais leurs propres compétences d’IA

Une fois ce socle en place, nos analystes ont pu créer leurs propres compétences sans dépendre fortement de l’équipe Analytics.

Une compétence est un workflow réutilisable que l’IA reconnaît et exécute sur demande. Sa création ne nécessite aucune expertise technique.

En deux mois, la bibliothèque est passée de 3 compétences initiales à 36, et plusieurs classeurs Excel ont été transformés en compétences partagées utilisables par toute l’équipe. Trois mois après le lancement, 87 % des premiers utilisateurs se servaient toujours de CoCo au quotidien. Voici quelques-unes des compétences que nous avons créées.
 

Compétence Processus remplacé
Bookings BvA Analyse manuelle des écarts de fin de mois entre les données et la Finance
Rapport sur les frais de déplacement commerciaux Des heures de reporting interéquipes et de rédaction manuelle d’e-mails
Prévisions globales Un processus mobilisant plusieurs personnes pendant une semaine
Rapprochement des commissions Un workflow manuel dans Excel

La clé de cette réussite réside dans la responsabilisation. L’analyste qui effectue le rapprochement des commissions 15 fois par mois connaît mieux ce workflow que quiconque chercherait à le créer de l’extérieur.

Notre équipe FP&A corporate a défendu la même idée dans son article consacré à qui peut créer des applications financières. Notre bibliothèque de compétences montre à quoi ressemble ce changement à grande échelle.

Bookings BvA

Nos collègues de l’équipe FP&A corporate ont présenté une initiative similaire, leur workflow automatisé d’analyse des écarts, notamment les commentaires sur les écarts générés par l’IA et le modèle de gouvernance associé. Bookings BvA applique le même principe aux bookings : Un analyste saisit "bookings bva" dans CoCo, répond à quelques demandes de paramètres et obtient en quelques minutes les écarts de fin de mois par catégorie d’affaires, y compris les opportunités reportées et les raisons de leur report.

C’est l’exemple le plus parlant d’une compétence ayant remplacé une tâche récurrente de consolidation interéquipes.

Rapport sur les frais de déplacement commerciaux

Les déplacements constituent l’un des principaux postes de coûts maîtrisables d’une équipe commerciale terrain. Pour responsabiliser chacun, il faut une visibilité régulière. La compétence de rapport sur les frais de déplacement commerciaux détermine elle-même la période couverte ; génère, pour chaque responsable, des analyses sur les écarts budgétaires, les dépenses hors politique et les personnes qui dépensent le plus ; puis rédige l’e-mail destiné à chacun. Un travail qui mobilisait deux équipes pendant plusieurs heures prend désormais environ 15 minutes. N’importe quel membre de l’équipe peut l’effectuer, avec des analyses plus cohérentes que celles produites manuellement.

Garder le contrôle lorsque les analystes créent leurs propres compétences

Permettre à une équipe de créer ses propres compétences soulève une question évidente pour toute personne responsable des chiffres : Comment garder le contrôle lorsque les analystes définissent leur propre logique ?

Cette question reflète les mêmes exigences de confiance et d’auditabilité que les responsables financiers appliquent à l’IA. Il faut y répondre avant que les chiffres ci-dessus puissent avoir la moindre valeur. Trois principes permettent de garder le cap :

  • L’équipe d’analytique certifie la source de référence : Un guide technique des sources sous-tend le profil et précise quelles sources de données utiliser, et pourquoi. Les questions complémentaires et les analyses ad hoc s’appuient sur ces mêmes sources, afin que leur contenu reste concordant et traçable.
  • La couche de contexte est gérée de manière centralisée : Les analystes peuvent créer à partir du profil ; l’équipe analytique définit les sources de données et la terminologie sous-jacentes.
  • Les compétences sont partagées et vérifiables : Une compétence qui automatise le rapprochement des commissions est visible par l’équipe qui en dépend. Elle offre ainsi de meilleures conditions de contrôle qu’une feuille de calcul stockée sur un seul ordinateur.

Comment reproduire cette approche dans votre équipe

Notre approche va bien au-delà de la finance : les experts de la plateforme posent les fondations, sur lesquelles une équipe fonctionnelle crée ses propres compétences. Trois étapes suffisent pour y parvenir.

  1. Commencez par certifier vos sources : Déterminez les sources qui font autorité pour chaque question traitée par votre équipe, et consignez les raisons de votre choix. Si vous sautez cette étape, chaque workflow en aval hérite d’une question non résolue : quel chiffre est le bon ?

  2. Encodez ensuite la terminologie et les formats de sortie : Les définitions qui semblent évidentes à votre équipe sont précisément celles que l’intelligence artificielle ne peut pas déduire. Consignez-les une seule fois, de manière centralisée.

  3. Enfin, permettez à l’équipe de créer ses propres compétences : les personnes qui connaissent le mieux un workflow peuvent en créer la meilleure version, dès lors que la couche sous-jacente est fiable. Si vous inversez cet ordre, vous obtenez des workflows rapides, mais fondés sur des sources qui ne font pas consensus.

Cette approche couvre bien d’autres usages que le reporting récurrent. Notre équipe FP&A d’entreprise a adopté la même approche pour la planification à long terme, en interrogeant le plan en langage naturel.

Sans contexte persistant, chaque conversation repart de zéro. Ce qui distingue une équipe équipée d’un outil d’IA d’une équipe qui place l’IA au cœur de son travail quotidien tient généralement à la connaissance que l’IA possède de ce travail.

Pour en savoir plus, rendez-vous à Snowflake Expedition

Découvrez comment les équipes financières transforment leurs méthodes de travail avec Snowflake. Rejoignez-nous à Expedition, notre événement virtuel mondial, du 3 au 5 novembre 2026.

 

Données : utilisation interne de CoCo chez Snowflake, de février à mai 2026, comparant les utilisateurs des équipes financières avec et sans profil (n = 44 utilisateurs). 1 crédit = 2 USD.

Partager ce post

Subscribe to our blog newsletter

Get the best, coolest and latest delivered to your inbox each week

Where Data Does More