Analytique avancée et détection d'anomalies

L'analytique avancée recherche des relations, des évolutions et des comportements inhabituels dans les données financières ou opérationnelles. La détection d'anomalies compare une observation à une référence pertinente pour signaler ce qui mérite une investigation, et non pour déclarer automatiquement une erreur.

• Comparer au bon contexte. Un montant élevé n'est pas nécessairement anormal : il peut correspondre à une activité plus importante, à un contrat particulier ou à une variation saisonnière. La référence peut être une règle métier, un historique comparable ou un montant calculé à partir de l'activité. Le choix dépend de la question posée. Un contrôle des frais de transport, par exemple, gagne à considérer les volumes expédiés plutôt que le seul montant du mois précédent. L'objectif est de détecter une rupture de comportement, pas de sanctionner toute variation.
• Qualifier avant d'agir. Une alerte ouvre une vérification : donnée incorrecte, événement légitime, changement durable ou situation encore inexpliquée. Une anomalie statistique est une observation inhabituelle au regard d'une méthode ; elle ne constitue ni une preuve de fraude ni une erreur comptable démontrée. Le responsable consulte les pièces et échange avec le métier avant de corriger une donnée ou de proposer une décision. Une observation normale pour le modèle peut également masquer un problème.
• Organiser une boucle d'amélioration. Les alertes doivent avoir un responsable, une priorité et une conclusion documentée. Les retours permettent d'ajuster les règles et d'identifier les contrôles inutiles. La valeur de la démarche tient aux investigations pertinentes et aux actions réalisées, pas au volume de signaux produits. Une méthode simple, comprise et régulièrement réexaminée, peut être préférable à un modèle complexe dont personne ne sait expliquer les résultats.

La direction financière doit examiner des données nombreuses, issues de systèmes et de métiers différents. Sans dispositif de détection, elle dépend souvent de contrôles manuels, de comparaisons globales et de la mémoire des équipes. Une dépense inhabituelle peut rester invisible dans un total stable si elle est compensée par une baisse ailleurs.

Sortir des comparaisons trop générales

Le budget est un plan financier de référence adopté pour une période. L'écart budgétaire se calcule comme réel − budget ; son caractère favorable ou défavorable dépend de la nature du poste et du contexte. Un dépassement de charges peut être justifié par une hausse d'activité. À l'inverse, une charge conforme au budget peut contenir une facture dupliquée. La détection enrichit donc l'analyse des écarts, sans la remplacer.

Réduire les angles morts

Les difficultés concrètes comprennent les changements d'unité, les erreurs de devise, les dépenses enregistrées sur un mauvais compte et les coûts répartis sur plusieurs entités. Les équipes peuvent aussi manquer une rupture progressive : chaque variation paraît faible, mais leur succession révèle une dérive. Les contrôles doivent alors combiner la lecture des transactions et celle des tendances.

Rendre les investigations exploitables

Une liste brute de valeurs inhabituelles déplace le travail au lieu de le résoudre. La finance a besoin d'une raison d'alerte, d'un montant en jeu, d'un contexte et d'un accès à la donnée source. Elle doit aussi distinguer les données provisoires des données validées pour éviter de commenter un chargement incomplet.

La pratique résout ainsi un problème d'attention et de coordination. Elle aide à sélectionner les vérifications utiles, à transmettre les questions au bon interlocuteur et à conserver les explications. Elle ne garantit pas que tous les problèmes seront détectés : certaines erreurs ressemblent parfaitement à des opérations normales.

1. Définir l'observation étudiée. Préciser s'il s'agit d'une facture, d'un solde ou d'une dépense par entité et période. La granularité est le niveau de détail auquel une donnée est analysée. Trop agrégée, elle masque les problèmes ; trop fine, elle peut produire des comparaisons peu significatives.

2. Préparer des données comparables. Vérifier les dates, unités, devises et périmètres. Un référentiel est un ensemble partagé de codes et de définitions servant à identifier les objets de gestion. Sa cohérence évite de comparer des comptes ou des activités différents sous une même étiquette. Les référentiels finance sont donc un préalable pratique.

3. Construire une référence attendue. Une règle métier peut relier une dépense au volume d'activité. Une méthode statistique peut utiliser la médiane ou un historique corrigé de la saisonnalité. La médiane est une valeur telle qu'au moins la moitié des observations lui sont inférieures ou égales et au moins la moitié lui sont supérieures ou égales. Pour une série numérique ordonnée, on retient la valeur centrale si l'effectif est impair et, par convention usuelle, la moyenne des deux valeurs centrales s'il est pair. La saisonnalité est une variation récurrente liée au calendrier. L'apprentissage automatique désigne des méthodes qui ajustent un modèle à partir de données ; il devient utile lorsque les relations sont difficiles à décrire par des règles simples.

4. Mesurer l'écart et déclencher un signal. Le score d'anomalie est une mesure du caractère inhabituel d'une observation selon la méthode retenue. Ce score n'est pas nécessairement une probabilité d'erreur. Un seuil d'alerte est la limite à partir de laquelle une investigation est demandée. Il peut combiner importance financière et écart relatif. L'écart relatif rapporte la différence entre la valeur observée et la référence à cette référence : (observé − référence) ÷ référence, exprimé en pourcentage. Ce calcul n'est pas applicable lorsque la référence est nulle.

5. Vérifier puis capitaliser. Le responsable examine les pièces, classe le signal et documente sa conclusion. Les données sont corrigées si nécessaire, puis le calcul est relancé. Les causes confirmées servent à améliorer les règles, sans transformer automatiquement chaque événement exceptionnel en comportement normal.

Dans cet exemple entièrement fictif, une entreprise de taille intermédiaire contrôle les frais de transport de trois sites sur un mois. Les contrats prévoient un coût de 2 € par unité expédiée, sans frais fixes ni supplément ; toutes les données portent sur le même périmètre et la même période.

Le coût unitaire est le coût rapporté au nombre d'unités : frais de transport ÷ unités expédiées. Le montant attendu est ici une référence contractuelle, et non un budget.

| Site | Unités expédiées | Frais attendus | Frais enregistrés | Écart au montant attendu | Coût unitaire réel | |---|---:|---:|---:|---:|---:| | A | 10 000 | 20 000 € | 20 000 € | 0 € | 2,00 € | | B | 8 000 | 16 000 € | 19 200 € | +3 200 € | 2,40 € | | C | 12 000 | 24 000 € | 24 000 € | 0 € | 2,00 € | | Total | 30 000 | 60 000 € | 63 200 € | +3 200 € | — |

Calculs vérifiables

Les montants attendus sont : A = 10 000 × 2 = 20 000 € ; B = 8 000 × 2 = 16 000 € ; C = 12 000 × 2 = 24 000 €. Le total des unités est 10 000 + 8 000 + 12 000 = 30 000. Le total attendu est 20 000 + 16 000 + 24 000 = 60 000 € ; le total enregistré est 20 000 + 19 200 + 24 000 = 63 200 €.

Pour B, l'écart vaut 19 200 − 16 000 = +3 200 €. L'écart relatif vaut 3 200 ÷ 16 000 = 20 %. Son coût unitaire est 19 200 ÷ 8 000 = 2,40 € ; ceux de A et C sont respectivement 20 000 ÷ 10 000 = 2,00 € et 24 000 ÷ 12 000 = 2,00 €.

De l'alerte à la conclusion

La règle fictive déclenche une alerte si les frais enregistrés dépassent le montant attendu de plus de 2 000 € et si ce dépassement représente plus de 10 % du montant attendu. Seul B satisfait les deux conditions. La vérification révèle une facture de 3 200 € enregistrée deux fois. Après suppression du doublon, B revient à 19 200 − 3 200 = 16 000 €, et le total à 63 200 − 3 200 = 60 000 €. L'écart est défavorable pour ce poste de charges, mais seule l'investigation établit qu'il s'agit d'une erreur.

1. Cadrer la décision à améliorer. Choisir un problème concret : doublons de dépenses, coûts unitaires inhabituels ou variations de soldes inexpliquées. Préciser ce que l'équipe fera lorsqu'une alerte sera confirmée. Livrable : une fiche de cas d'usage avec périmètre, responsables et critères d'utilité.

2. Établir le contrat de données. Décrire sources, fréquence de mise à disposition, unités et règles de validation. La traçabilité des données est la capacité à retrouver leur origine et leurs transformations. Un dictionnaire des données décrit chaque donnée : sa signification, son format, son unité et les règles qui lui sont applicables. Livrable : un dictionnaire des données et un schéma reliant chaque information analysée à sa source.

3. Construire une référence simple. Partir de règles comprises par les métiers avant d'ajouter une méthode plus complexe. Documenter les exclusions, les effets de calendrier et les situations sans historique comparable. Livrable : une fiche de méthode précisant le montant attendu, le calcul de l'écart et les seuils.

4. Tester sur le passé sans utiliser le futur. Un test rétrospectif consiste à appliquer une méthode à des périodes passées pour évaluer ses résultats. Chaque test doit employer uniquement les données qui auraient été disponibles à la date considérée. Livrable : un dossier de résultats avec alertes utiles, alertes non pertinentes et problèmes connus non détectés.

5. Organiser la revue humaine. Définir les personnes qui examinent, valident et corrigent. Prévoir une voie d'escalade pour les cas sensibles et des droits d'accès adaptés. Livrable : un registre d'alertes comportant statut, justification, pièces et décision.

6. Piloter puis étendre. Comparer la charge d'investigation à la capacité des équipes, recueillir leurs retours et suivre les changements de méthode. Livrable : un bilan de pilote et une procédure de maintenance. L'extension à d'autres entités dépend de résultats reproductibles, pas seulement d'une démonstration convaincante. Une règle efficace sur une activité ne doit pas être copiée ailleurs sans vérifier les conditions économiques.

Commencer par la question métier

Décrire l'événement recherché avant de choisir une méthode. « Repérer les coûts de transport incompatibles avec les volumes » est plus exploitable que « trouver toutes les anomalies ». Cette précision permet de sélectionner une référence, de désigner un responsable et de définir une action possible.

Comparer des situations comparables

Le groupe de comparaison rassemble des observations ayant des caractéristiques économiques suffisamment proches. Des sites soumis à des contrats, distances ou activités différents ne doivent pas recevoir mécaniquement le même seuil. Les différences de calendrier et les changements de périmètre doivent être visibles, plutôt que cachés dans un ajustement inexpliqué.

Combiner importance financière et comportement inhabituel

La matérialité est l'importance d'une information au regard des décisions ou risques concernés. Une variation relative élevée sur un montant faible peut être secondaire ; un écart relatif modéré sur une charge majeure peut mériter une revue. Des contrôles spécifiques restent nécessaires pour les risques sensibles, même lorsque le montant est faible.

Montrer pourquoi l'alerte existe

L'explicabilité est la capacité à rendre compréhensible le résultat d'une méthode. Présenter le réel, la référence, l'écart, les facteurs pris en compte et les limites connues. Une explication intelligible permet au contrôleur de gestion de contester le résultat et d'échanger utilement avec l'opérationnel.

Conserver les exceptions sans banaliser les problèmes

Enregistrer les événements légitimes, leur période de validité et leur justification. Une exception permanente doit être réexaminée lorsque le contrat ou l'activité change. Les données suspectes ne doivent pas alimenter une nouvelle référence avant qualification.

Enfin, articuler les alertes avec le commentaire de gestion. Le commentaire restitue les faits vérifiés, distingue hypothèse et conclusion, puis précise l'action. Il ne doit pas reprendre un signal automatique comme une cause démontrée.

Confondre inhabituel et incorrect

Une dépense exceptionnelle peut être autorisée et correctement comptabilisée. À l'inverse, une erreur récurrente peut sembler normale. Éviter toute correction automatique fondée uniquement sur un score ; demander une preuve et conserver la conclusion de la revue.

Apprendre sur un passé non représentatif

Un changement de contrat, une acquisition ou une interruption d'activité peut rendre l'historique trompeur. La dérive des données est une évolution de leur distribution ou de leurs caractéristiques au cours du temps. Elle peut réduire la pertinence d'une méthode existante ; son impact doit être évalué. Surveiller les changements de contexte et réexaminer la référence avant de simplement relever les seuils.

Tester avec des informations indisponibles à l'époque

La fuite d'information apparaît lorsqu'un modèle utilise des données qu'il n'aurait pas connues au moment de produire son résultat. Une correction comptable réalisée après la période ne doit pas être traitée comme déjà connue pendant le test. Conserver les dates de disponibilité et séparer les données servant à ajuster la méthode de celles servant à l'évaluer.

Produire une liste impossible à traiter

Des seuils trop sensibles créent une accumulation d'alertes. Les équipes finissent alors par ignorer les signaux. Regrouper les alertes liées à une même cause, hiérarchiser les investigations et mesurer la charge réelle. Ne pas améliorer artificiellement les résultats en supprimant tous les cas difficiles.

Prendre une association pour une cause

La corrélation est une association statistique entre variables ; elle ne prouve pas qu'une variable provoque l'autre. Une hausse simultanée des ventes et des frais peut provenir d'un facteur commun. Vérifier les mécanismes économiques avant de conclure.

Exposer inutilement des informations sensibles

Les détails de paie ou de transactions peuvent contenir des données personnelles. Limiter les données consultées, les habilitations et la durée de conservation au besoin réel. Une explication générée automatiquement ne doit ni divulguer des informations non autorisées ni présenter une hypothèse comme un fait.

Un indicateur clé de performance (KPI) est une mesure suivie pour apprécier l'atteinte d'un objectif. Pour la détection d'anomalies, les indicateurs doivent distinguer qualité du signal, couverture des problèmes et efficacité du traitement. Le nombre d'alertes seul ne mesure pas la valeur créée. Un vrai positif est une alerte correspondant à un problème confirmé ; un faux positif est une alerte qui, après examen conclu, ne correspond pas au problème recherché.

• Précision des alertes qualifiées : alertes confirmées comme problèmes ÷ alertes dont la qualification est conclue, soit vrais positifs ÷ (vrais positifs + faux positifs). Exclure les qualifications encore indéterminées et présenter séparément leur nombre. Un examen limité aux cas faciles peut surestimer la précision.
• Rappel de détection : problèmes détectés ÷ ensemble des problèmes réellement présents dans le périmètre évalué. Un faux négatif est un problème présent mais non signalé. Le rappel exige un jeu de cas vérifié ou une revue indépendante, comprenant des observations sans alerte. Sans cette référence, il n'est pas calculable de manière fiable.
• Taux de traitement : alertes clôturées ÷ alertes ouvertes dans une même cohorte. Une cohorte est un ensemble de dossiers regroupés selon un critère commun, ici leur période d'ouverture. Préciser la date de mesure pour ne pas mélanger des dossiers anciens et récents.
• Délai moyen de qualification : somme des durées entre émission et conclusion ÷ nombre d'alertes conclues. Afficher aussi l'ancienneté des alertes en attente, sinon les cas bloqués disparaissent de la mesure.
• Montant corrigé : somme des montants des corrections validées attribuables aux investigations. Ne pas l'assimiler à une économie : supprimer un doublon comptable n'implique pas nécessairement récupérer un paiement.

Les livrables comprennent le catalogue des contrôles, la fiche de méthode, le registre d'alertes, les justificatifs et le bilan de suivi. Chaque indicateur doit mentionner son périmètre, sa date, son dénominateur et le traitement des cas non conclus. Lorsque le dénominateur est nul, afficher « non calculable », pas un résultat trompeur.

Un EPM (Enterprise Performance Management) est un système de gestion de la performance qui organise notamment la planification, l'analyse financière et, selon les solutions, la consolidation comptable. La consolidation comptable consiste à présenter les comptes d'un groupe comme ceux d'une seule entité économique, notamment en éliminant les opérations et soldes réciproques entre les entités consolidées. Il peut fournir un cadre commun aux données, aux calculs et au traitement des alertes ; il n'est pas nécessairement le moteur de détection lui-même.

Relier le signal au processus financier

Des fonctionnalités utiles sont la centralisation des données, la gestion des versions, les droits d'accès, les commentaires et les circuits de validation. Une version est un état identifié des données ou hypothèses, conservé pour comparaison et traçabilité. Elle permet de distinguer une alerte calculée sur des données provisoires d'une alerte produite après validation.

L'EPM peut présenter les observations par compte, entité et période, relier une alerte à une justification et conserver les décisions. Lorsque l'analyse s'exécute dans un outil séparé, il faut organiser les échanges de données, la restitution des résultats et la gestion des accès. La comparaison entre attendu et réel reste cohérente si les périmètres et versions sont explicitement identifiés.

Examiner les solutions sans présumer de leurs capacités

OneStream, CCH Tagetik et Oracle EPM sont des solutions à examiner pour les processus financiers intégrés. SAP Analytics Cloud peut être étudié pour l'articulation entre analyse et planification. Anaplan, Pigment, Board et Workday Adaptive Planning sont également pertinents selon le besoin de planification et d'analyse.

Pour chaque solution, vérifier sur le cas réel ce qui relève d'une fonction native, d'un module sous licence, d'un paramétrage ou d'un service externe. Demander une démonstration des explications, de l'accès aux sources, des validations humaines et de la conservation des résultats. L'existence d'une fonction prédictive ne prouve pas qu'elle convient à la recherche de doublons ou aux contrôles comptables.

Débutant : rendre les contrôles reproductibles

Les équipes utilisent des extractions et des règles explicites : montants inhabituels, doublons potentiels ou variations de coûts unitaires. La revue dépend encore largement de quelques personnes. Les signes distinctifs sont une référence documentée, un responsable identifié et des conclusions conservées, même dans un registre simple.

La priorité est de stabiliser les données et de démontrer qu'une alerte conduit à une vérification utile. Le passage au niveau suivant devient raisonnable lorsque les mêmes contrôles peuvent être relancés sans reconstruction manuelle et que les exceptions sont justifiées.

Intermédiaire : organiser la détection et le traitement

Les données sont harmonisées, les contrôles exécutés régulièrement et les alertes réparties entre responsables. Les méthodes distinguent les activités comparables et les variations de calendrier. Les résultats sont suivis par catégorie de problème, avec une mesure de la précision et des délais.

Le signe distinctif est la continuité du processus : une absence ou un changement d'équipe ne fait pas disparaître les contrôles. Les seuils, versions et décisions sont conservés. La limite reste souvent une maintenance réactive, déclenchée après une accumulation d'alertes non pertinentes.

Avancé : superviser les méthodes et leurs limites

Les règles métier et modèles statistiques sont combinés selon les risques. Leur qualité est évaluée sur des données distinctes de celles utilisées pour les ajuster. Les changements de contexte sont surveillés, les méthodes peuvent être suspendues et les cas non signalés font aussi l'objet de revues ciblées.

Le signe distinctif n'est pas la complexité du modèle, mais la capacité à expliquer ses résultats, mesurer ses angles morts et revenir à une méthode plus simple si nécessaire. La maturité peut différer entre domaines : les achats peuvent disposer d'un processus robuste tandis que la trésorerie reste au stade des règles manuelles. Il est préférable de progresser par usage plutôt que d'attribuer un niveau unique à toute l'entreprise.

• [ ] Quel problème précis voulons-nous détecter, et quelle décision suivra une confirmation ? La réponse décrit-elle une action concrète plutôt qu'un objectif général d'automatisation ?
• [ ] Quel est le niveau de détail utile : transaction, compte, entité ou période ? Une agrégation risque-t-elle de masquer des anomalies qui se compensent ?
• [ ] Les données comparées utilisent-elles les mêmes unités, devises, dates et périmètres ? Les données manquantes sont-elles distinguées des valeurs nulles ?
• [ ] Pouvons-nous retrouver la source et les transformations de chaque observation ? La date réelle de disponibilité est-elle connue pour les tests sur le passé ?
• [ ] Quelle référence représente un comportement attendu : contrat, activité, historique comparable ou modèle ? Ses limites et exceptions sont-elles documentées ?
• [ ] Les changements de calendrier, de contrat ou d'organisation sont-ils pris en compte ? Qui signale ces événements à l'équipe chargée des contrôles ?
• [ ] Les seuils combinent-ils pertinence économique et risque ? Existe-t-il une justification pour les contrôles sensibles portant sur de faibles montants ?
• [ ] Chaque alerte présente-t-elle le réel, l'attendu, l'écart et une raison compréhensible ? L'utilisateur peut-il contester le résultat et consulter les pièces autorisées ?
• [ ] Qui examine, qui valide et qui corrige ? Une procédure existe-t-elle pour les cas non conclus, les désaccords et les alertes urgentes ?
• [ ] Mesurons-nous la précision, la charge de traitement et les délais sur des périmètres cohérents ? Une revue indépendante permet-elle d'évaluer les problèmes non signalés ?
• [ ] Les méthodes, seuils et conclusions sont-ils conservés par version ? Une correction peut-elle être reliée à l'alerte et à sa justification ?
• [ ] Les accès et données sensibles sont-ils limités au besoin réel ? Savons-nous suspendre une méthode devenue peu fiable et revenir à un contrôle explicite ?
• [ ] Les retours des utilisateurs conduisent-ils à des ajustements documentés ? Vérifions-nous qu'une réduction des alertes ne masque pas simplement des problèmes auparavant détectés ?

À retenir. L'analytique avancée aide à choisir où regarder, mais ne décide pas seule de ce qui est correct. Une référence pertinente, des données comparables et une investigation documentée sont plus importantes qu'un grand nombre d'alertes. La démarche devient durable lorsqu'elle s'intègre au travail financier et que ses limites sont régulièrement évaluées.

Une anomalie signifie-t-elle qu'il y a une fraude ?

Non. Elle indique un comportement inhabituel selon une méthode donnée. Il peut s'agir d'une erreur, d'un événement légitime ou d'un signal de risque. Une conclusion de fraude exige des éléments probants et une investigation appropriée ; un score ne suffit pas.

Faut-il obligatoirement de l'intelligence artificielle ?

L'intelligence artificielle (IA) désigne des systèmes réalisant des tâches telles que l'apprentissage, la reconnaissance de formes ou la génération de contenu. Elle n'est pas indispensable ici. Des règles contractuelles, des ratios et des comparaisons historiques peuvent être adaptés. Une méthode plus complexe se justifie si elle apporte une utilité démontrée et reste contrôlable.

Quelle différence avec la prévision prédictive ?

La prévision prédictive estime une valeur future à partir de données et d'hypothèses. La détection d'anomalies examine si une observation paraît inhabituelle. Une prévision peut fournir une référence attendue, mais tout écart à cette référence n'est pas une erreur. Le contexte et l'incertitude du modèle restent déterminants.

Peut-on corriger automatiquement les données ?

Pas sur la seule base d'une alerte statistique. Une correction doit reposer sur une règle autorisée et des éléments vérifiés, avec conservation de la donnée initiale et de la justification. Pour les cas ambigus ou sensibles, la validation humaine est indispensable.

Comment démontrer l'utilité du dispositif ?

Suivre les problèmes confirmés, les corrections validées, la charge d'investigation et les délais. Examiner aussi un ensemble de données sans alerte pour rechercher les angles morts. Un dispositif utile améliore les vérifications et les décisions ; il ne se juge pas au seul nombre de signaux.