Comment générer des données vraiment utiles

Par Tony Ritlop
Illustration : Baiba Black

Un traitement des données concluant s’appuie sur une planification rigoureuse et un outil analytique approprié

Nous pouvons tous témoigner de la prolifération des systèmes d’information et de l’automatisation dans notre vie professionnelle et personnelle. Il n’existe guère de tâche ou de transaction, financière ou autre, qui ne soit saisie et enregistrée quelque part, que ce soit par notre ordinateur personnel, notre téléphone intelligent ou le système ERP de l’organisation qui aura coûté des millions de dollars à mettre en place de même qu’à entretenir. Selon les observateurs, ces données peuvent s’avérer une mine d’or. La question est de savoir s’il est possible d’extraire de l’information utile de toutes ces données, sans être un expert en exploration de données et sans y consacrer un temps fou.

L’analyse de données, appliquée généralement à une population entière, tend à fournir des résultats plus complets et exhaustifs que l’analyse par échantillonnage. Cependant, de nombreux professionnels se demandent encore comment tirer la plus grande valeur possible de toutes les données à leur disposition.

Qu’est-ce que cela signifie et en quoi est-ce utile?
Voyons d’abord ce que nous savons. Le terme «analyse de données» est souvent utilisé, à titre de description passe-partout, en ce qui a trait à toutes les techniques et approches en la matière. Par ailleurs, les termes «surveillance continue des contrôles» et «vérification continue» sont surutilisés et décrivent mal les fonctionnalités qu’ils recouvrent.

Pour mieux comprendre ce qu’est l’analyse de données, voyons les différentes formes qu’elle peut prendre. Plus précisément, les trois résultats les plus attendus (voir tableau de la page 40) à la suite d’une analyse de données approfondie sont les suivants :

la prise de mesures à l’égard des risques et l’évaluation des contrôles internes;
l’amélioration du rendement;
les prévisions.

La plupart des vérificateurs et même des propriétaires d’entreprise, qu’ils soient orientés données ou non, peuvent mettre en œuvre des traitements analytiques relativement simples afin de traiter les risques et d’évaluer les contrôles internes dans le cadre d’une vérification ou d’un examen. Voici quelques traitements analytiques porteurs de valeur en ce qui concerne les risques et les contrôles :

analyse des écritures de journal afin d’y repérer les irrégularités;
analyse des stocks afin de repérer des problèmes d’attribution des coûts (par exemple, des produits dont le coût a fluctué, sur une période donnée, de plus ou moins x %) ou d’établissement des prix (par exemple, des produits qui ont été vendus pour un prix inférieur ou supérieur au coût de x %);
analyse des comptes débiteurs à la recherche d’éléments de confirmation (à l’aide de concepts statistiques de base) ainsi que de dépendances économiques, etc.;
analyse des comptes créditeurs, également à la recherche d’éléments de confirmation, en plus du classement chronologique, y compris une possible analyse simple de l’évolution du fonds de roulement combinée aux décaissements réels;
analyse des relevés des frais par rapport aux limites établies pour identifier les tendances, etc.;
comparaison du livre de paie en fin d’année par rapport aux salaires indiqués dans le fichier principal des employés;
analyse des paiements effectués pendant une période définie par rapport à une liste de fournisseurs connus et approuvés, et par rapport aux limites de décaissement approuvées;
analyse du fichier principal des employés à la recherche de numéros de sécurité sociale non valides, un indice possible d’employés fictifs;
comparaison des adresses des employés ainsi que des adresses des fournisseurs;
recherche de doublons ou de trous dans une série prénumérotée de chèques;
isolement de transactions répétitives (par exemple, décaissements, mouvements de stocks, etc.) et suivi quant à leur nature.

En quoi ces analyses peuvent-elles être utiles?
Une meilleure compréhension des différents traitements analytiques des données permet de mieux juger de leur intérêt réel pour le praticien dans une situation donnée. Ce processus doit être axé sur deux aspects principaux : savoir si la stratégie existante peut être remplacée par une autre plus efficace, et si la nouvelle stratégie donnera de meilleurs résultats.

Les analyses ou les procédés de vérification manuels sont sans doute les plus faciles à remplacer par une analyse de données. Cependant, le simple remplacement des étapes de vérification manuelle par un traitement analytique ne suffira généralement pas à faire ressortir assez d’avantages pour justifier un investissement en outils analytiques.

C’est là que le deuxième aspect doit être évalué. Plus précisément, si le traitement analytique des données permet d’assurer un certain confort dans des domaines de risque spécifiques dont le suivi et le contrôle ne peuvent être assurés efficacement au moyen de procédés manuels, alors, par extension, l’analyse de données permettra d’obtenir de meilleurs résultats.

Pour savoir s’il est possible d’obtenir de meilleurs résultats (par exemple une meilleure couverture, le traitement d’un plus grand nombre de risques, etc.), il faut aussi tenir compte des compétences du praticien, car il sera probablement la première personne à pouvoir repérer les anomalies.

Êtes-vous en mesure d’en tirer parti?
Après avoir réfléchi à l’utilité de l’analyse de données, voyons maintenant l’étape suivante qui consiste à déterminer s’il est possible de tirer parti des compétences existantes ou de les développer, et s’il est sensé de développer ou d’acquérir les compétences requises.

Étant donné qu’il s’agit d’exploiter la technologie, la composante compétences techniques ne peut être ignorée. Rappelons qu’un outil automatisé ne peut arriver à lui seul à une vérification efficace, et qu’il sera aussi efficace que le professionnel qui l’utilise.

Par ailleurs, un analyste à qui l’on donnerait ACL, IDEA, ActiveData, SQL ou tout autre outil n’aboutirait pas forcément à des conclusions exceptionnelles. Trop souvent, les budgets des projets d’analyse de données sont consacrés à la formation de base de deux ou trois vérificateurs possédant un intérêt naissant pour l’utilisation de ce type d’outils.

Cependant, sans formation, initiative et directives appropriées, ces vérificateurs risquent d’effectuer une analyse mal orientée et de peu d’intérêt. De façon générale, les bons vérificateurs ne font pas forcément de bons analystes et vice versa; il faut une combinaison des bonnes compétences et de la bonne approche. Le traitement analytique des données aux fins de la vérification peut produire des résultats spectaculaires.

Par contre, il peut aussi offrir à peine plus que les procédés manuels qu’il remplace, mais cela n’est pas nécessairement une mauvaise chose. Le recours à l’analyse pour valider l’efficacité des procédés existants accroît la confiance à l’égard du programme de vérification dans son ensemble. Cependant, si l’investissement et les attentes sont établis pour améliorer les résultats sans objectif précis, l’analyse est rarement considérée comme une réussite par les utilisateurs finaux.

Avant de se lancer dans une quelconque analyse de données, il est utile de se rappeler que, de tout temps, l’un des obstacles les plus importants à l’exécution d’un traitement analytique était simplement la saisie de l’information sous une forme lisible et utilisable. Il serait juste de dire qu’environ 50 à 60 % du budget total d’une analyse de données était consacré à la demande des données, à leur réception, à leur examen initial, à leur préparation et aux demandes de renseignements. C’est à ce moment seulement que l’analyse détaillée pouvait vraiment commencer.

En supposant qu’on puisse obtenir un jeu de données exploitables, il est possible de commencer à planifier un exercice de traitement analytique des données. À cet égard, l’élément le plus important est peut-être d’avoir au moins une petite idée de ce que l’on cherche (à un certain point) et de la façon de le trouver (en ayant au moins une connaissance minimale des outils analytiques).

De plus, il n’y a aucun mal à ce que les attentes soient élaborées par plusieurs personnes, situation dans laquelle le véritable exécuteur de l’analyse de données (c’est-à-dire la personne qui manipule l’outil) travaille en tandem avec quelqu’un qui ne possède aucune expérience en la matière, mais qui a une connaissance approfondie des risques et des contrôles spécifiques de l’entreprise. Très fréquemment, l’absence d’une telle collaboration au sein des équipes de mission se traduit par une analyse infructueuse.

Pour les praticiens dont les ressources sont limitées, cela peut simplement signifier une analyse mieux ciblée et axée sur les attentes, plus précisément, avoir quelques attentes mûrement réfléchies, élaborées sur la base de leurs propres connaissances des activités de l’entreprise et corroborées par la direction.

Outils disponibles
Une fois prise la décision d’aller de l’avant avec l’analyse des données, et que l’on sait comment et par qui elle sera faite, le choix du bon outil est crucial. Une pléiade d’options sont offertes : ACL, IDEA, ActiveData, SQL, SAS et même le bon vieux Microsoft Excel sont très populaires. Le choix de l’outil (ou des outils) à utiliser dépend des considérations suivantes :

le volume de données à traiter (certains outils ont des limites);
l’utilisabilité des données brutes (c’est-à-dire la manipulation et la mise en forme nécessaires pour importer les données);
les compétences disponibles pour procéder à l’analyse;
les plateformes technologiques existantes et le soutien offert;
les contraintes budgétaires.

En ce qui a trait aux compétences, la bonne nouvelle est que la plupart des outils actuellement disponibles et les plus populaires présentent suffisamment de similitudes pour que ceux qui en connaissent un soient en mesure de s’adapter aux exigences d’un autre. De plus, bien que ces outils soient différents, notons que l’analyse des données repose avant tout sur l’approche du praticien plutôt que sur l’outil lui-même. Les avis divergent quant à savoir quels sont les meilleurs outils, et chaque utilisateur doit fixer ses critères principaux. Une fois l’outil acquis, il doit être exploité de façon efficace pour livrer la valeur promise, et la réussite de l’analyse dépend essentiellement de l’engagement du praticien.

Il faut mentionner que les analyses s’amélioreront avec le temps. Les erreurs seront lissées, les compétences évolueront et, éventuellement, l’accent sera mis davantage sur l’amélioration de l’analyse, l’élaboration d’attentes plus élevées et la recherche d’opportunités d’améliorer les affaires plutôt que sur la saisie des données et l’exécution des commandes. Pour ceux qui sont habitués à une approche manuelle traditionnelle, un investissement initial est nécessaire pour donner à l’analyse de données la chance d’être adoptée et, avec le temps, améliorée.

Conclusions
L’utilisation soutenue et efficace des traitements analytiques peut nécessiter un changement d’attitude de la part du praticien. Pour ce faire, il doit y avoir une évolution dans l’approche adoptée par celui-ci en matière de risque, de test des contrôles et de programmes de contrôle, et le praticien doit prendre du recul pour identifier les améliorations de rendement qu’il serait possible d’apporter afin de mieux atteindre les objectifs stratégiques de la direction.

Le tableau à la page 39 résume quelques-uns des principes directeurs qui doivent être pris en compte pour déterminer si l’analyse de données mérite d’être explorée plus en détail.

De plus, si la décision de poursuivre dans cette voie est prise, certaines conditions minimales doivent être établies quant aux données elles-mêmes pour justifier l’investissement requis :

Est-il possible de retirer une valeur de cet exercice?
Disposons-nous des compétences et du budget nécessaires pour mettre en œuvre efficacement l’analyse de données?
Les données nécessaires sont-elles disponibles?

L’analyse de données peut accélérer l’exécution des vérifications ou confirmer des éléments sur lesquels subsistaient des doutes. C’est là que le traitement analytique peut vraiment être rentable.

Tony Ritlop, CA, CA•TI, CISA, CGEIT, est associé des Services consultatifs chez Ernst & Young à Montréal. On peut lui écrire à tony.ritlop@ca.ey.com.

Yves Godbout, CA•TI, CA•CISA, est directeur du service TI au Bureau du vérificateur général du Canada et dirige cette rubrique. On peut le joindre à godbout@computrad.com.