Chap. 1
Introduction à l'analyse des données
1. Concepts clés de l’analyse des données (Data Analytics - DA)
L’analyse des données vise à exploiter des données pour en extraire des informations utiles, améliorer la prise de décision et optimiser les processus, notamment dans le cadre de l’audit.
2. Processus d’analyse des données en audit
Le processus se décompose en plusieurs étapes clés, impliquant l’auditeur, les spécialistes DA et le client :
| Étape | Description principale | Acteurs impliqués |
|---|---|---|
| Planification | Définition du périmètre, gestion des attentes, budget, staffing, définition des exigences, coordination procédure | Auditeur, client |
| Extraction des données | Installation des outils, extraction, validation, transfert de données, check exhaustivité | Spécialistes DA, client |
| Traitement | Téléchargement et nettoyage des données, contrôle qualité, examen des valeurs aberrantes, exécution des routines, visualisation des résultats, discussion des premiers résultats | Spécialistes DA |
| Analyse et reporting | Examen des valeurs aberrantes et des exceptions, documentation des résultats, contrôle qualité, présentation des résultats | Auditeur, spécialistes DA |
| Conclusion | Documentation finale des rapports, archivage, retour d’expérience | Auditeur, client |
3. Facteurs influençant l’analyse des données en audit
| Catégorie | Facteurs clés |
|---|---|
| Prescriptions légales | Normes d’audit, protection des données, exigences qualité |
| Client | Volonté et capacité à fournir les données, volume et qualité des données |
| Outils | Complexité, licences, capacité serveur, environnement IT |
| Expertise-comptable diplômé | Connaissance des outils, intégration d’experts DA, facteur temps |
4. Exemples d’utilisation de la DA dans la planification de l’audit (NAS 220)
- Connaissance de l’entreprise et profil de risque via données publiques (ex. agences de notation, avis en ligne)
- Utilisation de données accessibles au public comme les agences de notation ou Google rating
- Données internes : comportement de paiement, informations issues d’autres services
- Pricing-Tools : calcul des honoraires, benchmarking clients
5. Exemples d’utilisation de la DA dans la planification analytique (NAS 300ss.)
- Analyse du grand livre :
- Planification analytique
- Analyse des comptes de contrepartie
- Analyse des écritures critiques (utilisateur, montants, texte comptable)
- Identification de transactions inhabituelles significatives
6. Exemples d’utilisation de la DA dans la réalisation de l'audit
- Opérations de contrôle analytique avec la DA
- Chiffre d'affaires / créances
- Analyse du chiffre d'affaires avec valeurs de comparaison
- Analyse des marges
- Analyse du portefeuille de créances avec valeur de comparaison
- Achat
- Analyse des COGS avec valeur de comparaison
- Analyse des marges avec valeur de comparaison
- Analyse des états des créanciers avec valeur de comparaison
- Chiffre d'affaires / créances
À retenir : L’analyse des données en audit suit un processus structuré d’extraction, traitement, analyse et reporting, influencé par des facteurs légaux, techniques, humains et organisationnels, et permet d’améliorer la planification et la qualité des audits.
Chap. 2
Objectifs de l'analyse des données
1. Objectifs de l’analyse des données (DA)
L’analyse des données (DA) sert principalement à deux fins dans le cadre de l’audit : l’évaluation du risque et la procédure d’audit. Ces deux objectifs peuvent utiliser des analyses similaires, mais leur finalité et leurs conclusions diffèrent selon le stade d’application.
2. DA pour l’évaluation des risques
- But : Identifier et comprendre les risques potentiels liés aux processus, aux données ou aux contrôles.
- Exemples :
- Analyse des mutations des données de base pour détecter des écarts inhabituels.
- Analyse des temps de traitement pour repérer des anomalies.
- Consultation des configurations système pour comprendre l’environnement informatique.
3. DA comme procédure d’audit
- But : Vérifier et valider les contrôles et les données dans le cadre des procédures d’audit.
- Exemples :
- Vérification du 3-way match (commande, réception, facture) au niveau des transactions.
- Contrôle des limites de crédit au niveau client.
- Analyse des écritures au crédit pour vérifier la logique d’autorisation.
4. Domaines d’application de la DA en audit
| Domaine | Objectifs principaux | Exemples d’analyses |
|---|---|---|
| Chiffre d’affaires / créances | Analyse des écarts, marges, portefeuille de créances avec valeurs de comparaison (année, pays, client, produit) | Comparaison des chiffres d’affaires et marges par période, pays, client, produit |
| Achats | Analyse des coûts des marchandises vendues (COGS), marges, états des créanciers | Comparaison des COGS, marges, états des créanciers par période, pays, client |
| Process mining | Compréhension des processus via l’analyse des livres auxiliaires | Analyse des modifications des données de base, détection d’anomalies |
| Paramètres système | Compréhension de l’environnement informatique et des processus via la consultation des configurations | Analyse des configurations système pour évaluer les risques liés aux systèmes et processus |
5. Points clés à retenir
L’analyse des données peut être utilisée à la fois pour évaluer les risques et comme procédure d’audit, mais l’objectif et la conclusion dépendent du contexte et du stade d’application.
- La DA permet d’identifier des anomalies, des écarts et des risques potentiels.
- Elle facilite la vérification des contrôles et la validation des données.
- L’analyse doit être ciblée selon les objectifs : évaluation des risques ou vérification des contrôles.
- Les comparaisons temporelles (ex. année précédente) et par segment (pays, client, produit) sont des outils essentiels.
- La compréhension des processus et des systèmes informatiques est cruciale pour contextualiser les résultats.
Cette synthèse permet de cadrer l’utilisation de la DA dans l’audit, en insistant sur la double fonction d’évaluation des risques et de procédure d’audit, ainsi que sur les types d’analyses pertinentes selon les domaines étudiés.
Chap. 3
Applications de l'analyse des données dans l'audit
1. Applications de l'analyse des données dans l'audit
L'analyse des données (DA) est utilisée à deux niveaux principaux dans l'audit : l'évaluation des risques et la procédure d'audit. Ces deux usages peuvent se recouper, mais leurs objectifs diffèrent selon le stade de l'audit.
2. Objectifs de l'analyse des données
| Usage | Objectif principal |
|---|---|
| Évaluation des risques | Stratifier la population en groupes à risque plus ou moins élevé pour orienter la stratégie d'audit. |
| Procédure d'audit | Identifier les valeurs aberrantes, réaliser des échantillonnages ciblés et effectuer des prédictions. |
3. Exemples concrets d'application dans la planification de l'audit (NAS 300ss.)
a) Analyse des débiteurs : ancienneté des créances
- Observation : 15% des débiteurs ont des créances très anciennes (>120 jours), ce qui est inhabituel par rapport aux années précédentes.
- Conclusion : Séparer la population des créances et concentrer les contrôles d'actualité sur les créances anciennes uniquement.
b) Analyse des transactions de vente
- Observation :
- Nombre élevé d’écritures pour les montants faibles (0-100) cette année.
- Chiffre d’affaires globalement plus élevé.
- Conclusion :
- Contrôle complet des écritures supérieures à 500k.
- Échantillonnage séparé pour les petites écritures (0-100) en raison de leur structure différente.
4. Analyse des données : évaluation des risques vs procédure d’audit
| Analyse | Objectif en évaluation des risques | Objectif en procédure d’audit |
|---|---|---|
| Identification des valeurs aberrantes | Stratification et identification des zones à risque | Échantillonnage ciblé sur ces valeurs aberrantes |
| Prédictions statistiques | Identification du niveau de risque, exclusion de comptes conformes | Vérification des écarts par rapport aux prédictions |
| Analyse du compte de contrepartie | Compréhension du processus et des risques associés | Contrôle détaillé des transactions suspectes |
5. Exemple d’analyse dans la réalisation de l’audit (NAS 500ss.)
- 3-way-match chiffre d’affaires / débiteurs / banque : comparaison des montants crédités et débités avec identificateur de transaction pour détecter des anomalies ou des opérations de netting.
À retenir : L’analyse des données permet de stratifier les risques et d’orienter les procédures d’audit en ciblant les anomalies et en optimisant l’échantillonnage, améliorant ainsi l’efficacité et la pertinence du contrôle.
Chap. 4
Processus et étapes de l'analyse des données
1. Processus et étapes de l'analyse des données
L'analyse des données (DA) en audit repose sur un processus structuré permettant d'extraire, préparer, analyser et interpréter les données pour appuyer les conclusions d'audit.
2. Extraction des données
Objectif : Obtenir les données brutes nécessaires à l'analyse.
| Type d'extraction | Description | Avantages | Inconvénients |
|---|---|---|---|
| Téléchargement direct | Il peut s'agir de registre des actifs dans Abacus par exemple | Pas de gros investissements nécessaires et aucun savoir-faire supplémentaire requis de la part du client | Output dépend du système / complique le changement de périmètre et charge de travail manuelle pour le client et l'auditeur |
| Extraction manuelle | Téléchargement manuel des données (ex. registre des actifs) Logiciel = Sage et Microsoft Dynamics | Pas d'investissement lourd, pas de savoir-faire client requis Boc de données complet | Charge de travail élevée, dépend du système, peu optimisé pour DA, volume important de données et sécurité des données |
| Copie base de données | Utilisation des champs pour définir des rapports, fusion de données (ex. vérification cut-off) | Bloc de données complet, bibliothèque de données disponible | Volume de données important, protection des données à gérer |
| Extraction automatique | Lecture directe via outils de contrôle et routines enregistrées (Ex: SAP) | Automatisation, gain de temps, fiabilité, utilisation plus facile, contrôles de validation, utilisation sur plusieurs années | Nécessite outils adaptés et compétences techniques, installations programme supplémentaire, coûts du programme |
3. Préparation des données
- Importation dans un outil d'analyse (ex. Excel, logiciel spécialisé).
- Nettoyage : suppression des doublons, correction des erreurs.
- Structuration : mise en forme pour faciliter l'analyse (ex. fusion de tables, création de variables).
4. Analyse des données
- Application de techniques statistiques et informatiques pour détecter des anomalies, tendances ou corrélations.
- Exemples en audit :
- 3-way-match (vérification croisée entre chiffre d’affaires, débiteurs et liquidités).
- Netting entre comptes pour identifier des compensations suspectes.
5. Validation des résultats
- Contrôle des soldes des comptes de contrepartie (ex. attestations).
- Justification de l'authenticité des transactions par preuves appropriées (ex. vérification de l'efficacité des contrôles internes, sondages).
À retenir : Le solde des comptes de contrepartie doit être contrôlé et l'authenticité des transactions justifiée par des preuves adaptées.
6. Synthèse des étapes clés
- Extraction : manuelle, copie base ou automatique selon contexte.
- Préparation : nettoyage et structuration des données.
- Analyse : application de tests et contrôles spécifiques.
- Validation : vérification des soldes et authenticité des transactions.
Cette démarche garantit la fiabilité des conclusions d'audit fondées sur l'analyse des données.
Chap. 5
Exemples d'analyse des données en planification
1. Transfert sécurisé des données en audit
Le transfert des données entre client et spécialiste DA doit être sécurisé et fiable, avec plusieurs méthodes possibles :
| Type de transfert | Avantages | Inconvénients |
|---|---|---|
| Support de données externe | Simple, pas de coûts supplémentaires | Risque de perte, pas de traçabilité |
| Plateforme de transfert sécurisée | Transfert sûr, pas de perte de support externe | Méfiance du client, souvent accès par mot de passe uniquement |
La sécurité et la traçabilité du transfert sont essentielles pour garantir l'intégrité des données.
2. Problèmes fréquents lors de l’extraction des données
- Interruption du job d’extraction
- Échec technique (messages d’erreur)
- Oubli de transfert des données
- Absence de l’interlocuteur principal
- Volume de données trop important
- Problèmes de sécurité
Solutions clés :
- Respect strict des délais
- Communication régulière avec le client (avant/après extraction)
- Mise en place de suppléances pour pallier les absences
- Tests préalables d’extraction
- Capacité suffisante de stockage et transfert
- Mise en œuvre d’un concept de sécurité des données
3. Contrôle de la qualité des données extraites
Les risques à surveiller lors de l’analyse des données sont liés à :
| Risque | Acteurs concernés |
|---|---|
| Saisie erronée des données | Équipe d’audit / audit informatique |
| Extraction incorrecte | Spécialiste DA / équipe d’audit |
| Intégrité des données compromise | Équipe d’audit informatique |
| Manipulation des données | Spécialiste DA / équipe d’audit |
4. Causes d’erreurs liées à l’exhaustivité et à l’exactitude des données
| Cause possible | Risque d’audit associé |
|---|---|
| Extraction technique non réussie | Données incomplètes ou erronées |
| Transmission erronée des données du client à l’audit | Perte ou altération des données |
| Modification des données avant transmission | Données non fiables |
| Extraction pour une période financière non clôturée | Inclusion de données non définitives |
| Période non clôturée techniquement dans le système | Transactions manquantes dans les données extraites |
L’exactitude et l’exhaustivité des données sont fondamentales pour la fiabilité de l’audit. Toute faille dans l’extraction ou le transfert compromet la validité des analyses.
Chap. 6
Extraction de données
1. Extraction de données : étapes clés
L’extraction de données est une étape cruciale dans l’analyse des données, visant à obtenir un jeu de données complet et exact pour les traitements ultérieurs. Elle doit garantir :
- Exhaustivité : toutes les données pertinentes doivent être extraites.
- Exactitude : les données extraites doivent correspondre aux enregistrements du système source.
- Intégrité : aucune modification non autorisée ne doit avoir eu lieu après la clôture de la période.
2. Problèmes fréquents lors de l’extraction
| Problème | Description | Conséquence principale |
|---|---|---|
| Données incomplètes | Certaines données n’ont pas été comptabilisées ou extraites. | Analyse biaisée, résultats erronés |
| Données modifiées post-clôture | Modifications intervenues après la clôture (ex. comptabilisation d’avoirs). | Incohérences dans les soldes |
| Migrations incorrectes | Erreurs lors des migrations impactant les comptes généraux. | Désalignement entre livres auxiliaires et grand livre |
| Données incorrectes | Données extraites ne correspondant pas aux soldes attendus après agrégation. | Impossibilité de rapprochement |
3. Examen des valeurs aberrantes
- Définition : une valeur aberrante est une donnée qui ne s’intègre pas dans une série ou ne correspond pas aux prédictions basées sur une hypothèse.
- Condition d’analyse : nécessite une hypothèse ou une prédiction préalable.
- Gestion des faux positifs/négatifs : prendre en compte les erreurs possibles dans la détection.
- Consultation : en cas d’incertitude, faire appel à un spécialiste en data analytics.
4. Procédure d’interprétation des aberrations
- Assurer l’exhaustivité des rapports : par exemple, rapprocher le grand livre avec les livres auxiliaires (ex. immobilisations corporelles).
- Analyse qualitative des aberrations :
- Aberrations supérieures au montant tolérable → opérations de contrôle supplémentaires.
- Aberrations inférieures → évaluation qualitative pour décider de leur impact.
Chap. 7
Transfert sécurisé de données
1. Transfert sécurisé de données
a) Identification des aberrations
- Aberrations : valeurs ou données qui s'écartent significativement du comportement attendu.
- Aucune aberration identifiée → pas d'opérations de contrôle supplémentaires.
- Aberrations identifiées → analyse approfondie nécessaire.
b) Évaluation des valeurs aberrantes
- Comparer les aberrations au seuil de non-détection (exemple : CHF 100 000).
- Prendre en compte les facteurs qualitatifs :
- S'ils n'impliquent pas de risque d'erreur potentiel, aucune opération de contrôle supplémentaire n'est requise.
- S'ils impliquent un risque d'erreur potentiel significatif, réévaluer les risques initiaux et effectuer des contrôles complémentaires.
| Situation | Action recommandée |
|---|---|
| Aberrations < seuil tolérable + pas de facteurs qualitatifs | Pas d'opérations de contrôle supplémentaires |
| Aberrations < seuil tolérable + facteurs qualitatifs significatifs | Réévaluation des risques + contrôles complémentaires |
| Aberrations > seuil tolérable | Opérations de contrôle supplémentaires |
c) Détermination si les aberrations constituent une anomalie
- Si aberrations > seuil de non-intervention :
- Discussion avec la direction.
- Identifier les causes possibles :
- Ajustements en cours d’année (ex. durée d’utilisation modifiée).
- Activations supplémentaires non prises en compte dans le calcul initial.
- Erreur d’audit (misstatement).
- Si aberrations ne constituent pas une anomalie :
- La population n’est pas présentée de manière significativement erronée.
- Si aberrations constituent une anomalie :
- Réévaluer les résultats du contrôle.
- Communiquer les erreurs identifiées.
d) Résumé du processus décisionnel
| Étape | Critère clé | Résultat / Action |
|---|---|---|
| 1. Identification aberrations | Présence ou absence d’aberrations | Contrôles supplémentaires si aberrations |
| 2. Évaluation aberrations | Comparaison au seuil + facteurs qualitatifs | Réévaluation des risques si nécessaire |
| 3. Anomalie ou non | Aberrations > seuil + analyse qualitative | Réévaluation + communication des erreurs |
À retenir : Toute aberration significative ou facteur qualitatif impliquant un risque d’erreur potentiel nécessite une réévaluation des risques et des contrôles complémentaires pour garantir la fiabilité des données transférées.
Chap. 8
Examen des valeurs aberrantes et exceptions
1. Contrôle des valeurs aberrantes
- Contrôle selon un arbre décisionnel : permet d’évaluer chaque aberration individuellement ou en groupe.
- Défis majeurs :
- Grand nombre d’aberrations à traiter.
- Absence de modèle clair pour les aberrations.
- Fixation du seuil tolérable (montant au-dessous duquel une aberration n’est pas détectée).
- Absence de population témoin pour comparaison.
- Peu d’attention portée à l’évaluation de la population résiduelle.
- Absence d’échantillonnage spécifique des aberrations.
- Documentation rigoureuse des valeurs aberrantes est indispensable.
2. Faux positifs et faux négatifs
| Type | Définition | Exemple | Risques associés |
|---|---|---|---|
| Faux positifs | Test indiquant à tort la présence d’une condition ou attribut. | Personne déclarée malade alors qu’elle est saine. | Fausse opinion d’audit, mauvaise allocation des ressources, non-détection réelle. N'entraine pas une anomalie |
| Faux négatifs | Test indiquant à tort l’absence d’une condition ou attribut. | Personne déclarée saine alors qu’elle est malade. | Même risques que pour les faux positifs. Entraine une anomalie |
- Les outils doivent être calibrés de manière prudente pour minimiser ces erreurs.
3. Exemples pratiques (Bohrer Production AG)
- Faux positifs : Apparence d’un écart (ex. ajustement en cours d’année) sans erreur réelle → pas de misstatement.
- Faux négatifs : Absence d’écart malgré ajustement → nécessité de revoir la logique de contrôle.
4. Gestion des faux positifs et faux négatifs
- Identification
- Pas de méthode universelle, dépend des analyses et objectifs.
- Procédure définie avant contrôle, avec flexibilité pendant l’exécution.
- Vérification conjointe entre spécialiste en data analytics, auditeur et client.
- Gestion
- Exclusion des faux positifs/négatifs de l’analyse principale.
- Contrôle séparé de ces cas.
- Adaptation des méthodes pour réduire leur occurrence.
- Conditions pour exclusion
- Jugement professionnel (Professional Judgement).
- Opinion d’audit formalisée sur l’impact des faux positifs/négatifs.
- Modèles spécifiques pour ces erreurs.
- Documentation
- Essentielle pour justifier l’exclusion et évaluer l’impact sur l’opinion d’audit.
À retenir : La gestion rigoureuse des valeurs aberrantes, faux positifs et faux négatifs est cruciale pour garantir la fiabilité des analyses et la qualité de l’audit.