Analyse des données -  Partie 8

1. Analyse des données : définitions et objectifs

• Analyse des données (Data Analytics, DA) : ensemble des méthodes et processus visant à extraire, traiter, analyser et interpréter des données pour en tirer des informations utiles à la prise de décision.
• Objectifs principaux :
  • Comprendre les données disponibles.
  • Identifier des opportunités d’utilisation.
  • Améliorer la planification et la qualité des audits.

2. Processus d’analyse des données

Le processus d’analyse des données se décompose en plusieurs étapes clés, souvent itératives :

3. Facteurs influençant l’analyse des données en audit (non exhaustif)

4. Utilisation de la data analytics dans l’audit

• Audit de l’IT : évaluation des systèmes d’information.
• Audit avec l’IT : intégration des outils informatiques dans l’audit.
• Audit pour des insights : exploitation des données pour des analyses approfondies.

5. Exemples d’utilisation de la DA dans la planification d’audit (NAS 220)

• Analyse du profil de risque et connaissance de l’entreprise.
• Exploitation de données publiques (ex. agences de notation, avis en ligne, google search, ...).
• Utilisation de données internes (ex. comportement de paiement, informations inter-services car déjà eu affaire à notre entreprise au paravant).
• Outils de pricing : calcul des honoraires et benchmarking clients.

À retenir : L’analyse des données est un processus structuré et itératif, influencé par des facteurs techniques, humains et réglementaires, qui permet d’améliorer la qualité et la pertinence des audits.

1. Objectifs de l'analyse des données (DA)

L'analyse des données (DA) vise principalement à évaluer les risques et à appuyer les procédures d'audit. Elle permet d'améliorer la compréhension de l'entreprise, d'identifier les anomalies et de renforcer la fiabilité des contrôles.

2. Domaines d'application de la DA dans la planification de l'audit (NAS 300ss.)

3. Exemples de DA dans la réalisation de l’audit (NAS 500ss.)

a) Contrôles de substance : opérations de contrôle analytique

b) Vérifications de détail avec DA

À retenir : L’analyse des données permet d’optimiser la planification et la réalisation des audits en fournissant des outils pour détecter les anomalies, comprendre les processus et vérifier la conformité des opérations.

1. Applications de l'analyse des données dans l'audit

L’analyse des données (DA) est utilisée à deux niveaux clés dans l’audit : l’évaluation des risques et la procédure d’audit. Ces deux usages peuvent recouvrir les mêmes analyses, mais leurs objectifs et conclusions diffèrent selon le stade de l’audit.

2. Évaluation des risques vs procédure d’audit

De nombreuses analyses peuvent être utilisées à la fois pour l’évaluation des risques et comme procédure d’audit, mais l’objectif et la conclusion varient selon le contexte.

3. Exemples concrets d’utilisation

• Analyse de l’ancienneté des créances
  • Évaluation des risques : stratification des créances en fonction de leur ancienneté pour identifier les zones à risque élevé.
  • Procédure d’audit : échantillonnage ciblé sur les créances anciennes ou aberrantes pour tests détaillés.
• Prédictions statistiques
  • Utilisées pour identifier les écarts significatifs par rapport aux attentes, permettant d’exclure certains comptes des procédures d’audit si les prédictions sont satisfaites.

4. Objectifs spécifiques selon le stade

5. Exemple d’application dans la planification d’audit (NAS 300ss.)

• Analyse des débiteurs :
  • Observation : 15% des débiteurs ont des créances très anciennes (plus de 120 jours), ce qui est inhabituel par rapport aux années précédentes.
  • Conclusion : la population est segmentée pour concentrer les contrôles sur les créances anciennes, limitant ainsi les efforts sur les créances récentes.

L’analyse des données permet d’orienter efficacement la stratégie d’audit en ciblant les zones à risque et en optimisant les procédures de contrôle.

1. Processus et étapes de l'analyse des données

L'analyse des données (DA) dans le cadre d'un audit suit un processus structuré qui permet d'identifier, contrôler et valider les informations financières.

2. Extraction des données

• Extraction manuelle : collecte directe des données depuis les sources (livre auxiliaire, grand livre).
• Extraction automatisée : utilisation d'outils informatiques pour importer et traiter les données.

3. Analyse des données en planification d’audit (NAS 300ss)

• Observation des anomalies : par exemple, un nombre élevé d’écritures dans un segment de faible montant (0-100) ou un chiffre d’affaires nettement plus élevé que l’année précédente.
• Conséquences :
  • Contrôle complet des écritures importantes (ex. > 500k).
  • Échantillonnage spécifique pour les segments présentant une structure différente.

4. Analyse des données en réalisation d’audit (NAS 500ss)

a) Exemple : Chiffre d’affaires et rapprochement 3-way-match

• Principe : vérifier la concordance entre les écritures de chiffre d’affaires, les débiteurs et les encaissements bancaires.
• Données clés : montant, crédit, débit, identificateur de transaction.
• Objectif : détecter les écarts ou anomalies dans les transactions.

5. Visualisation et interprétation

• Graphiques comparant les flux de trésorerie (cash in), les impayés (débiteurs) et autres catégories.
• Permet d’identifier rapidement les déséquilibres ou incohérences.

6. Conditions essentielles pour la fiabilité de l’analyse

À retenir : L’analyse des données en audit repose sur une extraction fiable, une observation critique des anomalies, un contrôle ciblé des écritures importantes, et la validation rigoureuse des soldes et transactions.

1. Facteurs d'influence dans l'analyse des données

L'analyse des données dépend fortement de la qualité et de la méthode d'extraction des données brutes. Le choix de la méthode influence la fiabilité, la rapidité et la facilité d'utilisation des données pour les audits ou contrôles.

2. Types d'extraction et leurs caractéristiques

3. Transfert sécurisé des données

Le transfert des données entre client et auditeur doit être sécurisé et documenté. Les méthodes varient selon les besoins et les contraintes.

À retenir : Le choix de la méthode d'extraction et de transfert des données doit équilibrer sécurité, efficacité, coût et facilité d'utilisation, en fonction du contexte client et des outils disponibles.

1. Extraction de données : enjeux et risques

L'extraction de données est une étape cruciale dans l'analyse des données, mais elle comporte plusieurs problèmes pratiques fréquents :

• Interruption du job d’extraction
• Échec technique de l’extraction (messages d’erreur)
• Oubli de transfert des données par le client
• Absence ou maladie de l’interlocuteur principal
• Volume de données trop important
• Problèmes de sécurité des données

2. Solutions pour une extraction fiable

Pour garantir une extraction efficace et sécurisée, il faut :

• Assurer le respect des délais par une planification rigoureuse
• Maintenir un contact régulier avec le client (e-mails, téléphone, visites)
• Réglementer les suppléances chez le client et dans l’équipe d’audit
• Effectuer des tests préalables pour valider l’extraction
• Garantir une capacité suffisante de stockage et de transfert des données
• Mettre en place un concept de sécurité des données adapté

3. Risques liés à l’extraction et à la qualité des données

4. Causes principales d’erreurs d’extraction

• Extraction techniquement incomplète ou erronée (incomplète)
• Transmission incorrecte des données du client à l’audit (incomplète)
• Modifications des données avant transmission (incomplète)
• Extraction sur une période financière non clôturée techniquement (incomplète)
• Transactions non incluses car non comptabilisées au moment de l’extraction (incomplète)
• Données modifiées après clôture (ex. comptabilisation d’avoirs) (incorrectes)
• Migrations de données incorrectes impactant les comptes (incorrectes)

5. Conséquences sur la qualité des données extraites

• Données incomplètes : nombre d’enregistrements extrait inférieur au système (vérifié par protocoles et contrôles)
• Données incorrectes : incohérences entre livres auxiliaires et grand livre après agrégation

6. Transfert sécurisé des données

Un transfert sécurisé repose sur :

• Utilisation d’un mot de passe pour l’accès
• Transfert de données chiffré pour éviter les interceptions
• Élimination du risque de perte d’un support externe (ex. clé USB)
• Respect des normes et politiques de sécurité informatique

À retenir : L’extraction de données doit être planifiée, testée et sécurisée pour garantir l’exhaustivité et l’exactitude des données utilisées en audit.

7. Processus d’analyse des données (extrait)

1. Planification : définition des objectifs et des méthodes d’extraction
2. Extraction des données : récupération sécurisée des données brutes
3. Tests de qualité : vérification de l’exhaustivité et de l’exactitude
4. Gestion des valeurs aberrantes : identification et traitement des anomalies
5. Analyse finale : interprétation et audit des données extraites

Cette démarche garantit la fiabilité des données pour l’analyse et l’audit.

1. Transfert sécurisé de données : étapes clés

Le transfert sécurisé de données implique une coordination rigoureuse entre l’auditeur, les spécialistes en data analytics (DA) et le client, avec un focus sur la sécurité et la qualité des données échangées.

2. Contrôle qualité : examen des valeurs aberrantes et exceptions

• Valeur aberrante : donnée qui ne s’intègre pas dans une série ou ne correspond pas aux prédictions.
• Condition d’analyse : nécessite une hypothèse ou une prédiction préalable.
• Gestion des faux positifs/négatifs : prise en compte essentielle pour éviter erreurs d’interprétation.
• Consultation spécialiste DA : recommandée en cas d’incertitude.

3. Assurance de l’exhaustivité des rapports

• Exemple : rapprochement entre le grand livre et le livre auxiliaire pour les immobilisations corporelles.
• Objectif : garantir que tous les éléments comptables sont bien pris en compte.

4. Analyse des écarts entre sous-livre et grand livre (extrait au 31.12.2021)

5. Arbre décisionnel pour l’analyse des aberrations

6. Processus d’interprétation des analyses

1. Identification des aberrations : repérer les valeurs hors norme.
2. Évaluation du risque : déterminer si les aberrations indiquent une anomalie.
3. Décision : appliquer contrôles supplémentaires ou valider les résultats.
4. Communication : informer les parties prenantes des anomalies détectées.

À retenir : L’analyse des valeurs aberrantes repose sur une hypothèse préalable et doit intégrer la gestion des faux positifs/négatifs pour garantir la fiabilité des conclusions.

1. Contrôle de la qualité des données : valeurs aberrantes et exceptions

Le contrôle de la qualité des données repose sur l’examen des valeurs aberrantes (outliers) et des exceptions, afin de détecter des erreurs potentielles dans les données analysées.

2. Identification des valeurs aberrantes

• Une valeur aberrante est une donnée qui s’écarte significativement des autres observations.
• On compare la valeur aberrante à un montant tolérable (seuil de non-détection), par exemple CHF 100 000.
• Si la différence dépasse ce seuil, elle est considérée comme significative.

3. Évaluation des valeurs aberrantes

• Les facteurs qualitatifs sont des éléments contextuels pouvant augmenter le risque d’erreur (ex. changements dans les processus, événements exceptionnels).
• En absence de facteurs qualitatifs, les petites aberrations ne nécessitent pas de contrôle additionnel.

4. Vérification de l’anomalie

• Après contrôle, il faut déterminer si les aberrations constituent une anomalie.
• Si non, la population n’est pas significativement erronée.
• Si oui, les résultats doivent être réévalués et les erreurs communiquées.

5. Analyse approfondie des aberrations significatives

• Pour les différences supérieures au seuil, il faut :
  • Discuter les valeurs aberrantes avec la direction.
  • Identifier les causes possibles, par exemple :
    • Ajustements en cours d’année (durée d’utilisation modifiée).
    • Activations supplémentaires non prises en compte dans le calcul initial.
    • Erreurs d’audit (misstatements).

6. Méthode d’évaluation des aberrations

• Utilisation d’un arbre décisionnel pour :
  • Contrôler et évaluer chaque aberration individuellement.
  • Identifier des modèles ou groupes d’aberrations pour un contrôle groupé.
• Difficultés rencontrées :
  • Grand nombre d’aberrations à analyser.
  • Absence de modèle clair d’aberrations.
  • Fixation du montant tolérable souvent subjective.

À retenir : Le contrôle des valeurs aberrantes repose sur la comparaison au seuil tolérable, l’analyse des facteurs qualitatifs, et la décision d’engager des contrôles supplémentaires ou non, afin d’assurer la fiabilité des données.

1. Définitions clés

• Valeur aberrante : donnée qui s'écarte significativement des autres observations d'un jeu de données.
• Faux positif : résultat indiquant à tort la présence d'une condition (ex. : une personne déclarée malade alors qu'elle est saine).
• Faux négatif : résultat indiquant à tort l'absence d'une condition (ex. : une personne déclarée saine alors qu'elle est malade).

2. Risques liés aux faux positifs et faux négatifs

3. Identification et gestion des faux positifs/négatifs

• Identification
  • Pas de méthode universelle : dépend de l’analyse et de l’objectif du contrôle.
  • Procédure à définir avant le contrôle, avec flexibilité pendant l’analyse.
  • Collaboration entre spécialiste en data analytics, auditeur et client.
• Gestion
  • Exclusion des faux positifs/négatifs de l’analyse si justifié.
  • Contrôle séparé des cas douteux.
  • Adaptation des outils et méthodes pour réduire ces erreurs.
• Conditions pour exclusion
  • Jugement professionnel (Professional Judgement).
  • Documentation rigoureuse des cas et impact sur l’opinion d’audit.

La documentation des faux positifs/négatifs et l’évaluation de leur impact sont essentielles pour garantir la fiabilité de l’audit.

4. Exemples illustratifs (Bohrer Production AG)

5. Points importants

• Les outils d’analyse doivent être calibrés de manière prudente, sans laisser de marge de manœuvre pour éviter les faux négatifs.
• L’absence de population témoin ou d’échantillonnage d’aberrations complique l’évaluation des valeurs aberrantes.
• La documentation des valeurs aberrantes et des exceptions est indispensable pour la traçabilité et la justification des décisions.

6. Synthèse