Essayer IDEA

L’ennemi de la fraude financière est l’analyse de données. Alors, pourquoi analysons-nous toujours des échantillons de données ?

Imaginons que vous êtes à la recherche d’un nouveau véhicule. Comment allez-vous faire vos recherches ? 

 

Voici une méthode : Descendez dans la laverie automatique du coin et trouvez un exemplaire d’Autotrader pour prendre connaissance des annonces de voitures d’occasion à vendre. Ou peut-être irez-vous au kiosque pour acheter un exemplaire papier de Consumer Reports afin de découvrir les avis de spécialistes sur les derniers modèles. Ou vous pouvez décrocher votre téléphone et appeler des amis et des personnes en qui vous avez confiance pour connaître leur opinion. Allez chez un concessionnaire pour discuter avec un vendeur. Ou faites même une enquête ponctuelle sur les routes autour de vous et déduisez-en qualitativement les modèles qui sont populaires.

 

Mais ce n’est pas ce que vous allez faire, n’est-ce pas ? 

 

Toutes ces méthodes de recherche sont valables pour éclairer votre décision sur le véhicule à acheter, mais soyons honnêtes : à notre époque, ce n’est pas comme ça que vous allez vous y prendre. Vous allez utiliser Internet, comme le reste de l’humanité. 

 

En quelques clics, vous aurez accès aux meilleurs prix et aux avis les plus approfondis possible sur les voitures en vente actuellement. Grâce aux plate-formes sociales, vous pouvez sans effort communiquer avec des groupes locaux sur les véhicules neufs ou d’occasion. Les sites de ventes de voitures spécialisés vous permettent d’entrer vos propres paramètres (p. ex., le coût, la taille, la couleur) afin de déterminer rapidement et facilement le véhicule qui vous convient. Les méthodes de recherche énumérées au début ont définitivement leur utilité, mais dans le contexte du monde axé sur l’information et la technologie dans lequel nous vivons, cela semblerait un peu archaïque de commencer votre processus d’achat et, évidemment, de prendre une décision d’achat éclairée en se fondant sur des méthodes manuelles qui prennent autant de temps, non ?

 

Échantillonner les bottes de foin pour trouver les aiguilles ?

 

On peut appliquer la même logique au monde de la fraude. Les approches axées sur les échantillons de la détection, de l’analyse et de la prévention de la fraude sont depuis longtemps le scénario imposé aux auditeurs et aux examinateurs en fraude. Et pendant longtemps, c’était logique. Les grandes entreprises qui subissent les cas de fraude financière les plus importants ont simplement trop de données pour les examiner et les traiter manuellement. C’est pourquoi nous nous sommes convertis par convention aux données d’échantillon pour détecter la fraude. Mais si la détection de la fraude revient à rechercher une aiguille dans une botte de foin, l’approche axée sur les échantillons peut être comparée à un examen limité à une seule botte de foin dans un champ qui en compte des dizaines, ou peut-être à l’extraction d’une balle de foin de chaque botte pour tirer des conclusions sur l’emplacement ou l’existence de l’aiguille recherchée.

 

Cela semble une approche absurde, mais elle est assez analogue à la manière dont on approche la fraude financière aujourd’hui. Évidemment, nous n’avons pas d’outils automatisés radicaux pour trouver les aiguilles dans les bottes de foin, mais dans le monde de la fraude, nous disposons de ces outils sous la forme de l’analyse de données. 

 

Il existe un meilleur moyen

 

En un mot, l’analyse de données nous aide à nous y retrouver dans les quantités considérables de données en laissant les machines faire ce que les humains sont incapables de faire : analyser toutes les pièces de données qui peuvent indiquer une fraude. L’analyse de données est une avancée décisive dans la détection de la fraude, et même si elle existe depuis près de 30 ans (au moins dans notre cas), l’intérêt suscité par cet outil sans aucun doute nécessaire est remarquablement faible. Pour certaines raisons, la fonction d’audit interne en général adopte très lentement la nouvelle technologie et est de manière semblable réticente à adopter l’analyse de données dans la lutte contre la fraude ou ne sait pas que de tels outils sont à sa disposition.

 

Alors, par où commencer ? Je ne suis pas examinateur en fraude, mais je suis entouré par les plus grands esprits de l’audit et de la détection de la fraude à IDEA, où l’analyse de données pour les enquêtes sur la fraude est au centre de notre offre depuis plus de 25 ans. C’est pourquoi j’ai rédigé cette introduction très basique au monde de l’analyse de données et de la détection de la fraude. Si vous savez que l’analyse de données vous permettra de mieux détecter la fraude et de lutter contre celle-ci dans votre organisation ou celles de vos clients, mais ne savez pas tout à fait comment commencer, voici un bon endroit (lien de téléchargement ci-dessous). 

 

Comme pour un achat de nouvelle voiture, cela n’a pas de sens de s’attaquer au 21e siècle à la fraude avec une boîte à outils du 20e siècle. L’avantage est que vous n’y êtes pas obligé, et ce guide est votre première étape vers une meilleure maîtrise de la détection de la fraude afin de trouver les nombreuses aiguilles qui se cachent sûrement dans le champ de bottes de foin qui se dresse devant vous.

 

Paul Leavoy est un rédacteur qui couvre la technologie de la gestion des entreprises depuis plus de dix ans. Il fait actuellement des recherches et écrit sur l’analyse de données et la technologie de l’audit interne pour CaseWare IDEA. Communiquez avec Paul directement ou suivez @CasewareIDEA pour en savoir plus.

Remplissez le formulaire ci-dessous pour accéder à votre livre blanc :

  • Ce champ n’est utilisé qu’à des fins de validation et devrait rester inchangé.