Bonjour ! Bienvenue dans cette nouvelle leçon, qui vient clore notre module sur l'audit et la détection de la fraude.
Introduction
Dans la leçon précédente, nous avons établi un protocole clair sur la manière dont un auditeur interne doit réagir face à une suspicion ou une découverte de fraude. Nous avons insisté sur la procédure : arrêter, documenter, et escalader.
Mais comment ces suspicions naissent-elles, surtout lorsque l'on fait face à des milliers, voire des millions de transactions ? Il est impossible de tout vérifier manuellement. C'est là qu'interviennent les techniques d'analyse de données.
Aujourd'hui, nous allons étudier l'une des plus élégantes et surprenantes de ces techniques. L'objectif est d'appliquer la loi de Benford (Benford's Law) comme technique analytique pour détecter des anomalies dans des jeux de données. Vous découvrirez un principe mathématique contre-intuitif qui s'avère être un outil redoutablement efficace pour un auditeur.
1. Qu'est-ce que la Loi de Benford ?
Intuitivement, on pourrait penser que dans un grand ensemble de nombres (par exemple, tous les montants de paiement d'une entreprise sur un an), les chiffres de 1 à 9 ont une chance égale d'apparaître en première position. La loi de Benford démontre que cette intuition est fausse.
Elle stipule que dans de nombreux ensembles de données numériques d'origine naturelle, le chiffre '1' apparaît comme premier chiffre significatif environ 30 % du temps, tandis que les chiffres plus élevés apparaissent de moins en moins fréquemment, le '9' n'apparaissant que dans moins de 5 % des cas.
Pour bien comprendre ce phénomène, je vous propose de lire l'introduction d'un article qui l'explique très clairement.
Data analyse : comment l’étonnante loi de Benford permet de traquer la fraude en entreprise ?
Cet article du blog d'Alexandre Gambuto offre une excellente vulgarisation de la loi de Benford et de son application pratique. Concentrez-vous sur la première partie pour saisir le concept de base.
Veuillez lire les deux premières sections de l'article : 'La loi de Benford' : pour comprendre le principe et voir un exemple concret avec les données de la ville de Paris. 'Des propriétés singulières' : pour comprendre pourquoi cette loi est si robuste, notamment son indépendance par rapport à l'unité de mesure (par exemple, Euros vs Dollars).
Comme vous l'avez lu, la probabilité qu'un nombre commence par le chiffre (non nul) est donnée par la formule :
Cela nous donne la distribution théorique suivante :
| Premier Chiffre (c) | Probabilité d'occurrence (P(c)) |
|---|---|
| 1 | 30.1% |
| 2 | 17.6% |
| 3 | 12.5% |
| 4 | 9.7% |
| 5 | 7.9% |
| 6 | 6.7% |
| 7 | 5.8% |
| 8 | 5.1% |
| 9 | 4.6% |
L'image suivante illustre parfaitement ce que l'on recherche en tant qu'auditeur : un écart significatif entre la distribution réelle des données (barres bleues) et la courbe théorique de Benford (courbe orange).
L'idée fondamentale pour l'auditeur est que des données authentiques et non manipulées tendent à suivre cette loi. À l'inverse, des données fabriquées ou manipulées par l'homme violent souvent cette distribution, car l'être humain a tendance à répartir les chiffres de manière plus uniforme, sans se douter de ce biais naturel.
2. Conditions d'Application et Limites
La loi de Benford est un outil puissant, mais ce n'est pas une formule magique. L'appliquer à des données qui ne sont pas censées la suivre mènera à des conclusions erronées. Il est donc crucial de savoir quand l'utiliser.
Le document suivant, bien que plus académique, fournit un cadre très clair pour cela.
Détection de fraudes et loi de Benford: quelques risques associés
Cet article de recherche analyse les risques et les limites de l'utilisation de la loi de Benford. Il est essentiel pour développer le scepticisme professionnel nécessaire à l'utilisation de cet outil.
Veuillez lire les passages suivants : Lisez l'Introduction et la section suivante (jusqu'à la Table 1) pour comprendre comment la loi est utilisée en pratique. Étudiez attentivement la Table 1 (page 3). Elle est extrêmement utile car elle liste les types de données où la loi est pertinente et celles où elle ne l'est pas. C'est le point le plus important. Lisez rapidement la section après la table qui met en garde contre les 'faux positifs' et les 'faux négatifs'. Enfin, lisez le premier paragraphe de la section 'Apports et limites...' (page 5) qui résume bien les précautions à prendre.
Pour synthétiser et compléter cette lecture, voici les règles à retenir :
La loi de Benford s'applique bien aux données qui :
- Sont transactionnelles : listes de paiements, montants de factures, écritures du grand livre, transactions boursières.
- S'étendent sur plusieurs ordres de grandeur : des montants allant de 10€ à 1 000 000€, par exemple.
- N'ont pas de maximum ou de minimum imposé.
- Sont de grande taille : plus l'échantillon est grand (des milliers de lignes), plus la loi est fiable.
- Résultent de combinaisons mathématiques, comme des chiffres d'affaires (quantité × prix).
Attention, la loi ne s'applique PAS aux données suivantes :
- Les nombres assignés séquentiellement : numéros de chèques, de factures, de bons de commande, codes postaux.
- Les nombres influencés par une décision humaine : prix psychologiques (ex: 99,99€), montants de retraits aux distributeurs (souvent des multiples de 20€).
- Les données avec une borne intégrée : par exemple, les notes de frais si elles sont plafonnées à 50€. On verra alors une sur-représentation des chiffres 4 et 5.
- Les données issues d'une plage très restreinte : par exemple, la taille ou le poids d'un groupe d'individus.
Un écart à la loi de Benford est un red flag, pas une preuve de fraude. Il signale une anomalie qui peut avoir une explication métier légitime (par exemple, une campagne promotionnelle à 19€) ou, effectivement, cacher une manipulation.
3. La Démarche Pratique en Audit
Maintenant, comment intégrer cette analyse dans une mission d'audit ? Le processus est méthodique et peut être grandement facilité par des outils comme Excel, que vous maîtrisez bien.
Le diagramme de flux ci-dessous représente une démarche structurée.
Voici comment traduire ce schéma en étapes concrètes pour un auditeur :
Étape 1 : Sélectionner et préparer les données
- Exportez un jeu de données pertinent, par exemple, le journal des achats de l'année N-1 depuis SAP ou un autre ERP. Assurez-vous qu'il s'agit d'un type de données qui devrait suivre la loi (voir section 2).
Étape 2 : Analyse du premier chiffre
- Dans Excel, isolez le premier chiffre de chaque montant. La formule
=GAUCHE(TEXTE(A2;\"#\");1)sur une colonne de montants en A2 permet de faire cela proprement. - Calculez la fréquence d'apparition de chaque chiffre de 1 à 9 (avec
NB.SIpar exemple) et convertissez-la en pourcentage. - Créez un graphique en barres pour comparer votre distribution observée à la distribution théorique de Benford.
Étape 3 : Identifier et investiguer les écarts
- Votre graphique révèle-t-il des pics ou des creux anormaux, comme sur l'image des paiements vue plus haut ?
- Exemple concret : Vous analysez les paiements fournisseurs et constatez un pic anormal de transactions commençant par '4'. Vous savez que le seuil de validation pour une dépense, au-delà duquel une approbation supplémentaire du directeur financier est requise, est de 5 000€. Cette anomalie pourrait indiquer que des employés scindent des factures ou créent de fausses factures juste en dessous de ce seuil (ex: 4 950€) pour éviter un contrôle supérieur.
- Votre investigation consistera alors à filtrer toutes ces transactions "suspectes" (celles commençant par '4') et à réaliser des tests de détail dessus (vérification des bons de commande, des bons de livraison, etc.).
Étape 4 : Approfondir l'analyse (optionnel mais puissant)
- Si nécessaire, la loi s'applique aussi aux deux premiers chiffres, aux trois premiers chiffres, et même au dernier chiffre (qui devraient être uniformément répartis).
- Une analyse des deux premiers chiffres peut être très révélatrice. Un pic sur '49' dans notre exemple précédent renforcerait fortement la suspicion de contournement du seuil de 5 000€.
L'article de blog que vous avez consulté propose des fichiers Excel prêts à l'emploi qui peuvent vous faire gagner beaucoup de temps. N'hésitez pas à les explorer et à les tester avec des données fictives.
Conclusion
La loi de Benford est un exemple parfait de la façon dont les compétences en analyse de données (ce que l'on appelle les CAATs - Computer-Assisted Audit Techniques) renforcent l'arsenal de l'auditeur interne moderne.
Points clés à retenir :
- La loi de Benford n'est pas une curiosité mathématique mais un outil d'audit pratique pour identifier des anomalies dans de grands volumes de données transactionnelles.
- Son application exige du discernement. Il faut savoir quelles données tester et comprendre que toute déviation n'est pas synonyme de fraude. C'est un point de départ pour une investigation, pas une conclusion.
- La démarche est simple : extraire les chiffres, comparer les fréquences, et investiguer les écarts significatifs en les reliant au contexte métier et aux seuils de contrôle de l'entreprise.
- La maîtrise d'outils comme Excel ou Power BI est essentielle pour appliquer cette technique efficacement.
Aperçu de la prochaine leçon :
Avec cette leçon, nous achevons notre module sur la fraude. Nous avons vu les schémas, les indicateurs, la réponse à apporter et maintenant une technique de détection analytique.
Nous allons maintenant ouvrir un nouveau module tout aussi essentiel : "Analyse de Données et Audit des Systèmes d'Information". La loi de Benford était un excellent avant-goût. Dans la prochaine leçon, nous jetterons les bases en apprenant à distinguer les contrôles généraux informatiques (IT General Controls - ITGC) des contrôles applicatifs (application controls). Vous comprendrez comment la fiabilité de toutes les données que nous analysons dépend de la robustesse de l'environnement informatique qui les produit.