Memoire

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
ⴰⵖⵍⵉⴼ ⵏ ⵓⵙⴻⵍⵎⴷ ⵓⵏⵏⵉⴳ ⴷ ⵓⵏⴰⴷⵉ ⵓⵙⵙⵏⴰⵏ
UNIVERSITE DE MOULOUD MAMMERI DE TIZI OUZOU
ⵜⴰⵙⴻⴷⴰⵡⵉⵜ ⵏ ⵎⵓⵍⵓⴷ ⵎⵄⴻⵎⵔⵉ ⵏ ⵜⵉⵣⵉ ⵡⵣⵣⵓ
FACULTE DES SCIENCES ECONOMIQUES, COMMERCIALES ET SCIENCES

DE GESTIONS
DEPARTEMENT DES SCIENCES FINANCIERES ET COMPTABILITE
Mémoire de fin d’études

En vue d’obtention du diplôme master en sciences financière et de
comptabilité
Spécialité : Audit et Contrôle de Gestion
Thème :
Les Enjeux De L’usage De La Big Data Analytics

Sur L’efficacité Et L’efficience De l’Audit Interne.
Présenté par : Encadré par :

Mr. ACHER Anis r
M . OUSSAID Aziz
Devant le jury composé de :
Président : Mr. SAM Hocine, MCA, UMMTO.

Examinateur : Mr. MADOUCHE Yacine, MCA, UMMTO.
Rapporteur : Mr. OUSSAID Aziz, MAA, UMMTO.
8éme Promotion
2021-2022
Remerciements
Avant d'entamer ce mémoire de fin d'études, je tiens à exprimer ma sincère
gratitude envers tous ceux qui m’ont aidé ou ont participé au bon déroulement de
ce mémoire.
Tout d'abord, j’exprime mes profonds remerciements et respectueuse

reconnaissance à mon encadreur : Mr. Oussaid Aziz pour sa bonne volonté
d'accepter de m’encadrer, pour tout le temps qu’il m’a consacré et pour tous les
conseils qu'il m’a prodigués.
Aussi que les membres de jury trouvent ici mes remerciements les plus vifs
pour avoir accepté d'honorer par leur jugement mon travail.
Mes vifs remerciements s'adressent également à mes enseignants,

particulièrement Mme. Saheb Zohra et Mr. Madouche Yacine ainsi qu’à mes amis,
pour leur présence chaleureuse et leur encouragement.
Dédicaces
Je dédie ce travail :
A mes chers parents, ma mère pour tous ses sacrifices, son amour, sa tendresse, son
soutien et ses prières tout au long de mes études.
A mon père paix à son âme, qui malgré son décès a été ma principale source de
motivation pour ma réussite et sa fierté.
A mon cher frère Rayan « RAMEL » pour ses encouragements permanents, et son
soutien moral.
A ma chère tante Ghania et son mari Mohamed pour leurs appuis et leurs
encouragements.
A toute ma famille pour son soutien tout au long de mon parcours universitaire,
A mes amis Dr Tahar, Fatiha et Farid.
A ma resplendissante Amie Cylia.
Que ce travail soit l'accomplissement de vos vœux tant allégués, et le fruit de votre soutien
infaillible
Merci d'être toujours là pour moi.

Anis ACHER
SOMMAIRE
REMERCIEMENTS ............................................................................................................................... #
DEDICACES ........................................................................................................................................... #
SOMMAIRE ........................................................................................................................................... #
LISTE DES TABLEAUX ....................................................................................................................... #
LISTE DES FIGURES ............................................................................................................................ #
LISTE DES ABREVIATIONS ............................................................................................................... #
INTRODUCTION GENERALE.......................................................................................................... 1
CONTEXTE GENERALE DE L’ETUDE ..................................................................................................... 2
OBJECTIF A ATTEINDRE ....................................................................................................................... 3
PROBLEMATIQUE................................................................................................................................. 3
PARTIE I ............................................................................................................................................... 5
CHAPITRE I: LE BIG DATA ANALYTICS..................................................................................... 5
SECTION 1 : ECLAIRAGE THEORIQUE SUR LE BIG DATA ............................................................... 6
1.1 L’HISTOIRE DU BIG DATA ............................................................................................................. 6
1.2 DEFINITION DU BIG DATA ............................................................................................................. 7
3. LES CARACTERISTIQUES DU BIG DATA ........................................................................................... 9
SECTION 2 : UTILISATION DE LA BUSINESS INTELLIGENCE ET DE LA BIG DATA ........................ 11
2.1 LA BUSINESS INTELLIGENCE ....................................................................................................... 11
2.2 L’UTILISATION DU BIG DATA...................................................................................................... 21
SECTION 3 : LE BIG DATA ANALYTICS .......................................................................................... 23
3.1 L’APPARITION DU BIG DATA ANALYTICS ................................................................................... 24
3.2 TYPES DU BIG DATA ANALYTICS................................................................................................ 25
3.3 PROCESSUS DU BIG DATA ANALYTICS ....................................................................................... 27
CONCLUSION ..................................................................................................................................... 30
CHAPITRE II: AUTOMATISATION DES DONNEES ET L’AUDIT INTERNE..................... 32
SECTION 01 : CADRE CONCEPTUEL DE L’AUDIT INTERNE ET DE LA DIGITALISATION ............. 35
1.1 CADRE CONCEPTUEL ................................................................................................................... 35
1.2 CADRE CONCEPTUEL DE LA DIGITALISATION ............................................................................ 46
SECTION 2 : LES NIVEAUX D’AUTOMATISATION DANS L’AUDIT INTERNE. ................................. 49
2.1 NIVEAU DE MATURITE I - AUDIT TRADITIONNEL ........................................................................ 50
2.2 NIVEAU DE MATURITE II - INTEGRATION D’ANALYSE DE DONNEES ADHOC .............................. 50
2.3 NIVEAU DE MATURITE III - AUDIT EN CONTINU DES RISQUES .................................................... 50
2.4 NIVEAU DE MATURITE IV – AUDIT ET CONTROLE EN CONTINU INTEGRES ................................. 52
2.5 NIVEAU DE MATURITE V – ASSURANCE EN CONTINU ................................................................. 52
SECTION 3 : LA GARANTIT QUE LES RESULTATS DU DATA ANALYTICS ABOUTISSENT A DES
ELEMENTS PROBANTS ...................................................................................................................... 53
3.1 ELEMENT PROBANT SUFFISANT ET APPROPRIE............................................................................ 53
3.2 APPLIQUER LA TECHNIQUE DU DA POUR DECOUVRIR UNE ANOMALIE ...................................... 55
3.3 LA GESTION DES RESULTATS DU DATA ANALYTICS PAR L’AUDITEUR ...................................... 56
CONCLUSION ..................................................................................................................................... 59
PARTIE II ............................................................................................................................................ 61
CHAPITRE 3 : BIG DATA ANALYTICS & AUDIT INTERNE : ETUDE EMPIRIQUE......... 61
INTRODUCTION.................................................................................................................................. 62
SECTION 1 : PRESENTATION DE L’ENQUETE .................................................................................. 62
1.1 LE QUESTIONNAIRE..................................................................................................................... 62
1.2 L’ENQUETE QUALITATIVE ........................................................................................................... 63
1.3 DEROULEMENT DE L’ENQUETE ................................................................................................... 65
SECTION 2 : RESULTATS DE L’ENQUETE ........................................................................................ 67
2.1 IDENTIFICATION DES ENTREPRISES ET DES REPONDANTS ........................................................... 67
2.2 QUESTIONS FERMEES .................................................................................................................. 67
2.3 QUESTIONS OUVERTES ................................................................................................................ 70
CONCLUSION GENERALE ............................................................................................................ 86
CONCLUSION ..................................................................................................................................... 87
REPONSES AUX HYPOTHESES ............................................................................................................ 88
RECOMMANDATIONS ........................................................................................................................ 89
LES LIMITES DU TRAVAIL ................................................................................................................. 89
BIBLIOGRAPHIE .............................................................................................................................. 91
ANNEXES ............................................................................................................................................ 95
TABLE DES MATIERES ................................................................................................................ 111
Liste des tableaux
Tableau 1. Facteurs d'evaluation de la performanace de l'audit interne.............................................. 36
Tableau 2. Domaines à traiter par l’audit interne ................................................................................ 39
Tableau 3. Moyens de consolidation du positionnement de l’audit interne .......................................... 43
Tableau 4. Récapitulatifs des Répondants et des entreprises où ils exercent leur profession .............. 67
Liste des figures
Figure 1. Les 5 V de la Big Data ............................................................................................................. 9

Figure 2. Datamart (Magasin de Données) .......................................................................................... 13
Figure 3. Phases de la Business Intelligence ........................................................................................ 16
Figure 4. La phase ETL......................................................................................................................... 18
Figure 5. Types de Big Data Analytics.................................................................................................. 25
Figure 6. Processus de la Data Analytics ............................................................................................. 30
Figure 7. Les étapes de réalisation de l'audit Interne ........................................................................... 40
Figure 8. La relation entre le comité d'audit et la fonction d'audit interne .......................................... 46
Figure 9. Traitement des résultats obtenus à partir de la Data Analytics ............................................ 58
Figure 10. Le secteur d'activité des interrogés ..................................................................................... 65
Liste des Abréviations
AI Audit Interne
API Application Programming Interface
AQ Audit de Qualité
BDA Big Data Analytics
BI Business Intelligence
CFO Chief Financial Officer
CRM Customer Relationship Management (Gestion De La Relation Client)
DA Data Analytics
DDP Data Driven Process
DWH Data Warehouse
ERP Entreprise Resource Planning
ETL Extraction, Transformation, Loading (Chargement)
FCS Facteur Clé de Succès
FRAP Feuille De Révélation Et D’analyse De Problème
GPS Global Position System
IA Intelligence Artificielle
IFACI Institut Français De L'audit Et Du Contrôle Internes.
ISA International Standard On Auditing
IT Information Technologie
KPI Key Indicator Performance (Indicateurs Clé De Performance)
ML Machine Learning
MPA Modalités Pratiques D'application
PGI Progiciel De Gestion Intégré
PME Petite et Moyenne Entreprise
RPA Robotic Process Automation. (Automatisation Des Processus Robotiques)
SAS Statistical Analysis System
SI Système D’information
Introduction Générale
Contexte générale de l’étude
La société actuelle est en constante évolution. Aujourd'hui, l'une des principales

tendances qui impacte le monde est la numérisation. Les organisations sont également
concernées par les vagues de digitalisation. Afin de répondre à la demande du client en
constante évolution et en accélération, elles doivent tirer parti de ces technologies afin
d'adapter leur façon de travailler. Ceux-ci leur permettront d'être plus efficaces.
À l'ère numérique, l'adoption de la technologie devient vitale pour toutes les

entreprises étant considérée comme atout leur permettant d'améliorer absolument les
performances et l’efficacité et de créer de la valeur ajoutée. En effet, grâce aux
technologies avancées, les entreprises sont désormais arrivées au stade d'analyser la
distribution de données dynamiques et diverses, qui proviennent de différentes sources
et d'obtenir des réponses en quelques minutes.
Ce processus basé sur les données, ou Data-Driven process, crée et renforce la

rapidité, l’agilité et la sécurité des organisations, et ainsi, le Big Data devient une force
incontournable. Avec le rythme du développement technologique et les changements
qui se produisent dans la plupart des entreprises, il est devenu plus que jamais nécessaire
d'adopter l’analytique de données (Data Analytics) pour être en mesure d’exploiter le
Big Data et comprendre ainsi l'état actuel et suivre les aspects en constante évolution tel
que le comportement des clients.
La Data Analytics est un domaine très vaste, elle peut être adoptée dans plusieurs
domaines et utilisée par plusieurs opérateurs au sein de la même entreprise dont l’audit
interne. En effet, elle peut être intégrée dans le processus d'audit interne, bien que
l'utilisation des outils analytiques ne fasse généralement pas partie du flux de travail
d'audit.
2
Objectif à atteindre
Cette étude vise à explorer et à identifier les enjeux de l’usage de l’analytique de

données sur l’efficacité et l’efficience de l’audit interne. Généralement, certains audits
nécessitent un temps considérable pour assimiler toutes les données en faisant recours
parfois à des spécialistes, ce qui entraîne des audits plus longs, plus couteux et sans
aucune visibilité sur les tests effectués. L'incorporation de l’analytique dans l'audit
interne a été envisagée dans le but de relever ces défis et rendre ainsi l’audit interne plus
efficient. Il s’agit principalement d’intégrer des tests automatisés dans le processus
d'audit et à exploiter un large volume de données.
Cette étude vise à :
➢ Expliquer le concept de la technologie Data Analytics et ces sources.

➢ Identifier les points essentiels qui peuvent être utilisés par l’auditeur à partir de la
Data Analytics pour fonder son opinion.
➢ Mettre en évidence l’impact de la Data Analytics sur les processus de l’entreprise
et les avantages.
Problématique
Afin d'examiner l'impact de l’analytique de données sur l'efficacité de l’audit

interne sur le plan pratique, une étude exploratoire est menée pour répondre à la
problématique suivante :
« Quels sont les enjeux de l’usage de l’analytique du big data sur l’efficacité
de l'audit interne ? ».
Afin de répondre à cette problématique 3 questions de recherches sont avancées :
➢ Qu’est-ce que la Data Analytics ? quelles sont ses caractéristiques ?

➢ Quelle est la source des données ?
➢ Comment l’entreprise bénéficie de la Data Analytics ?
3
La méthode de recherche utilisée pour répondre à cette question est la méthode

descriptive analytique dans le cadre d'une étude de cas, Ceci implique un examen ferme,
approfondi et détaillé d’une institution utilisant la technologie de digitalisation de ses
processus. Les données sont essentiellement extraites des rapports, des déclarations, des
publications et du site officiel de cette institution. Afin de répondre à cette question,
deux hypothèses ont été avancées :
• H1 : La Data Analytics permet à l’organisation d’améliorer son processus de prise de

décision.
• H2 : Les avantages théoriques des données analytiques sont similaires aux avantages
réels sur le terrain.
Dans la partie théorique composée principalement de 02 (deux) Chapitres on

introduira en premier lieu le Big Data Anlalytics et dans un second temp l’Audit Interne
tout en présentant les outils de l’analytique de données et les défis qu’elle présente ainsi
que les avantages, les domaines et le niveau de maturité d’intégration de l’analytique
dans l’audit interne.
Dans la partie pratique on procédera à l’étude de cas pour analyser l’expérience

de la fonction d’audit interne avec l’analytique du Big Data en présentant, dans une
première étape, cette fonction, et en exposant, en suite, l’impact de l’intégration de
l’analytique sur son efficacité. Et en terminera par une conclusion générale, et quelques
perspectives.
4
Partie I
CHAPITRE 1 1
Le Big Data Analytics
″Chaque fois que vous voyez une entreprise qui réussit, dites-vous c’est par ce qu’un jour
quelqu’un a pris une décision courageuse. ″
Peter Drucker
"Sans Big Data Analytics, les entreprises sont aveugles et sourdes, errant sur le Web
comme des cerfs sur une autoroute."
Geoffrey Moore
Chapitre I Le Big Data Analytics
Introduction
Depuis ces dernières années, les données générées n'ont fait qu'augmenter. A
l'heure actuelle, la quantité de données générée chaque année est très importante estimée
à près de 2.5 trillions (2.5 X 1018) octets1. La croissance des données affecte tous les
secteurs de la science et de l'économie, ainsi que le développement d'applications Web
et de réseaux sociaux, ce qui a conduit à l'apparition du terme Big Data. Le mot anglo-
saxon signifie littéralement et sa traduction officielle française recommandée est
mégadonnées. Aujourd'hui, ces mégadonnées sont devenues le centre d'attention des
acteurs de tous les domaines d'activité.
L'objectif de ce chapitre est de présenter un aperçu historique, de définir le

contexte et les caractéristiques du terme « Big data », de citer les cas d'utilisation de ce
dernier, puis d'introduire les méthodes de l’analytique de données dans le big data.
Section 1 : Eclairage Théorique sur le Big Data
Le Big Data est composé de données complexes, provenant essentiellement de

nouvelles sources. Cet ensemble de données sont si volumineux qu’un logiciel de
traitement de données traditionnel est dans l’incapacité de les gérer. Mais ces énormes
volumes de données peuvent être utilisés pour résoudre des problèmes rencontrés par
les entreprises.
1.1 L’histoire du Big Data
L’expression « big data », d’origine américaine et apparue en 1997, désigne un

volume très important de données numériques ainsi que les techniques et outils
informatiques permettant de les manipuler efficacement afin de leur donner du sens.
Traduite en français par « mégadonnées » ou encore « données massives », elle évoque
avant tout un changement d’échelle radical dans le volume des données à traiter et une
modification fondamentale dans la manière de les analyser2. Contrairement aux bases
1
Peter X. Song K. « Analyse de données corrélées : modélisation, analyse et applications » New York.
Springer Science+Business Media (2016) p.7
2
Ibid 9
6
de données traditionnelles où la recherche d’information se fait de manière exhaustive

à partir de données fortement structurées, le big data exploite des données souvent
déstructurées et bien plus nombreuses afin de déterminer de manière automatisée un
modèle mathématique, une loi d’évolution ou une tendance utilisable à des fins
prospectives.
Le « big data » est représentatif du monde hyperconnecté dans lequel nous

vivons, et s’appuie sur des principes mathématiques et informatiques très avancés :
communication sans fil en tout point de la planète, centres de données (data centers)
offrant des moyens de calcul parallèle et de stockage à très haute performance... Ses
champs d’application sont potentiellement infinis et d’une portée économique
inimaginable. Il devient possible de procéder à des analyses prospectives fines pour les
sciences, en particulier l’environnement et la météorologie ou encore la gestion des
risques3. Le plus gros marché du big data concerne néanmoins les utilisations
commerciales (assurances, banques), politiques et culturelles pour analyser des
phénomènes de masse avec pour objectif de faciliter la prise automatique de décisions.
1.2 Définition du Big Data
Littéralement, ce terme signifie mégadonnées, grosses données ou encore

données massives. Il désigne un ensemble volumineux de données qu’aucun instrument
classique de traitement de données ou de gestion de l’information ne peut gérer. En effet
environ 2,5 trillions d’octets de données sont engendrés chaque année. Ce sont des
informations qui ont pour origines : messages que nous nous envoyons, vidéos que nous
publions, informations climatiques, signaux GPS, enregistrements transactionnels
d’achats en ligne et bien d’autres encore.
Ces données sont baptisées Big Data ou volumes massifs de données. Les géants
du Web, au premier rang desquels Yahoo (mais aussi Facebook et Google), ont été les
tous premiers à déployer ce type de technologie4.
3
Andy K. « Visualisation des données : un manuel pour la conception axée sur les données ». Los
Angeles : Sauge (2016) p 11
4
Rob K. « La révolution des données : big data, open data, infrastructures de données et leurs
conséquences » Los Angeles : Sauge (2014) p.8
7
Cependant, bien que nombreuses définitions aient été proposées au concept de

Big Data, aucune n’est réellement consensuelle.
Toutefois, une caractérisation fréquente dites des « 3V » propose de les définir

comme des données qui croiseraient trois propriétés : un Volume (important), une
Variété (de types de données) et une Vélocité de le captation (permanant et/ou
immédiate).5 Cette définition proposée par LANEY(2001) est systématisée par
DEMAURO (2016), reste contesté& selon G.Bastin et P.Tubaro qui soulignent que
certains auteurs lui ont ajouter un quatrième V de la véracité des Données, voire un
cinquième V celui de la valeur et d’autre caractéristiques ne pouvant être associée à la
lettre V comme l’exhaustivité, la résolution ou le caractère relationnel des données6.
(voir Page 09.)
En effet Nussbaumer C. (2015) propose « 5V » dans sa définition du Big Data

que nous retiendrons pour caractériser le Big Data plus Loin. Selon cet auteur il s’agit
de : « données plus variées, arrivant dans des volumes de plus en plus importants
et avec une vitesse plus élevée. Cette définition est également connue sous le nom des
cinq « V » ».
Etant un objet complexe polymorphe, sa définition varie selon son usage, une
approche transdisciplinaire permet d’appréhender le comportement des différents
acteurs : les concepteurs et fournisseurs d’outils (les informaticiens), les catégories
d’utilisateurs (gestionnaires, responsables d’entreprises, décideurs politiques
chercheurs), les acteurs de la santé et les usagers.
Le big data ne dérive pas des règles de toutes les technologies, il est aussi un
système technique dual. En effet, il apporte des bénéfices mais peut également générer
des inconvénients. Ainsi, il sert aux spéculateurs sur les marchés financiers, de manière
5
OLLION Revue sociologie, N°3, Vol.6, 2015.. E & J. BOELAERT « Au-dela des big Data, les sciences
sociales et la multiplication des Donnees. »
6
Gilles BASTIN, PAOLA, « Le moment Big Data des science sociales », revue française de sociologie
N°3, Vol 59, 2018 p 375-394
8
autonome avec, à la clé, la constitution des bulles hypothétiques et permettre d’anticiper

des scenarios envisageables7.
3. Les caractéristiques du Big Data
Figure 1 Les 5 V de la Big Data
volume
vitesse VARIÉTÉ
BIG
DATA
VALEUR VERACITE
Source : http://www.microsoft/bigdata/5v. 28/07/2022
La caractérisation de ces big data se fait généralement selon 3 "V", à savoir le

V de volume, de Variété et de Vitesse. D'autres "V" complémentaires peuvent s'ajouter
comme la valeur et la véracité.
1.3.1 Le Volume
Dans le domaine de la finance et notamment de La business intelligence, les

volumes de données à collecter et analyser sont considérables et en augmentation
constante. Les pratiques d’Analytics et de géolocalisation sont par exemple des
7
Nussbaumer C. (2015) « Storytelling with data : un guide de visualisation de données pour les
professionnels ». New Jersey : Wiley
9
domaines contribuant à l'explosion du volume des données et cette dernière devrait être
renforcée par les données en provenance des objets connectés8.
1.3.2 Vitesse
La vélocité fait référence à la vitesse à laquelle la donnée est créée, C'est un

phénomène qui s'amplifie, d'une part par notre tendance à dupliquer l'information, sur
un même support ou en la partageant sur plusieurs devices, ou encore par la viralité des
réseaux sociaux9. Et le big data se doit d'être performant pour analyser la donnée, même
si elle n'est pas dans nos bases de données.
1.3.3 Variété
La variété fait référence à la diversité des formats des données. Le format

classique est celui de la base de données relationnelle, dans laquelle l'information est
stockée selon un schéma rigide et organisé, par exemple un tableau. La donnée est alors
qualifiée de 'structurée'. Mais aujourd'hui, plus de 80 % (certains analystes évoquent
95 à 99% !) de la donnée est qualifiée de 'non-structurée' 10., c'est à dire qu'elle ne peut
entrer dans des cases. Y figurent le texte, le courriel, la photo, la vidéo, la voix, la
messagerie, etc. Le big data offre la capacité de réunir toutes ces données et de les
analyser
1.3.4 Véracité
La véracité fait référence à la faible fiabilité et au désordre qui règne dans la

donnée. Celle-ci manque trop souvent de qualité et de précision, ce qui la rend peu
contrôlable11. L'une des missions du big data est d'apporter un peu d'ordre à tout cela
non pas en organisant la donnée, mais plutôt en organisant son accès et en permettant
d'y associer les analytiques qui correspondent aux besoins des utilisateurs
8
Alexandru T. et Boca R. (2015) « Visualisation des données : principes et pratique » CRC Press, p22
9
Alexandru T. et Boca R. « Visualisation des données : principes et pratique ». Paris. CRC Press (2015)
p23
10
Idem p.24
11
Idem
10
1.3.5 Valeur
La notion de valeur s'est très rapidement associée aux quatre précédents 'V'. Le
big data demeure un domaine complexe, encore peu maitrisé le manque de data
scientists en atteste, mais encore faut-il également trouver le statisticien des
Technologies de l’information qui saura décrypter la culture et les métiers de
l'entreprise.12 Et qui nécessite des ressources et des compétences. Dans ces conditions
un projet big data et son accès aux utilisateurs n'a d'intérêt que s'il apporte de la valeur
à l'entreprise.13
Le big data s'impose en tendance majeure des IT, encore faut-il le comprendre
pour qu'un projet devienne un succès. Les 5 dimensions ou 'V' du big data sont une
approche initiale simple pour nous aider à en comprendre les enjeux.
Section 2 : Utilisation de la Business intelligence et de la Big Data
Depuis déjà quelques années, la Business Intelligence occupe une place de choix
dans la liste des priorités des entreprises. À juste titre. Dans un monde ultra-
concurrentiel où l'innovation fait la différence, il importe d'être attentif à sa
performance, toujours en phase avec les attentes de ses clients, tout en maintenant une
longueur d'avance sur ses concurrents actuels et potentiels. Aussi, le projet ne se réduit
pas à un assemblage de briques technologiques comme tentent encore de nous en
persuader les éditeurs et les intégrateurs. L'enjeu est d'une toute autre dimension.
2.1 La Business Intelligence
La Business Intelligence (BI) est un ensemble d’outils et de méthodes permettant

de transformer des données brutes en informations pertinentes et de les visualiser pour
faciliter la prise de décision au sein d’une organisation. De la préparation au partage des
12
Idem
13
Christine L. Borgman. « Big data, peu de données, pas de données : recherche dans le monde en réseau.»
Cambridge : La presse du MIT, 2015.
11
données, en passant par leur exploration, il s’agit d’une approche globale permettant
d’exploiter tout le potentiel de la data.14
Avec la BI (ou informatique décisionnelle), l’utilisateur fonctionne en mode

manuel et peut concevoir des reportings d’activité spécifiques. Ainsi, les objectifs
stratégiques de l’entreprise peuvent être analysés en temps réel et comparés avec les
résultats réels obtenus. Si des écarts sont constatés, il est possible de découvrir
rapidement leurs origines et de les corriger.
2.1.1 Les enjeux de la Business Intelligence
L’objectif de l’informatique décisionnelle est de faciliter la prise de décision au

sein de l’entreprise et d’orienter le développement des futures activités. Concrètement,
la BI a pour but de transmettre la bonne information aux bonnes personnes. 15
Cela permet aux organisations de mieux comprendre leur environnement de

marché, de générer des comptes rendus personnalisés pour chaque pôle et chaque
activité et ainsi d’adopter des stratégies pertinentes et efficaces.
Elle s’appuie sur la collecte de data, la mise en conformité de ces dernières, le

contrôle de leur qualité, leur stockage dans ce qu’on appelle un référentiel et leur
distribution aux acteurs concernés.
14
https://business.lesechos.fr/directions-financieres/comptabilite-et-gestion/gestion-des
risques/021594770063-comment-utiliser-la-donnee-pour-detecter-les-fraudes-205989.php
15
Ledolter J (2018). « Exploration de données et la Business intelligence » New Jersey. John Wiley &
Sons. P.29
12
Ce référentiel est généralement un serveur (centralisé ou décentralisé) appelé

data Mart (magasin de données) ou Data Warehouse (entrepôt de données). Il regroupe
les informations historiques et en temps réel de l’organisation afin d’obtenir une vision
globale de l’activité. 16
Figure 2 Datamart (Magasin de Données)
Source :https://www.astera.com/fr/type/Blog/types-de-data-marts/ 29/07/2022

Grâce à
l’ensemble de ces solutions, les équipes IT réalisent des études avancées et utilisent les
renseignements collectés de manière opérationnelle et concrète.
2.1.2 Les Outils de la Business Intelligence
Il est tout d’abord essentiel de comprendre les caractéristiques (schéma et

définitions) des sources de données utilisées par l'entreprise et de déterminer comment
ces sources doivent être analysées.
La plupart des sources sont facilement accessibles à l'aide d'un outil de BI, mais
il existe des exceptions. Un outil de BI natif doit être capable de traiter les données
stockées dans les data Warehouse et autres gisements.
Il est nécessaire de définir les objectifs opérationnels et les résultats souhaités :
➢ Identifier les indicateurs KPI qui devront être mesurés par le système de BI.
16
Delforge, A. (2018). Comment (ré)concilier RGPD et big data ? Revue du droit des technologies de
l’information, (70), 15-29. Consulté à l’adresse http://www.crid.be/pdf/public/8327.pdf
13
➢ Évaluer les coûts et compétences techniques nécessaires à la gestion

des programmes de BI.
➢ Décider si on a besoin d'un outil de BI open source, autonome, ou d'une suite.
Un bon outil doit permettre d'obtenir des réponses précises, filtrées par source, date
et tout autre facteur nécessaire pour répondre aux requêtes spécifiques. Il doit être doté
de capacités de suggestion (automatisées dans le contexte du machine learning), à savoir
identifier la structure de chaque donnée récupérée en fonction de la question posée et
suggérer des actions en fonction de ces résultats.17
2.1.2.1 les caractéristiques d’un outil de la Business Intelligence
Parmi les caractéristiques importantes d'un outil de BI actuel et performant,18

citons les suivantes : Les outils de Business Intelligence peuvent apporter de nombreux
bénéfices à une entreprise. Ils permettent :
• D’accélérer et d'améliorer la prise de décision,
• D'optimiser des processus d'affaires internes,
• D'augmenter l'efficacité opérationnelle, la génération de nouveaux revenus
• D'obtenir un avantage concurrentiel face à la concurrence.
Les systèmes Business Intelligence peuvent également aider les entreprises à

identifier les tendances du marché et à repérer les problèmes commerciaux qui doivent
être résolus.
Les données Business Intelligence peuvent inclure des informations historiques

stockées dans un Data Warehouse et Data Mart, ainsi que de nouvelles données
collectées à partir des systèmes sources au fur et à mesure qu'elles sont générées. Les
17
Ledolter J (2018 ) « Exploration de données et la Business intelligence» New Jersey. John Wiley &
Sons. P.15
18
AICPA, Byrnes, P., Vasarheyli, M., Criste, T., & Stewart, T. (2014, août). Reimagining
Auditing in a Wired World .
14
outils Business Intelligence permettent de soutenir à la fois les processus décisionnels

stratégiques et tactiques19.
2.1.2.2 Les avantage de l’utilisation d’un outil de la Business Intelligence
Voici quelques-uns des avantages de l'utilisation des outils Business Intelligence :
• Augmenter la productivité : Avec un programme Business Intelligence, il est possible

pour les entreprises de créer des rapports en un seul clic.
• Améliorer la visibilité : La Business Intelligence contribue également à améliorer la

visibilité de ces processus et permet d'identifier les domaines qui nécessitent une
attention particulière.
• Avoir une vue d'ensemble : La Business Intelligence aide également les organisations
à obtenir une vue d'ensemble de l'entreprise20 grâce à des fonctions typiques de Business
Intelligence telles que les outils de Data intégrés et les tableaux de bord.
• Rationaliser les processus d'affaires : La Business Intelligence supprime toute la

complexité associée aux processus métier. Elle automatise également l'analyse en
proposant des analyses prédictives, des modélisations informatiques, des analyses
comparatives et d'autres méthodologies.
19
https://www.headmind.com/fr/informatique-decisionnelle/
20
Alles, M. G. (2015, février). « Drivers of the Use and Facilitators and Obstacles of the Evolution of Big
Data by the Audit Profession »
15
• Analyser des données facilement et rapidement : Les logiciels de Business

Intelligence ont démocratisé leur utilisation, permettant même aux utilisateurs non
expérimentés ou non formés de collecter et de traiter les données rapidement.
Figure 3Phases de la Business Intelligence
Source : https://www.piloter.org/business-intelligence/businessintelligence.htm
Alain Fernandez 29/07/2022
2.1.3 Les Phases de la Business Intelligence
Les entreprises utilisent une myriade d’applications et d’outils pour gérer leur
activité au quotidien (CRM, ERP, Suite Office). Si chacune de ces applications permet
de stocker, analyser, ou modifier certains types de données, ces dernières ne sont pas
nécessairement compatibles entre elles21. Plus encore, chaque service, équipe ou
département peut utiliser un panel d’applications, parfois différents des autres entités de
l’entreprise. La volumétrie de données collectées ou créées, l’absence d’uniformisation
et la multiplicité des applications utilisées rendent difficile l’exploitation et l’analyse
globale des données par les décisionnaires de l’entreprise, c’est là que la BI intervient.22
21
Bell J. (2015). « Apprentissage automatique pour la Big Data : travaux pratiques pour les développeurs
et les professionnels techniques » New Delhi : Wiley P 43
22
https://www-igm.univ-mlv.fr/~dr/XPOSE2006/DELTIL_PEREIRA/processus.html
16
2.1.3.1. La phase d’alimentation
La phase d’alimentation consiste à détecter, sélectionner, extraire, transformer

et charger dans un data warehouse (DWH, entrepôt de données) l’ensemble des données
brutes issues des différentes sources de stockage de l’information (bases de données,
fichiers plats, applications métier, etc.)23.
Cette phase est généralement réalisée grâce à un outil d’ETL (Extract,

Transform, Load). Grâce à des connecteurs, l’ETL peut extraire un grand nombre de
données de différents types, puis grâce à des transformateurs manipuler ces données
pour les agréger et les rendre cohérentes entre elles. Nous verrons plus loin l’ensemble
des fonctionnalités et des avantages des ETL.
2.1.3.1.a) Les outils d’ETL
Les outils de l’ETL répondent à ce besoin grâce à :
➢ L’extraction de données issues des différentes sources d’information : Grâce à des

connecteurs ou des APIs. Attention, on parle là de données existantes dans le SI de
l’entreprise uniquement. Les ETL n’ont pas pour vocation à collecter de nouvelles
données. De plus, il est possible d’utiliser des règles de gestion pour extraire une partie
seulement des données.24
➢ La transformation de ces données : La multitude des sources et des formats de données

expliquent la difficulté pour les entreprises de les exploiter. L’ETL va transformer les
données brutes collectées pour les nettoyer, conformer, standardiser, documenter,
corriger et dupliquer au besoin. C’est une étape cruciale qui va permettre de rendre
l’ensemble des données compatibles entre elles, et conformes au format cible (défini en
fonction des cas d’usage que l’entreprise veut implémenter dans le DWH). En d’autres
termes, cette opération consiste à agréger des tables de données entre elles pour créer des
« super-tables ».25
23
Op.cit.
24
https://www.headmind.com/fr/informatique-decisionnelle/
25
Op.cit.
17
➢ Le chargement des données transformées dans le DWH : Une fois les données
transformées, elles sont envoyées dans le DWH. Contrairement à un Data Lake, qui
comprend un ensemble de données non agrégées/structurées, les données chargées dans
le DWH sont organisées et structurées sur la base d’un langage commun.
2.1.3.1.b) Les avantages de l’utilisation d’un ETL
Les principaux avantages liés à l’utilisation des ETL sont :
✓ Améliorer l’exploitation des données de l’entreprise, même dans des environnements

complexes avec des sources de données multiples.
✓ Couplé à un DWH, ils permettent d’avoir une vision exhaustive de l’ensemble des données
dont l’entreprise dispose.
✓ Améliorer l’efficacité des équipes IT, puisque les processus ETL alimentent
automatiquement et en temps réel le DWH (moins de Scripts, codes à générer).) ;
✓ Accroître l’agilité de l’architecture SI, puisque les ETL peuvent s’interfacer facilement à
tout type de source de données.
✓ Accroître la réactivité, grâce aux services annexes proposés avec les solutions d’ETL tels
que l’envoi d’alertes pour prévenir les administrateurs en cas de problème. ;
✓ Facilité de la prise en main des outils grâce à la représentation graphique des scripts utilisés.
Figure 4.La phase ETL
Source : www.fidinter.ch.
18
2.1.3.2 La phase de modélisation « Warehouse »
Une fois les données centralisées, la phase de modélisation consiste à stocker et

structurer les données dans un espace unifié (le data warehouse) pour qu’elles soient
disponibles pour un usage décisionnel. Cette phase est également réalisée grâce aux
outils d’ETL via des connecteurs qui permettent l’écriture dans le data warehouse.26
Les données peuvent à nouveau être filtrées et transformées pour assurer la

cohérence de l’ensemble dans le data warehouse. Enfin, lors de cette phase les données
stockées peuvent être prétraitées via des calculs ou des agrégations pour faciliter leur
accès aux outils d’analyse.
Lieu de stockage de toutes les données utilisées par le système d’information

décisionnel. Il permet aux applications d’aide à la décision de bénéficier d’une source
d’information homogène, commune, normalisée et fiable. De plus, le data warehouse
assure une étanchéité entre le système opérationnel et le système décisionnel ; et donc
réduit le risque que les outils décisionnels affectent les performances du système
opérationnel en place. Le data warehouse doit suivre plusieurs principes clés :
➢ Être orienté métier : La structure du data warehouse doit être conçue en fonction des
besoins des utilisateurs.
➢ Non volatile : Les données ne doivent jamais être réécrites ou supprimées ; elles sont
statiques et les utilisateurs n’y ont accès qu’en lecture seule.
➢ Intégré : Le data warehouse contient la plupart, voire l’ensemble des données de
l’entreprise, et celles-ci doivent être fiables et cohérentes entre elles.
➢ Historisé : Tous les ajouts/modifications dans le data warehouse doivent être
enregistrés et datés.
2.1.3.3 La phase de restitution
La phase de restitution vise à mettre les données à la disposition des utilisateurs

en prenant en compte leur profil et leur besoin métier. L’accès direct au data Warehouse
n’est pas autorisé puisque l’objectif est de segmenter et de diffuser les données
26
https://www.alteryx.com/fr/glossary/data-analytics
19
collectées pour qu’elles soient cohérentes par rapport au profil de l’utilisateur et qu’elles
soient simples à exploiter.
Lors de cette phase, de nouveaux calculs de données peuvent être effectués pour
répondre aux besoins spécifiques des utilisateurs. Les outils de la phase de restitution
sont multiples.27 La data visualisation consiste à représenter visuellement des données
brutes, en approche interactive, dans le but d’en simplifier leur manipulation, leur
compréhension et leur maîtrise. Cette approche marque une volonté d’ouverture. La data
(et son analyse) n’est plus un domaine ‘clos’, exclusivement réservée aux experts (data
scientist, data analysts…), mais s’ouvre à des corps de métiers plus variés, à priori,
moins initiés et plus éloignés de la complexité qui y est inhérente.
La production de volumes et la variété de données, toujours plus grandissantes à

disposition des entreprises et une demande en analyse plus flexible et rapide, oblige une
réflexion sur la stratégie de data management, et par conséquent des outils mis à
disposition.28
Les outils de dataviz participent à cette réflexion car ils ont pour ambition de
simplifier l’accessibilité, la compréhension et l’interprétation des données arrivant en
bout de chaine décisionnelle.
Une analyse en approche self-service est permise, l’utilisateur peut choisir

l’angle sous lequel il veut étudier la donnée, une autonomie et une souplesse lui sont
accordées sur les mesures, les dimensions et la formalisation des représentations (axés
autour du visuel et de la schématisation des données), qu’il peut moduler à son aise.
En somme, les outils de data visualisation permettent de :
✓ Centraliser l’affichage de la donnée en un seul et même endroit (accessibilité)
✓ Associer et croiser des données provenant de sources diverses
27
28
20
✓ Comprendre simplement et rapidement la donnée en lui conférant un ‘sens’
✓ Créer des tableaux de bords personnalisés et les partager
2.1.3.4 La phase d’analyse
Dans la phase d’analyse, les utilisateurs finaux vont analyser les informations
qui leur sont fournies.29 Habituellement, les données sont modélisées par des
représentations basées sur des requêtes pour construire des tableaux de bord ou des
rapports via des outils d’analyse décisionnelle (Power BI, Tableau de bord, Qlikview,
etc.).
L’objectif de cette phase est d’assister au mieux l’utilisateur pour qu’il puisse
analyser les informations mises à sa disposition et prendre des décisions. 30 Cela passe
notamment par le contrôle d’accès aux rapports, la prise en charge des requêtes et la
visualisation des résultats.
2.2 L’utilisation du Big Data
2.2.1 Développement de produits
Des sociétés comme Netflix et Procter & Gamble utilisent le Big Data pour
anticiper la demande des clients. Elles créent des modèles prédictifs pour de nouveaux
produits et services, en classant les principaux attributs de produits ou services passés
et présents et en modélisant la relation entre ces attributs et le succès commercial de
leurs offres. 31 De plus, P&G utilise les données et analyses émanant de groupes cibles
réseaux sociaux, marchés test et présentations en avant-première pour prévoir, produire
et lancer de nouveaux produits.
29
idem
30
https://www.ibr-ire.be/RedirectHandler.ashx?documentURL=fr%2FDocuments%2Freglementation-
et-publications%2Fpublications%2Fbrochures%2Fgeneralites%2FBrochure-data-analytics-2020-FR.pdf
31
https://datascientest.com/data-science-definition
21
2.2.2 Maintenance prédictive
Les facteurs permettant de prédire les défaillances mécaniques peuvent être

profondément enfouis dans des données structurées, telles que l’année, la marque et le
modèle de l’équipement, ainsi que dans des données non structurées couvrant des
millions d’entrées de journal, de données de capteur, de messages d’erreur et de
température du moteur. 32 En analysant ces indications de problèmes potentiels avant
que ceux-ci surgissent, les entreprises sont à même de déployer leur maintenance de
manière plus rentable et d’optimiser le temps de fonctionnement de leurs pièces
et équipements.
2.2.3 Expérience client
La course aux clients est lancée. Il est désormais possible d’avoir une meilleure
vue d’ensemble de l’expérience client qu’auparavant. Le Big Data permet de rassembler
des données provenant de médias sociaux, de visites Web, de journaux d’appels
et d’autres sources pour améliorer l’expérience d’interaction.33 et maximiser la valeur
fournie. Commencez à proposer des offres personnalisées, à réduire la perte de clients
et à traiter les problèmes de manière proactive
2.2.4 Fraude et conformité
En matière de sécurité, Il ne s’agit pas que de quelques pirates informatiques

malhonnêtes : on fait face à des équipes entières. Les paysages de la sécurité et les
exigences de conformité sont en évolution constante34. Le Big Data aide à identifier des
modèles dans les données qui indiquent une fraude et à agréger de grands volumes
d’informations permettant d’accélérer le reportings réglementaire.
32
idem
33
https://vitellusdata.fr/choisir-vos-cas-d-usage-data/
34
Idem
22
2.2.5 Machine Learning
Le machine Learning est un sujet brûlant en ce moment. Les données, plus

particulièrement le Big Data, l’ont rendu possible. Nous sommes désormais capables
d’enseigner aux machines, plutôt que de simplement les programmer.35. La disponibilité
du Big Data pour former des modèles de machine Learning rend cela possible
2.2.6 Efficacité opérationnelle
L’efficacité opérationnelle n’est peut-être pas toujours l’actualité, mais c’est un

domaine dans lequel le Big Data a le plus d’impact. Grâce au Big Data, on peut analyser
et évaluer la production, les commentaires et retours des clients, ainsi que d’autres
facteurs, afin de réduire les pannes et d’anticiper les demandes à venir. Le Big Data
permet également d’améliorer la prise de décision, en adéquation avec la demande
du marché.
2.2.7 Dynamiser l’innovation
Le Big Data peut aider à innover en étudiant les interdépendances entre les êtres
humains, les institutions, les entités et les processus, puis en déterminant de nouvelles
façons d’utiliser ces informations.36 Exploiter les informations pour améliorer les
décisions dans les domaines financiers et de planification37. Examiner les tendances
et les souhaits des clients pour offrir de nouveaux produits et services. Mettre en place
une tarification dynamique. Les possibilités sont infinies.
Section 3 : Le Big Data Analytics
La Data Analytics, ou l'analytique de la donnée, consiste à explorer, transformer

et analyser les données afin d'identifier les tendances et les schémas qui révèlent des
informations exploitables pertinentes et améliorent l'efficacité, ce qui contribue à
35
https://datascientest.com/machine-learning-tout-savoir
36
https://www.margo-group.com/fr/actualite/data-science-appliquee-monde-retail-10-use-cases-
incontournables/
37
https://www.sqorus.com/big-data-analytics-entreprises-africaines/
23
optimiser la prise de décision. Une stratégie moderne de data Analytics permet aux
systèmes et aux entreprises d'agir en fonction d'analyses automatisées en temps réel, ce
qui garantit des résultats immédiats et percutants.
3.1 L’apparition du Big Data Analytics
Le BDA, apparu au début des années 2000, est un domaine de recherche qui est
encore en émergence, il manque ainsi d’une définition commune et claire et son
encadrement est encore à définir et à façonner.
D’une manière générale, le BDA revient à la pratique où les techniques d'analyse

avancées opèrent sur un volume de données considérablement important. Dans une
perception plus détaillée, le BDA implique l'utilisation de techniques statistiques, de
logiciels, de système d'information et de méthodologies de recherche opérationnelle
pour explorer, visualiser, interpréter et communiquer des modèles ou des tendances dans
les données. Ainsi, le data analyse fait partie du data analytics dans la mesure où ce
dernier représente l'ensemble du processus de découverte de connaissances38, tandis que
l’analyse de données en fait partie et vise à trouver les informations cachées dans les
données.
Toutefois, avant d’analyser les données, il revient en premier lieu d’extraire des
structures, des corrélations, des modèles et des règles dans les données tout en utilisant
des algorithmes statistiques et d'apprentissage automatique39, ce qui revient au Data
Mining. Le data mining constitue le socle du l’exploitation du Big Data40. Il s’agit d’une
approche qui permettra de trouver des relations inconnues et intéressantes dans les
données sans pour autant tenter de confirmer une hypothèse spécifique mais,
uniquement, rechercher des relations. Tester ces hypothèses nécessite le recours
à l’analyse du big data.
38
https://fr.slideshare.net/EmilySionniere/histoire-du-big-data
39
https://www.nexton-consulting.com/2018/03/15/la-veritable-histoire-du-big-data-episode-1/
40
https://openclassrooms.com/fr/courses/2958471-comprendre-le-big-data-a-travers-les-films-de-
cinema/3022496-lhistoire-du-big-data
24
Le BDA peut être utilisée dans plusieurs domaines tels que la prévision et la
planification, la logistique et le Supply Chain41, les domaines de soins de santé
l'évaluation du risque de crédit, le marketing et la détection de fraude…Elle peut être
aussi utilisée dans le dispositif de maitrise des risques, dont l’audit interne, objet de la
présente recherche.
3.2 Types du Big Data Analytics
Il existe plusieurs types de data Analytics :
Figure 5. Types de Big Data Analytics
Source :https://towardsdatascience.com/big-data-analysis-spark-and-hadoop-2a
29/07/2022
3.2.1 Descriptive
Pour répondre à la question « Que s'est-il passé ? »
L’interprétation des données historiques permet de comprendre certains

événements survenus en les comparant à différentes périodes. C’est une composante
importante dans l’élaboration de décisions à prendre dans les entreprises42. Cela permet
replacer dans un contexte certaines données, comme, lorsque nous parlons d’une
41
Davenport T. (2014) « Le Big Data au travail : dissiper les mythes, découvrir les opportunités ».
Boston : Harvard Business Review Press, p 38
42
https://chartio.com/learn/data-analytics/types-of-data-analysis/
25
augmentation du chiffre d’affaires d’un million d’euros pour une entreprise. Ceci peut
sembler beaucoup, mais si nous savons que cette augmentation n’est qu’un petit
pourcentage de ce qui a été réalisé l’année précédente (disons 1%), cela nous apparait
comme étant nettement moins important.
3.2.1 Diagnostique
Pour répondre à la question « Pourquoi cela s'est-il produit ? »
Cette analyse met l’accent sur les causes de certains événements qui ont eu lieu
antérieurement. Cette étude tente de répondre à la question : « Pourquoi cela se produit-
il ? ». Nous commençons généralement par des informations hypothétiques43, puis nous
essayons d’établir des connexions et de trouver des corrélations entre différents facteurs.
Supposons que nous voulons comprendre pourquoi les ventes en ligne ont augmenté de
30%. Une analyse de données des consommateurs permet de déterminer que c’est en
partie une promotion de livraison gratuite qui a permis d’augmenter de 14% la quantité
d’articles par livraison sur le site. Un outil souvent utilisé dans ce type d’analyse est
l’exploration de données (« data mining »).
3.2.3 Prédictive
Pour répondre à la question « Que va-t-il se passer ? »
Cette analyse de données et de statistiques vise à établir des prédictions sur des
évènements futurs ou même des évènements encore inconnus.44 Cela permet de
résoudre des problèmes complexes et d’identifier des risques et/ou opportunités
potentiels. Ses usages principaux sont, à l’heure actuelle, prédominants dans les
domaines qui concernent, en premier lieu, la détection des fraudes, l’optimisation des
campagnes de marketing, l’amélioration des opérations (gestion de stocks, etc.) et, en
dernier lieu, la réduction de risques (SAS, 2019*).
43
https://online.hbs.edu/blog/post/types-of-data-analysis
44
https://www.simplilearn.com/data-analysis-methods-process-types-article
26
3.2.3 Prescriptive
Pour répondre à la question « Que dois-je faire ? »
Avec l'analytique descriptive et diagnostique, les analystes et les responsables

peuvent lisser l'ensemble. Ces processus sont des éléments fondamentaux qui ouvrent
la voie à des insights plus sophistiqués obtenus par des analyses prédictives et
prescriptives.45
L’analyse prescriptive va encore plus loin dans l’analyse de données. Bien que
l’analyse prédictive ait tendance à découvrir des problèmes futurs qui n’ont pas encore
été décelés, l’analyse prescriptive fournira des solutions pour optimiser au maximum les
bénéfices de certaines opportunités ou bien d’atténuer certains risques à l’avenir
(Proponent,2018). Il s ’agit d’une étape supplémentaire, car c’est la seule étape
à recommander des actions à réaliser. Les réponses qu’elles formulent se font à travers
deux processus (Riverlogic,2020) : soit par des règles heuristiques1, soit par
l’optimisation. La plupart des techniques évoquées pour les autres types d’analyses sont
aussi nécessaires pour parvenir à un résultat. Ceci n’est que l’étape finale de ce qui a été
réalisé auparavant. Le procédé utilisé dépend, en effet, du problème rencontré.
Il est important de comprendre ces différentes phases d’analyse des données car
une étape est difficilement réalisable si celle qui la précède n’est pas maitrisée. Plus
nous progressons dans ces différentes étapes, meilleure est la maitrise des data
analytiques. Avant d’entamer la compréhension du positionnement exact de l’audit
interne dans l’industrie, nous allons tout d’abord nous attarder sur une définition de
celle-ci et ce en quoi elle consiste.
3.3 Processus du Big Data Analytics
Ce processus repose sur plusieurs phases et étapes. Les enseignements tirés lors
d'une phase peuvent nécessiter de prendre du recul et de reprendre une phase antérieure,
45
https://www.analytics8.com/blog/what-are-the-four-types-of-analytics-and-how-do-you-use-them/
27
ce qui rend l'opération plus cyclique que linéaire.46 Plus important encore, les processus
de data analytics qui fonctionnent dépendent de la reproductibilité et de l'automatisation
entre chaque étape.
Ces étapes, en nombre de sept (07) peuvent être présentées comme suit :
3.3.1 Entrée de données (Data Input)
Permet de déterminer les exigences et de collecter les données. Un minimum de

travail d'investigation est nécessaire : discuter avec les personnes concernées, savoir qui
« garde » les données et obtenir l'accès à ces données.
3.3.2 Préparation des données (Data Preparation)
Le but ultime de la stratégie de préparation des données est la production

d'informations exploitables grâce à l'analyse de données. Cela inclut le nettoyage et la
consolidation des données brutes en données bien structurées, prêtes pour l'analyse. Par
ailleurs, les résultats sont testés à chaque étape du processus de préparation afin de
s'assurer que l'analyse donne les résultats souhaités.
3.3.3 Exploration des données (Data Exploration)
L’exploration des données, ou l'analyse exploratoire des données, consiste

à inspecter et examiner un vaste ensemble de données à travers l'échantillonnage
l'analyse statistique, l'identification des schémas (ou patterns), le profilage visuel, et plus
encore. Les méthodes ne sont pas nécessairement scientifiques ou concluantes ; elles
servent plutôt à comprendre, ce qui mène à une transformation plus judicieuse des
données.
46
Davenport T. (2014). « Le Big Data au travail : dissiper les mythes, découvrir les opportunités ».
Boston : Harvard Business Review Press, p 102
28
3.3.4 Enrichissement des données (Data Enrichment)
Cette opération consiste à enrichir et augmenter les données avec des entrées et
des ensembles de données supplémentaires pour fournir plus d'éléments à l'analyse. 47
Cette étape du processus de Data Analytics est cruciale pour révéler de nouvelles
informations exploitables, ou insights, en observant les données sous un autre angle.
3.3.5 La science de données (Data Science)
Utilisation de méthodes plus sophistiquées pour donner du sens aux données

d'une façon plus précise et plus poussée, et pour faire émerger des informations
précieuses qui seraient impossibles à trouver lors d'un traitement des données plus
rudimentaire. .48 Les méthodes en question incluent notamment des algorithmes,
l'entraînement de modèles, le machine Learning (ML) et l'intelligence artificielle (IA)
3.3.6 Reporting
Les résultats du processus de data Analytics doivent être partagés efficacement

afin de préserver les informations obtenues49. Le reporting consiste à organiser ces
informations et les résultats d'une façon claire et facile à comprendre.
3.3.7 Optimisation
À mesure que les variables évoluent dans le temps, les modèles doivent être
optimisés et améliorés pour rester efficaces et conformes à leur objectif initial ou pour
évoluer en fonction de nouvelles entrées ou de nouvelles caractéristiques.
47
Borgman Chrestine L. « Big data, peu de données, pas de données : recherche dans le monde en
réseau ». Cambridge : La presse du MIT (2015). P 122
48
Op.cit. 122
49
Op.cit. 124
29
Figure 6. Processus de la Data Analytics
Entrée de Données Reporting Optimisation

( Data Input )
Preparation des La science de Données

Données
(Data Preparation) (Data Science)
Exploration des Enrichissement des

Données Données
(Data Exploration) (Data Enrichement)
Source : Réalisé par l’auteur
Conclusion
Le Big Data est caractérisé par ses 5 V, le premier d'entre eux est la valeur, qui
est de plus en plus considérée comme l'aspect le plus important du Big Data. La capacité
de transformer l'investissement dans la technologie pour collecter et traiter le Big Data
en connaissances et informations précieuses en retour est essentielle pour les entreprises.
Il s'ensuit que l'application des compétences d'audit traditionnelles aux nouvelles
technologies devrait générer et générerait les types d'idées qui permettent justement
d'atteindre cet objectif.
Le V final est la véracité : l'exactitude et la fiabilité des données. Encore une

fois, les connaissances et les compétences de l'auditeur peuvent et doivent être mises à
profit dans ce domaine, non seulement pour que l'auditeur puisse se fier aux données,
mais aussi pour donner l'assurance à ses clients qu'ils disposent d'un niveau de filtrage,
la vérification et l'exactitude des données introduites dans leurs systèmes.
30
La digitalisation des entreprises va avoir un impact majeur sur ses fonctions,

notamment à travers le Big Data. L’objectif de ce chapitre était de comprendre comment
les données sont collecter et l’introduction de la Business Intelligence, nous avons pu
tirer les conclusions suivantes :
Contrairement aux outils traditionnels, le Big Data permet de collecter en plus

des données internes, des données externes à l’entreprise pour en en tirer un
avantage compétitif.
Le Big Data permet de traiter rapidement un grand volume de données, de

réduire les anomalies récurrentes et de réaliser des analyses automatiques,
permettant un gain de temps considérable.
Le Big Data offre la possibilité aux Auditeurs et aux contrôleurs de Gestion de

s’emparer véritablement de leur rôle de Business Partner, pouvant accompagner
les managers dans le conseil et la prise de décision.
A contrario :
Des problèmes liés au Big Data en matière de contrôle de gestion subsistent. Les
données massives non structurées provenant de sources multiples accentuent le
besoin de fiabilisation des données par les contrôleurs de gestion, entraînant une
perte de temps.
La volumétrie des données pourrait compliquer la lecture et la compréhension

de ces données, rendant l’aide à la décision plus difficile.
L’avenir du métier de l’audieur et du contrôleur de gestion est remis en cause

face aux Data Scientists et Data Analysts, véritables experts des données
complexes et déstructurées du Big Data, qui ont la capacité de fournir des
informations plus pertinentes pour soutenir la prise de décision.
31
CHAPITRE 2 2
Automatisation des
Données
et l’Audit Interne
« Pour chaque opération auditée, connaître la mission, le but et la raison d'être. »

Larry Sawyer
« Les conclusions d'audit sont faciles à trouver, un changement réussi à partir d'une conclusion est
une véritable valeur d'audit interne. »
Michel Piazza
Chapitre II Automatisation des Données et Audit Interne
Introduction
L'audit fait partie intégrante de la gouvernance d’entreprise ; les auditeurs

internes et externes sont tenus à effectuer des évaluations indépendantes de toutes les
opérations et contrôles internes. En donnant à l'activité d'audit interne un accès complet
et inconditionnel à tous les enregistrements, fichiers, données et propriétés physiques
d’une organisation, les auditeurs internes sont tenus d'exercer leurs activités sur tous les
processus de l’entreprise.
L’activité de l’audit interne peut jouer un rôle important auprès de la direction

de l’entreprise dans l’accomplissement d’un composant essentiel de leurs mécanismes
de gouvernance.
L’auditeur interne peut substantiellement par ses actions, son analyse, ses
recommandations et ses conseils, optimiser les moyens mis en œuvre par l’entreprise,
améliorer la maitrise des coûts, et donc les profits, et réduire les risques liés à son
activité. A titre d’exemple les Egyptiens, les Phéniciens, les Grecs et les Romains
tenaient des comptabilités de trésorerie et ont amené au fil des échanges et des
expériences ces derniers à établir de solides systèmes d’informations leur permettant
d’en analyser les données pour une meilleure gestion.
L’analyse des données financières serait donc née depuis très longtemps.
L’intérêt de l’audit ne commencera à être reconnu qu’à partir du XIII siècle, ainsi les
grandes organisations administratives mis en place à cette époque par les rois, les
barons, les Eglises et les municipalités ont exercé pendant longtemps une grande
influence sur le développement de la comptabilité et de l’audit. C’est indéniablement au
XVIII° siècle que la comptabilité a commencé à attirer des personnes compétentes pour
y exercer leur profession. Ainsi un noyau professionnel naquit au XVIII° siècle. A cette
période il y a eu floraison d’énormes banqueroutes scandaleuses qui a accompagné les
balbutiements du capitalisme populaire avec entre autres la faillite en 1720 en
Angleterre de la « South Sea Company », premier krach de l’histoire, qui déclencha une
panique générale ou tout actionnaire voulait bien entendu vendre, mais personne ne
voulait acheter. Les premières tentatives de création d’une association de comptables
ont eu lieu en Italie sous le nom de : « Il collegio di raxonati » et fut fondé à Venise en
33
1581. Ces associations n’ont malheureusement pas pu survivre au XVIIIe siècle, et ce

n’est qu’en 1854 que fut créée la plus ancienne des associations actuelles, il s’agit de
«L’institute of Chartered Accountants in Scotland » qui s’est efforcé de bâtir une
communauté de professionnels tout au long de ces années ; l’objectif étant de construire
une profession comptable forte afin de doter la communauté des affaires des meilleurs
comptables.
C’est ainsi qu’à titre d’exemple KPMG, le premier réseau en France de

prestations de services d’audit, d’expertise comptable et de conseil est devenu le
principal partenaire de L’I.C.AS. Les gouvernements ont joué aussi un rôle très
important dans la professionnalisation de cette activité, ainsi en France des décrets ont
créé l’ordre des experts comptables & comptables agréés en 1945, ainsi que la
Compagnie nationale des Commissaires aux comptes en 1969.Le contrôle de l’état se
formalisera aussi par la création de la Cour des Comptes en 1807.Ainsi nous pouvons
distinguer une synthèse des étapes de l’évolution de l’audit les plus significatives
représentées par le tableau ci-dessous:
Figure 7. Synthèse de l'évolution de l'audit
Source : https://www.institut-numerique.org/chapitre-1-cadre-general-de-laudit-interne-
30/07/2022
34
Section 01 : Cadre Conceptuel de L’Audit Interne et de la Digitalisation
Grâce aux technologies numériques, comme l’automatisation robotisée des

processus (RPA « Robotic Process Automotion ») et l’analytique avancée, la fonction
d’audit interne gagne considérablement en performance et en portée. Elle se concentre
davantage sur les enjeux stratégiques, est plus proactive, efficace et efficiente. Ces
techniques permettent par ailleurs aux auditeurs internes de tester toute une population
de transaction au lieu d’un simple échantillon et peuvent être source d’économies, en
automatisant des opérations de routine notamment.
1.1 Cadre conceptuel
1.1.1 Fondement de l’audit Interne
La pratique de l’audit interne, d’abord dans le domaine financier et comptable, puis

par extension, dans d’autres fonctions de l’entreprise, a connu ces dernières années un
développement considérable. Il s’est construit autour de l’audit interne une image de
modernité et d’efficacité qui provient de trois principaux facteurs : la richesse du
concept, l’exigence de compétence étendues et du professionnalisme des auditeurs, la
rigueur de la méthode.
L’audit interne est maintenant une fonction d’assistance au management. Issue du

contrôle comptable et financier, cette fonction recouvre de nos jours une conception
beaucoup plus large et plus riche, répondant aux exigences croissantes de la gestion de
plus en plus complexe : nouvelles méthodes de direction (délégation, décentralisation,
motivation), informatisation des systèmes de gestion, concurrence…etc. 50
Il est désormais de pratique courante de constater que l’audit est une fonction
d’assistance qui doit permettre aux responsables des entreprises et organisations de
mieux gérer leurs affaires. La précision de la signification du concept audit interne est
une opération qu’est loin d’être aisée. Ceci est dû à son caractère évolutif et par
conséquence on peut dégager plusieurs définitions :
50
RENARD J. « Audit interne. », Paris, Dunod. (2003), P 134
35
La première définition : « L’audit interne est un dispositif interne à l’entreprise qui

vise à :
✓ Apprécier l’exactitude et la sincérité des informations notamment comptables,

✓ Assurer la sécurité physique et comptable des opérations,
✓ Garantir l’intégrité du patrimoine,
✓ Juger l’efficacité systèmes d’informations. »
Outre le fait que l’audit interne n’est pas un "dispositif " mais une fonction, cette
définition, au demeurant incomplète, confonde les rôles de l’audit
interne « apprécier » – « juger » avec les objectifs du contrôle interne
« assurer » - « garantir ».
Tableau 1. facteurs d'evaluation de la performanace de l'audit interne

Facteurs clés de succès Pourcentage
recensé
Recommandations ciblant les causes premières des problèmes 84%
Qualité des travaux sur les principaux risques 83%
Communication en temps opportun des risques 72%
Conseils sur les risques émergents 63%
Perception de l'audit interne au sein de l'organisation 44%
Activité liée à des attentes particulières des parties prenantes 36%

Indicateurs quantifiés de valeur ajoutée 31%
Source : https://www.ifaci-certification.com/fr/ /certification-qualite

30/07/2022
La seconde définition : « réalisé par un service de l’entreprise l’audit interne

consiste à vérifier si les règles édictées par la société elle-même sont respectées ».
Définition extrêmement restrictive, limitée à un simple audit de conformité des règles
de l’entreprise.
La définition officielle : C’est la traduction de la définition internationale adoptée

par l’Institut International d’Audit Interne (l'IIA : the Institute of Internal auditors) le 29
36
juin 1999 et approuvée le 21 mars 2000 par le Conseil d'Administration de l'Institut de

l’Audit Interne (IFACI) : « L'Audit Interne est une activité indépendante et objective
qui donne à une organisation une assurance sur le degré de maîtrise de ses opérations,
lui apporte ses conseils pour les améliorer, et contribue à créer de la valeur ajoutée. Il
aide cette organisation à atteindre ses objectifs en évaluant, par une approche
systématique et méthodique, ses processus de management des risques, de contrôle, et
de gouvernement d'entreprise, et en faisant des propositions pour renforcer leur
efficacité »51. Cette nouvelle définition a déjà fait l’objet de multiples commentaires et
interprétations. Soulignons quelques points essentiels :
Ainsi que l’a fort judicieusement observé Louis VAURS , la nouvelle définition est
avant tout volontariste52; cela dit elle montre plus ce qui doit être que ce qui est, d’où un
certain temps de décalage probable avec la réalité. Mais en revanche on identifie
clairement le chemin à suivre.
✓ Cette définition insiste sur l’idée d’indépendance de l’audit interne.

✓ La définition élargit le rôle de l’auditeur en soulignant sa fonction de conseil.
✓ Cette définition est critiquée pour la qualification de l’audit interne par « activité » et non
pas par « fonction », car une activité est plus élémentaire qu’une fonction et place de ce fait
son responsable dans une position subalterne.
1.1.2 Les caractéristiques de l’audit interne
Au moins quatre (04) caractéristiques peuvent être associés à l’audit :
1.1.2.1 Indépendante et objective
Ces caractéristiques peuvent être les plus importantes, afin de réaliser un travail
équitable sans subir la pression ou l'influence d'autres institutions. Son indépendance se
limite, bien entendu, au respect des normes d'audit interne.
51
IFACI : le Conseil d'Administration de l'Institut de l’Audit Interne
52
RENARD J, « Théorie et pratique de l'audit interne, Editions d'organisation ». Dunod. Paris. 1994.
P 172
37
1.1.2.2 Degré de maîtrise de ses opérations
Le but de l’audit interne est de proposer une aide visant à améliorer les
performances ou l’atteinte d’un objectif. Il n’est pas question de juger le travail des
hommes, mais les processus et opérations.
1.1.2.3 Conseils
L’audit interne propose des recommandations au Comité de direction qui peut

ensuite approuver une procédure pour en permettre le suivi. La responsabilité des parties
respectives sera de remédier aux manquements constatés.
1.1.2.4 Créer de la valeur ajoutée
Si un département d’audit interne ne crée aucun avantage net, alors il ne mérite

pas d’exister (GIACC et al., 2016)53. En effet, il contribue d’une manière ou d’une autre
à optimiser le profit. Par conséquent, l’audit interne effectue donc des évaluations et des
contrôles de processus à l’intérieur même de la société. 54 L’audit signale les erreurs ou
les points à améliorer et communique par le biais du comité d’audit aux managers.
L’audit interne peut également être interprété comme une amélioration de la
communication à travers les différents niveaux d’une organisation en passant de
l’opérationnel au management.
53
Global Infrastructure Anti-Corruption Centre
54
Bertin E. et Godowski C. (2012) « Le processus global d'audit : source de développement d'une
gouvernance cognitive ? » Dans Comptabilité Contrôle Audit (Tome 18), pages 145 à 184
38
Tableau 2. Domaines à traiter par l’audit interne
Domaine à traiter dans l’Audit interne Pourcentage
Améliorer les processus opérationnels à travers des missions de 73%

conseil
Faciliter et surveiller la gestion des risques 71%
Alerter le management sur les enjeux émergents, 66%

réglementaires, et les scénarios de risque
Identifier les risques connus et émergents 65%
Identifier des référentiels et des pratiques de gestion des risques 64%
Source : https://www.cairn.info/guide-de-l-audit-interne--3-page-11.htm
30/07/2022
1.1.3 Les Etapes de l’audit interne
Afin de permettre une meilleure compréhension de l’audit interne, il est utile de

présenter le processus qui se met en place lors d’une mission. Un projet d’audit interne
est en général divisé en trois phases principales : la phase de préparation (normes et CE2
2200), la phase de réalisation (normes et MPA 2300)55 et la phase de conclusion (normes
et MPA 2400) (IFACI).
55
MPA signifie Modalités Pratiques d’Application
39
Figure 8. Les étapes de réalisation de l'audit Interne
Source : IFACI, Méthodologie de conduite d’une mission d’audit interne
1.1.3.1 La phase de préparation
Appelée aussi phase de planification, elle se déclenche par un ordre de mission

contenant la date de début et de fin, les objectifs, le périmètre et adressé au service audit
et responsables des entités auditées.
Dans cette phase l'auditeur interne effectue ses études le plus souvent depuis son
bureau, il est chargé de la collecte de toutes les informations nécessaires et permettant
la prise de connaissance des départements audités. Cette phase débute d'abord par une
réunion d'ouverture entre le service d'audit et la direction de l'entité auditée. La récolte
d'information commence par l'établissement d'un document appelé « le plan d'approche»
40
qui permet de découper le travail en simples activités permettant ainsi une bonne
visualisation de la situation.
En effet, on trouve ce type de document (le plan d'approche) dans le lexique du

domaine aéronautique aussi, pour discerner les options et prendre à temps la décision
optimale, le pilote doit être capable d'évaluer la situation en prenant en considération
tous les détails qui la constitue, cela exige bien évidemment qu'il soit disponible pour
l'analyser, pour effectuer des contrôles pré-atterrissage, assurer la communication radio,
matérialiser et déterminer la localisation du trafic, prendre en compte le vent et ses
changements etc. La disponibilité du pilote est conditionnelle à la compensation de
l'avion, c'est-à-dire à maintenir une gouvernance dans une position permettant l'équilibre
de l'avion, qui à son lieu ne se réalise qu'à travers la stabilisation de la vitesse, tous ces
conditions et éléments mentionnés reposent sur la visualisation du plan d'approche.
Dans cet exemple, le pilote représente l'auditeur, ce dernier est lui aussi amené
à envisager et choisir l'outil adéquat et optimal (interview, document...), les détails qu'il
doit prendre en considération sont, dans le cas de l'auditeur, l'organigramme, les
objectifs, les contraintes et points forts, la répartition des tâches et les techniques de
travail qui permettent à l'entité auditée de fonctionner. L'auditeur à son tour doit être
disponible pour s'assurer de l'atteinte d'un ensemble d'objectifs généraux et spécifiques,
de la sécurité des actifs, la fiabilité des informations, le respect des règles et directives
et l'optimisation des ressources tout en précisant les points de contrôle.
Tout comme le pilote, la disponibilité de l'auditeur est aussi conditionnée par un

programme d'audit qui définit les travaux à accomplir et répartit les tâches entre les
membres de l'équipe d'audit, cette disponibilité implique la connaissance des contrôles
existants ; Et pour maintenir une bonne gouvernance, l'auditeur procède donc à
l'élaboration du questionnaire de contrôle interne, ce document est le résultat d'un
découpage séquentiel (selon l'ordre chronologique des opérations) ou parfois logique.
D'où vient l'utilité de l'établissement du plan d'approche comme première action
permettant de démarrer la décortication de l'entité auditée.
Cette phase sera enfin synthétisée sous forme d'un rapport d'orientation
contenant ainsi les axes d'investigation de la mission d'audit, les objectifs, les ressources
41
et les moyens (interview, questionnaire de contrôle interne...) et faisant l'objet d'un

examen lors de la 2ème phase.
1.1.3.2 Phase de réalisation
Contrairement à la première phase, la phase de réalisation nécessite la présence

de l'auditeur sur terrain. Ayant un aspect de vérification et d'observation, cette phase
commence par l'examen du rapport d'orientation issu de la première phase lors d'une
réunion d'ouverture dans laquelle l'auditeur et l'audité assisteront afin de discuter l'avis
et les observations de ces derniers, les auditeurs ont par la suite le choix de prendre ou
non en considération leurs critiques.
La 2ème phase est une phase de détection des éléments probants et anomalies
concrètement, elle se réalise en s'appuyant sur deux démarches : la démarche logique
qui se base sur le programme d'audit issu du découpage séquentiel ou logique effectué
lors de la phase de planification, ce programme d'audit représente le point de départ vers
l'identification des anomalies, la deuxième démarche consiste à la réalisation des tests
(observation physique et tests individuels) qui à leurs tours permettent de répondre au
questionnaire du contrôle interne. Tout dysfonctionnement détecté donne lieu à une
FRAP (feuille de révélation des problèmes apparents).56
1.1.3.3 Phase de conclusion
Généralement depuis le bureau ou même à domicile, l'équipe de l'audit interne

est amenée à classer l'ensemble des FRAP de façon logique et par ordre d'importance
ou selon le format du rapport final s'il n'y a pas d`urgence dans la mission, ce projet de
rapport d'audit sera présenté par les auditeurs devant des audités afin d'ouvrir la voie
aux observations et contestations.57
Une fois le projet de rapport d'audit est validé et les commentaires écrits des
audités ont été remis, on pourra finalement avoir le rapport d'audit final, c'est un rapport
56
gouvernance cognitive ? » Dans Comptabilité Contrôle Audit (Tome 18), pages 145 à 184
57
Idem
42
complet, conclusif, écrit et final contenant soit le plan d'action, soit les modalités de
remise future de celui-ci.
1.1.4 Positionnement de l’audit dans l’organigramme de l’entreprise.
1.1.4.1 La fonction Audit interne
Comme mentionné précédemment, la fonction d’audit interne se doit d’être

indépendante et libre afin de pouvoir investiguer dans chaque entité et chacune des
activités de l’entreprise.58 Pour cette raison, il faut que la fonction ne soit pas sous la
coupe d’une direction opérationnelle et qu’elle soit libre de tout organe exécutif. Dans
le passé, l’audit interne était généralement sous la coupe de la ligne financière, mais cela
est en général révolu.
La configuration des rapports hiérarchiques n’est pas la même partout. Dans

certaines sociétés, elle rend directement compte au Comité Audit de l’entreprise, et dans
d’autres, cette fonction reste sous l’autorité de la Direction Générale.
Le fait de rendre directement compte au Comité d’Audit est plus intéressant

concernant le critère de l’indépendance car elle échappe alors au contrôle de l’Exécutif.
Cela a pour résultat d’assurer un meilleur rapprochement entre les auditeurs internes et
l’actionnariat, ce qui est important en regard du critère de l’objectivité.
Tableau 3. . Moyens de consolidation du positionnement de l’audit interne
Moyens de consolidation du positionnement Pourcentage

Mettre l'accent, lors des missions d'audit, sur les risques stratégiques, 86%
opérationnels, financiers et de conformité
Evaluer périodique et communiquer les risques majeurs au Conseil et à 76%
la direction générale
Source : https://docs.ifaci.com/wpcontent/The2Internal20AuditinEnterprise.html
30/07/2022
58
Rapport annuel de la Commission Bancaire et financière, 2002. P 102-117
43
1.1.4.2 Comité d’audit
Étant l’instance principale auquel les auditeurs internes se doivent, en général,

de répondre, il est utile de savoir ce qu’est un comité d’audit. Depuis 2006. Ce dernier
se doit d’être qualifié d’expert financier en ayant des compétences en matière d’audit et
de comptabilité et doit agir de manière indépendante. Ce critère d’indépendance est
valable pour tous les membres siégeant au comité. Ses principales communications se
font avec le Chief Financial Officer (CFO) et le contrôle de gestion.
Au fil du temps, l’importance des comités d’audit s’est accrue et ce, surtout
depuis les scandales financiers qui ont secoué les États-Unis au début des années 2000
avec la faillite d’Enron ainsi que l’implication dans des fraudes de grande ampleur
d’importantes sociétés tels que Worldcom, Tyco ou encore Adelphia (sans être
exhaustif)59. La gestion frauduleuse n’a pas touché que ces grandes entreprises, elle a
également atteint de grands cabinets d’audit tels que Arthur Anderson, dont la mission
principale est de contrôler et d’attester de l’image fidèle des états financiers de ces
sociétés. Cette succession de scandales a dévoilé au grand jour les lacunes des contrôles
internes au sein des firmes d’audit et a remis en question l’éthique dans la pratique
financière. La confiance dans les dirigeants des grandes entreprises a disparu et c’est
ainsi que le besoin d’instaurer un organe indépendant au sein de l’entreprise s’est
imposé. Les comités d’audit sont devenus incontournables et leur indépendance est
devenue primordiale. Les retombées économiques de ces malversations financières ont
été énormes, à tel point que des mesures ont dû être prises pour rassurer les investisseurs
et c’est une des raisons qui ont poussé à l’adoption de la loi Sarbanes Oxley par le
Congrès Américain en juillet 2002.60
Pendant longtemps, le comité d’audit a été cantonné aux états financiers et aux
audits externes, mais à présent ses pouvoirs ont été étendus (The Institute of Internal
Auditors et Rittenberg, 2016). Désormais, les rôles du comité d’audit sont multiples. Il
s’occupe de la supervision de l’information financière et des contrôles internes y
afferents, vérifient le dépôt et la publication des résultats de l’entreprise, contrôlent les
59
KOENIG G. « De nouvelles Théories pour Gérer l'entreprise du XXIe siècle. ». Paris Economica, 1999
60
https://www.memoireonline.com/02/22/12640/m_Le-mtier-dauditeur-interne--lre-de-latransformation-
digitale-Cas-des-e4.html
44
risques, se chargent également de la nomination, de la compensation et de la supervision

des auditeurs externes. Enfin, il veille également à l’éthique et à la conformité des
procédures et règles en vigueur, et en outre, ils dirigent également la fonction de l’audit
interne.61
C’est ce dernier point qui nous intéresse. Le comité d’audit approuve le plan
d’audit interne annuel et détermine si le Chief Audit Executive dispose du budget et des
ressources nécessaires pour exécuter celui-ci. C’est au comité d’audit que l’audit interne
délivre ses rapports concernant les faiblesses, les forces et les éventuels risques de
l’entreprise.
Le comité a également l’autorité pour initier des investigations lorsqu’il a été

établi qu’il y a des pratiques problématiques ou suspectes dans les pratiques comptables
ou dans le comportement des employés. Ses enquêtes sont menées avec l’assistance des
auditeurs internes.
61
Rapport annuel de DELOITE 2018. P 97-109
45
Figure 9 la relation entre le comité d'audit et la fonction d'audit interne
Source : Fondation de la recherche de l’IIA, 2016.
1.2 Cadre Conceptuel De La Digitalisation
La digitalisation est devenue de nos jours un concept incontournable soit pour

une entreprise ou n’importe quel type d’organisation. En effet, elle s’applique à tous les
domaines et assure par ailleurs une optimisation de temps et d’énergie en rendant
automatiques des tâches qui s’avéraient complexes par le passé. Elle a même pris la
forme d’un avantage concurrentiel dans certains secteurs où le virage digital n’a pas
encore été totalement accompli par les entreprises. La digitalisation est un terme ancien
fréquemment lié à la numérisation.
Il désigne maintenant un phénomène assimilé à la transformation digitale, qui

définit principalement les changements d’opérant en second lieu, et ce après
l’intégration de l’aspect digital à l’organisation. Cependant, la digitalisation est liée aux
46
usages des consommateurs et aux nouveaux objets qui impactent de manière directe les
modèles d’entreprises et d’organisations actuels. La digitalisation est donc un processus
visant à transformer n’importe quel outil ou encore un métier en code informatique.
Ce soit dans le but de le remplacer ou le rendre plus performant. A titre

d’exemple, les emails ont majoritairement remplacé le courrier, le
e-commerce a pris le dessus sur les magasins et ainsi de suite. La digitalisation est
devenue un phénomène spontané puisque l’utilisation des caisses automatiques, des
répondeurs automatisés ou encore des réseaux sociaux ne représente plus quelque chose
de nouveau. Renforcer la compétitivité et assurer la pérennité d’une organisation,
qu’elle soit publique ou privée, nécessite l’application de la notion de digitalisation et
doit donc passer par une transformation digitale en profondeur62. En effet, créer un site
web ou s’investir dans les réseaux sociaux ne suffit plus, il faudrait plutôt agir au sein
de l’organisation. La digitalisation a plusieurs objectifs, à savoir :
1.2.1 Une stratégie de transformation basée sur l’intelligence

économique
« La numérisation rend l’intelligence économique tout à la fois plus accessible

et plus complexe. Car si on a accès à beaucoup plus d’informations encore faut-il savoir
bien la chercher, ne pas se laisser ensevelir sous trop de données, et surtout la vérifier. »
63
Par exemple, « nombre de chefs d’entreprise ont une pratique des réseaux
sociaux limités, avec des profils peu adaptés qui ne suivent pas les influenceurs, etc. »64
Effectivement, il s’agit là d’un outil à double tranchant, si l’internet nous aide à

avoir accès à une plus grande quantité de données et dans un délai beaucoup plus réduit
que la normale, il faut s’assurer alors de la fiabilité et de la véracité de ces données.
62
RENARD Jacques, « Théorie et pratique de l’audit interne », Editions d’Organisation, 2010, p.330
63
COLLINS L. et VALIN G (2018). « Audit et contrôle interne, principes, objectifs et pratiques », Dalloz
64
www.lesechos.fr
47
1.2.2 Les clients sont placés au cœur des préoccupations de l’entreprise
La digitalisation met à la disposition des clients plusieurs outils numériques qui

permettent l’accès à la connaissance en permanence. Les entreprises ont plutôt tendance
de s’adresser à travers ces outils au client final, afin de prendre connaissance de ce que
pense le client. Les interactions entre l’entreprise et le client permettent également la
conception de nouveaux produits, faire de nouvelles offres ainsi que mener l’enquête
sur l’accueil d’un nouveau service.
1.2.3 Faciliter la transaction
Selon les Galeries Lafayette, un client qui achète sur les deux canaux (physique
et digital) achète plus qu’un client monocanal. En effet, les clients du réseau physique
n’achèteraient pas moins en magasin mais plus sur les plateformes digitalisées s’ils en
avaient la possibilité. Réciproquement pour les clients digitaux qui viennent en magasin.
Se rendre disponible sur les deux canaux revient à faciliter l’acte d’achat et à augmenter
les ventes.
1.2.4 Améliorer les pratiques et processus décisionnels
La digitalisation touche tous les services d’une organisation et non seulement le

pôle marketing ou communication. 65Elle a un impact sur quatre axes, à savoir :
1.2.4.1 La stratégie
L’impact qu’aura la digitalisation sur les services de l’organisation, impactera

automatiquement sa stratégie66. Puisqu’elle devra l’améliorer ou adopter carrément une
nouvelle stratégie qui sera adaptée au fonctionnement de l’organisation.
65
https://www.hellowork.com/fr-fr/medias/5-tecnhiques-prendre-bonnes-decisions.html
66
https://www.louiseleroux.com/post/2017/05/07/am%C3%A9liorer-lhabilet%C3%A9-de-la-prise-de-
d%C3%A9cision-en-8-%C3%A9tapes
48
1.2.4.2 L’organisation
La digitalisation a un impact direct sur l’organisation puisqu’une fois les

modifications des services de l’entité faites,67 l’organisation de cette dernière va
changer.
1.2.4.3 La technologie
L’impact de la digitalisation sur la technologie consiste à l’évolution des

plateformes et outils pour accélérer et permettre la transformation.
1.2.4.4 La culture de l’organisation
Il faudra commencer à implanter une « vision digitale » au sein de la culture de

l’entité.
1.2.5 Eliminer la frontière entre le réel et le virtuel Désormais
Il est difficile de séparer le réel et le virtuel, les usages dans ces deux mondes se
trouvent trop souvent confondus car il s’agit des mêmes terrains et objets pour la
recherche. Selon Stimler et Vial, la digitalisation fait que les deux sphères, virtuelle et
réelle, se coconstruisent en permanence et créent une substance foncièrement unique.
C’est ce qui est appelé le « monisme numérique ». 68 L’élimination de la frontière entre
les deux sphères permet alors de mieux coordonner les activités des deux côtés.
Section 2 : Les Niveaux d’automatisation de l’analyse De Données dans

l’audit Interne.
Les techniques d’analyse de données sont déjà présentes au sein des fonctions
d’audit et de contrôle interne, avec des degrés d’utilisation plus ou moins importants. Il
67
https://bestofbusinessanalyst.fr/def-business-analysis/techniques/methode-amelioration-processus/
68
Vial S. (2016) « Design & innovation dans la chaîne du livre » Paris, Press universitaire de France.
49
apparaît que de nombreuses directions d’audit interne, bien que convaincues des
bénéfices de l'utilisation de l’analyse de données, n’ont pas réussi à les démontrer.
Les directions d’audit doivent définir le niveau de maturité qu’elles souhaitent

atteindre. Néanmoins, cette transformation de l’audit interne doit être progressive dans
le temps mais aussi en parallèle des autres directions (contrôle interne, conformité,
risques, systèmes d’information, métiers, financière et Direction générale)69. À titre
d’illustration, cinq niveaux de maturité peuvent être proposés :
2.1 Niveau de maturité I - Audit traditionnel
L’utilisation d’analyses de données est limitée à des rapports d’exception et à

quelques analyses de données descriptives (notion abordée ci-dessous).
2.2 Niveau de maturité II - Intégration d’analyse de données Adhoc
2.2.1 Plan d’audit
L’utilisation d’analyses réalisées par les opérationnels permet de réaliser des

comparaisons et des analyses de risque.
2.2.2 Exécution des missions et reportings
L’utilisation d’analyses descriptives permet une analyse des risques et du

périmètre de la mission.70
2.3 Niveau de maturité III - Audit en continu et évaluation des risques

en continu
69
Grenier C, Bonnebouche J., « auditer et contrôler les activités de l’entreprise », éditions Foucher, Paris
2003. p.117.
70
Rapport annuel KPMG 2016
50
L’utilisation d’analyses sur les risques prioritaires est systématique, l’ex traction
est automatisée et des outils de visualisation sont en place, la réalisation d’analyses
prédictives est réalisée lorsque nécessaire.71
2.3.2 Exécution des missions et reportings
L’analyse de données est automatisée sur les processus clés, les programmes de
travail prennent en compte l’analyse de données, l’utilisation d’analyses prédictive et
prescriptive est rendue possible. 72
Figure 10. Les niveaux d’intégration et d’automatisation de l’analyse de données au sein de l’audit interne
Source : KPMG 2016
71
Op.cit.
72
idem
51
2.4 Niveau de maturité IV – Audit et contrôle en continu intégrés

Les risques prioritaires font l’objet d’analyses intégrées dans les systèmes
d’information de l’entreprise, des analyses et outils de pilotage des contrôles et des
risques sont exploitées par les directions métiers, les analyses prédictives et
prescriptives sont réalisées en complément pour affiner les analyses de risques.73
2.4.2 Exécution des missions et reporting
Des procédures de tests automatisés sur certains objectifs d’audit permettent de

faire des audits par exception, l’audit interne a accès à l’ensemble des outils de pilotage
des contrôles, la qualité des données est pilotée par les opérationnels, des analyses
prédictives et prescriptives sont réalisées en complément.
2.5 Niveau de maturité V – Assurance en continu

La stratégie est totalement alignée avec la cartographie des risques, les objectifs
stratégiques et les risques sont pilotés en temps réel74, le plan d’audit est dynamique et
s’adapte à la transformation du métier, l’ensemble des technologies d’analyse de
données est disponible et utilisé.
2.5.2Exécution des missions et reportings
Les procédures d’audit prennent en compte l’analyse de données sur les

principaux objectifs et risques de l’entreprise, les procédures d’audit automatisées sont
orientées sur l’analyse des causes premières (root causes) et sur les recommandations.
Les programmes de travail proposent l’utilisation des analyses prédictives et
prescriptives.
73
https://home.kpmg/fr/fr/home/insights/2016/06/data-and-analytics.html
74
https://assets.kpmg/content/dam/kpmg/ch/pdf/data-driven-insights-through-visual-analytics.pdf
52
Section 3 : La garantit que les résultats du Data Analytics aboutissent

à des éléments probants
Lors de l’utilisation de la technique du DA dans l’audit, la question qui se pose

est de savoir dans quelle mesure et à quel moment des éléments probants suffisants et
appropriés sont fournis.
Selon les normes professionnelles Ces éléments doivent répondre aux exigences
suivantes :
A- Caractère adéquat
Mesure de la qualité des éléments probants de l’audit, c’est-à-dire dans quelle

mesure ces informations sont pertinentes et fiables pour corroborer les conclusions sur
lesquelles l’auditeur fonde son opinion. 75
B- Suffisance
De la mesure de la quantité d’éléments probants. La quantité d’éléments probants

requis dépend de l’évaluation par l’auditeur des risques d’anomalies significatives et de
la qualité de ces éléments probants. Cela signifie que les exigences de « pertinence »,
de « fiabilité » et de « quantité » doivent être précisées lorsque la technique du DA est
appliquée dans l’audit.76
3.1 Elément probant suffisant et approprié
Cela signifie que les exigences de « pertinence », de « fiabilité » et de

« quantité » doivent être précisées lorsque la technique du DA est appliquée dans l’audit.
75
Jim C. (2013) « De la performance à l'excellence. Devenir une entreprise leader ». Collection Village
mondiale p201
76
Christophe V. (2010). « L'audit qualité interne - Manager avec efficacité son processus d'audit » 2e édition
Dunod.
53
3.1.1 La pertinence
Les preuves d’audit sont pertinentes lorsqu’elles ont un lien logique avec l’objectif de
la mesure d’audit et, le cas échéant, de la déclaration en question, ou influent sur son
objectif.
3.1.2 La fiabilité
Pour interpréter la notion de fiabilité en matière de Data Analytics, il y a lieu,

d’une part, d’établir que le fichier utilisé pour l’analyse de données est fiable et, d’autre
part, que l’analyse elle-même a été effectuée correctement.
La fiabilité du fichier de données utilisé pour l’analyse des données concerne les
données source utilisées et le processus permettant la transformation des données pour
l’adapter à l’analyse via le Data Analytics. 77
Pour vérifier si l’analyse elle-même est fiable, l’auditeur n’hésitera pas à vérifier
les résultats obtenus via un autre processus d’analyse. Par exemple, si le processus
d’analyse consiste à extraire des données de même caractéristique à partir d’un fichier,
l’auditeur réalisera deux extractions, une ayant les caractéristiques voulues, l’autre ayant
les caractéristiques non désirées. 78
Le total des deux extractions devra correspondre au total du fichier initial.
3.1.3 La quantité
La quantité d’éléments probants à obtenir lors de l’utilisation d’une technique du DA

dépend des facteurs suivants :
✓ L’approche (ou l’objectif) de l’analyse ;
77
Huet J.M, Bucaille E, et Hussherr A. (2021) « Audit et performance - Stratégies et outils de pilotage
des entreprises . » ed. Pearson
78
Litvak G et Allaire S. (2019) « Guide de l'audit interne - Défis en enjeux - Théorie et pratique. » ed.
Vuibert.
54
✓ L’évaluation des risques concernant les anomalies significatives à identifier.
Sur la base des procédures d’évaluation des risques, l’auditeur déterminera les
éventuelles anomalies significatives, comment celles-ci peuvent être identifiées dans les
données et si celles-ci peuvent être identifiées par la technique du Data Analytics.79
Plus l’auditeur estime le risque d’anomalies significatives élevé, plus des éléments
probants sont nécessaires pour réduire le risque identifié.80 Avec l’utilisation du Big
Data Analytics, l’auditeur peut soit rechercher des données indiquant une anomalie ou
soit rechercher la confirmation de l’exactitude de ces données.
L’objectif ultime étant de collecter des éléments probants suffisants afin de diminuer le
risque identifié.
3.2 Appliquer la technique du DA pour découvrir une anomalie
L’analyse des données se concentre souvent sur la recherche d’anomalies dans

la base de données sur la base de risques identifiés. Le résultat de l’analyse des données
sous cette forme est souvent concrétisé par une liste des exceptions. Une analyse de ces
exceptions montre que toutes les erreurs potentielles identifiées ne sont pas réellement
fausses. Ces soi-disant « faux positifs » sont souvent le résultat de méconnaissances de
l’auditeur et trouvent une explication lors d’interviews du personnel de l’entité. Sur les
données ne contenant aucune erreur, d’autres procédures d’audit sont souvent requises,
car l’auditeur a recherché des exceptions prédéfinies. Par conséquent, il est possible que
l’auditeur ait oublié une catégorie d’erreur lors de l’exécution de cette analyse.
Dans ce contexte, il convient également de considérer que le fait qu’un élément

de données réponde aux attentes ne signifie pas que l’élément de données est exempt
d’erreur81. Bien qu’un champ de date utilisé pour une date de naissance soit
techniquement correct, cela ne signifie pas pour autant que la date de naissance soit
79
Litvak G et Allaire S. (2019) « Guide de l'audit interne - Défis en enjeux - Théorie et pratique. » ed.
Vuibert.
80
Christophe V. (2010). « L'audit qualité interne - Manager avec efficacité son processus d'audit » 2e
édition Dunod.
81
Huet J.M, Bucaille E, et Hussherr A. (2021) « Audit et performance - Stratégies et outils de pilotage
des entreprises . » ed. Pearson
55
correcte. La connexion des données utilisées avec les données source est donc
nécessaire.
Les analyses fournissent à l’auditeur une vue d’ensemble de la présence de ces

anomalies éventuelles. L’auditeur devra soumettre ses constatations à la direction afin
d’obtenir ainsi les éléments probants appropriés. Il devra bien entendu vérifier les
réponses fournies par la direction.
3.3 La gestion des résultats du Data Analytics par L’Auditeur

3.3.1. Traitements des écarts observés (déviations)
Le but d’un audit étant de déterminer si les comptes annuels contiennent des
déviations significatives, et ce afin d’émettre une opinion sur ceux-ci, il est important
de déterminer si les déviations détectées via la technique du DA peuvent être
considérées comme des écarts justifiés ou des déviations pouvant impacter
significativement les comptes. Pour ce faire, l’auditeur travaillera sur les écarts observés
afin de trier et stratifier au maximum la population des déviations en groupes
homogènes. Cela facilitera la poursuite des recherches sur les causes, car la même raison
sous-tend souvent les mêmes déviations.
Sur base d’éléments probants obtenus au travers de contrôle(s)

complémentaire(s) approfondi(s), l’auditeur pourra classifier les écarts (ou une partie de
ceux-ci) en différentes catégories :
3.3.1.1 Des situations nouvelles
Les écarts sont la cause d’une situation qu’il ignorait (par exemple, une société
qui a mis en place une nouvelle activité au cours de l’année auditée). L’auditeur utilisera
ces nouvelles informations pour déterminer si l’approche d’audit doit être modifiée en
conséquence et éventuellement mettre en œuvre des procédures d’audit
supplémentaires.
56
3.3.1.2 Des écarts justifiés
Il n’y a donc pas d’erreurs, mais des écarts justifiés que l’auditeur peut accepter.
Par exemple, l’analyse des données montre que pour un client, la marge est nettement
inférieure à la marge standard utilisée par l’entité. L’explication de la direction montre
qu’il s’agit d’un choix délibéré d’utiliser une marge inférieure pour le client le plus
important, ce qui est également consigné en tant que telle dans le procès-verbal des
réunions de la direction.
3.3.1.3 Des écarts rejetés (déviations)
L’auditeur détermine si, et dans quelle mesure, des écarts non justifiés ont été ou
pourraient se produire encore plus fréquemment, si possible au moyen d’une analyse
des causes structurelles de ces écarts. L’auditeur vérifiera ensuite s’il s’agit d’un
incident ou s’il y a une erreur structurelle.
Dans le cas où les écarts rejetés seraient trop nombreux pour être contrôlés dans
leur entièreté, et afin de disposer d’une base raisonnable à partir de laquelle l’auditeur
tirera ses conclusions sur l’ensemble de la population des écarts, il effectuera des
sondages pour analyser seulement un échantillon de ces écarts.
Ces sondages sont réalisés :
✓ Soit en utilisant une approche statistique (sélection aléatoire des éléments

formant l’échantillon en utilisant la théorie des probabilités pour évaluer les
résultats du sondage, y compris la mesure du risque d’échantillonnage) ; ou à
défaut.
✓ Sur base d’une approche non statistique (ex : sélection au hasard).
Il est important de garder à l’esprit que l’utilisation de l’approche statistique permet

l’extrapolation des anomalies relevées dans l’échantillon à l’ensemble de la population
en garantissant une sélection objective et une plus grande confiance / fiabilité dans des
résultats défendables.
57
En outre, l’auditeur examinera également s’il y a des signes de fraude, et le cas

échéant, agira conformément à la norme ISA 240. Il est à noter que le schéma ci-dessous
représente un processus potentiellement itératif.
Figure 11. Traitement des résultats obtenus à partir de la Data Analytics
58
Conclusion
Longtemps considéré comme un organe d’inspection de la Direction Générale,

l’audit interne est pourtant appelé à jouer un rôle de plus en plus important dans
l’entreprise, la recherche de la performance a donné à l’audit interne une importance
croissante dans l’entreprise, Il se déploie désormais maintenant à des domaines autres
que celle de la finance, touchant ainsi toutes les composantes de l’entreprise.
Bien que l’audit interne soit différent du contrôle interne, ils sont tous les deux
complémentaires, Le contrôle interne représente l’ensemble des sécurités contribuant à
la maîtrise de l’entreprise.
Son objectif, en plus de la maitrise des risques financiers, est d’assurer celle des
activités et l’efficacité des opérations.
L’audit interne consiste à appliquer les directives de la direction et soutenir

l’amélioration des performances, quant à l’audit interne, il se situe à l’intérieur
de l’organisation et constitue une fonction indépendante d’appréciation du
contrôle des opérations.
L’audit interne s’agit d’un contrôle dont la fonction est d’estimer et évaluer
l’efficacité des autres contrôles.
L’audit interne motive les audités à pallier leurs faiblesses et donc les aident à
mieux maîtriser leur domaine pour plus de performances.
L’auditeur n’émet pas de jugements de valeur mais il formule des solutions pour
améliorer les procédures.
L’audit interne s’intéresse désormais aux autres composantes de l’entreprise

comme les entités de production, le système d’information, le business, le
marketing ou encore la gestion des ressources humaines.
59
Il constitue un élément de sécurité dans une entreprise et doit toujours apporter

un plus.
Indéniablement l’audit interne est facteur de performance dans l’entreprise.
60
Partie II
CHAPITRE 3 3
Big Data Analytics & Audit
Interne : Etude Empirique
Chapitre III Big Data Analytics & Audit interne : Etude empirique
Introduction
La question de recherche formulée dans le cadre de ce travail vise à cerner les

principaux apports de l’usage du Big Data Analytics sur l’efficacité et la pertinence du
travail effectué au sein des services d’audit interne des entreprises et quels sont ses
intérêts. Le sujet des données Analytiques dans l’audit interne a déjà été traité de
nombreuses fois dans différentes études menées, en général, par des entreprises
spécialisées sur le sujet ou bien par des organismes tels que l’Institut des Auditeurs
Internes. Néanmoins, même si toutes ces études s’accordent pour définir les nombreux
bienfaits que présente l’utilisation des données analytiques dans le métier, nous
constatons que son utilisation ne se fait pas toujours dans les proportions que la
technologie pourrait permettre. Les obstacles à leur utilisation sont, quant à eux, moins
connus et c’est ce que nous allons mettre en lumière à travers la rencontre de
professionnels en la matière.
Section 1 : Présentation de l’enquête
Dans ce chapitre nous avons mis en application les connaissances théoriques de

la première partie de notre travail (chapitre I et chapitre II) pour se faire nous avons
mené une enquête sur le terrain à travers un questionnaire adresser aux professionnels
du domaine et des rencontres organisées avec ces derniers.
1.1 Le Questionnaire
Dans la première partie de l’étude, nous allons analyser et comparer les résultats
de différentes parties que interrogées. Le questionnaire est scindé en 2 catégories
distinctes :
Questionnaire 1 : une grille de questions Fermée repartie en 3 sous-catégories

• Catégorie 1 : Utilité perçue dans l’usage de la Big Data Analytics
• Catégorie 2 : Facilité L’utilisation du Big Data Analytics perçue
• Catégorie 3 : La pertinence de l’audit interne
Questionnaire 2 : Des questions ouvertes reparties en 3 sous-catégories

• Questions préliminaires (Questions 1 à 4)
62
• Questions clés de l’enquête (Questions 5 à 9)

• Questions pour approfondir (Questions 10 à 13)
Dans la seconde partie, nous allons vérifier les hypothèses établies au début de
ce travail. Élaborer des hypothèses s’inscrit dans une volonté de maintenir une certaine
structure, afin de conserver un fil conducteur à travers l’entièreté de l’étude. Elles sont
également utilisées pour circonscrire le phénomène traité. Le concept d’hypothèse nous
est défini par Paul Foulquier (1978) comme étant : « une explication des faits reconnue
plausible et que l’on retient provisoirement dans le but principal de la soumettre au
contrôle méthodique de l’expérience ».
La mention de contrôle méthodique fait ici référence à notre enquête qualitative.
1.2 L’enquête Qualitative
Une enquête qualitative peut être définie comme étant une étude destinée à recueillir
des éléments qualitatifs qui sont non chiffrables et obtenus auprès des personnes interrogées ou
observées (Bathelot, 2019). Ce type d’étude a été privilégié pour permettre une meilleure
compréhension du contexte et une profondeur plus accrue des réponses (Aubin-Auger et al.,
2008). Néanmoins, si des formes de subjectivité sont avérées dans les réponses des interrogés,
cela peut discréditer le travail effectué (Lillis, 1999).
C’est pour cette raison que, lors de la réalisation des entretiens et de la retranscription
de ceux-ci, une certaine rigueur s’imposera. La technique utilisée sera inductive. Nous partons
de cas spécifiques pour en déduire une loi générale. Le terme exact de la méthode utilisée est
hypothético-déductive, car elle découle de la vérification des hypothèses. Nous n’essayons pas
de prouver la conformité de la réalité à des principes établis, mais de dépeindre la réalité à partir
d’un certain nombre d’observations (Bonville, 2006). Afin de donner un aperçu et de permettre
une meilleure compréhension de la suite de l’étude, les questions présentées lors des interviews
sont mentionnées ci-dessous. Elles sont divisées en trois catégories comme mentionné plus
haut.
63
Questions préliminaires :
➢ Question 1 : Quelles sont vos connaissances et votre formation en matière de données

analytiques ?
➢ Question 2 : Comment l’analyse de données est-elle utilisée dans votre travail au

quotidien ?
➢ Question 3 : Quels types d’analyses utilisez-vous ? (Descriptive, diagnostique,

prédictive et/ou prescriptive)
➢ Question 4 : Quels sont les types de sources de données utilisées ? (Interne, externe,
réseaux sociaux, etc.)
Questions clés à l’enquête :
➢ Question 5 : Comment qualifieriez-vous l’investissement fait par votre société à

l’égard du Big Data et des données analytiques ? Que voudriez-vous rajouter ou
supprimer ?
➢ Question 6 : Les données analytiques rajoutent-elles une plus-value au métier

d’auditeur interne ? Si oui, comment ? (Économie de coûts, meilleure qualité, plus
grande légitimité, meilleure couverture, etc.)
➢ Question 7 : Quelles sont pour vous les principales barrières à l’utilisation des données
analytiques dans la fonction de l’audit interne ? (Facteur humain, outils complexes ou
coûteux, culture de l’organisation, etc.)
➢ Question 8 : Quels problèmes éthiques rencontrez-vous lors de l'utilisation de Big Data

et de l'analyse des données ? Comment faites-vous face à ces problèmes ? (Sécurité des
données, confidentialité, etc.)
➢ Question 9 : Quelles sont les solutions qui peuvent être mises en place pour lever les
barrières liées à l’implémentation des données analytiques ?
64
Questions pour approfondir :
➢ Question 10 : L’utilisation des données analytiques résulte-t-elle d’une mode de la

digitalisation ou de pressions extérieures ? (De l’industrie, des clients, responsables,
etc.)
➢ Question 11 : Quelles sont les limites de l’utilisation des données analytiques ?
➢ Question 12 : Remarquez-vous une évolution dans l’utilisation des données

analytiques par rapport à quelques années auparavant ? Et, pensez-vous que des
changements vont avoir lieu dans les années à venir ?
➢ Question 13 : Souhaiteriez-vous ajouter quelque chose concernant les données

analytiques et leur utilisation dans l’audit interne ?
1.3 Déroulement de l’enquête
Pour la partie empirique, nous avons interrogé 10 professionnels de l’audit à travers le

media social LinkedIn, Ceux-ci sont tous résidents en Algérie et appartiennent à de grandes
entreprises ou organismes de service public
Figure 12. Le secteur d'activité des interrogés
10% secteur bancaire

20%
10% Organisme service publique
societe specialisée dans l'audit
organisme privé
20%
anonyme
40%
65
Dans le but de récolter des opinions les plus diversifiées et les plus complètes
possibles, nous avons contacté des sociétés faisant partie de secteurs différents. Il nous
semblait également plus pertinent de contacter de grandes sociétés étant donné qu’un
département d’audit interne se trouve plus facilement dans les entreprises de taille
importante.
Nous avons contacté l’ensemble des sociétés spécialisées dans l’audit ainsi que
celles du secteur public, mais les réponses positives à notre requête d’interviews étaient
relativement rares. Plusieurs raisons peuvent être évoquées, notamment le manque
d’intérêt pour ces professionnels d’y répondre, car cela prend tout de même du temps
et, en deuxième lieu, le fait qu’une partie des professionnels prenaient leurs vacances
d’été à ce moment-là.
Néanmoins, nous estimons le nombre d’interrogés comme étant pertinent. La

principale raison est la qualité des interviews menées. Ces interviews sont d’ordre
qualitatif, les questions sont ouvertes et/ou ferml, ce qui permet des réponses riches et
variées. Il ressort également de l’enquête que les interrogés avaient chacun une légère
interprétation de la question qui leur était propre, ce qui améliore aussi la diversité des
réponses. En deuxième lieu, nous observons que la plupart des participants ont un grand
nombre d’années de travail à leur actif, ce qui leur permet d’avoir plus de recul sur le
sujet. Ils ont eu l’opportunité de voir certains changements s’opérer en ce qui concerne
les données analytiques et leurs applications dans le métier de l’audit interne. Les
interviews ont été conduites de manière écrite et orale, leurs transcriptions se trouvent
en annexe. Les noms des interviewés et de leur employeur sont mentionnés étant donné
qu’ils ont exprimé leur opinion personnelle et que, leurs paroles n’engagent qu’eux et
non la société ou organisme qui les emploient, à l’exception de 3 intervenants qui ont
préféré conserver l’anonymat.
66
Section 2 : Résultats de l’enquête
On a composé notre questionnaire en 2 catégories, des questions fermées et des

questions ouvertes à libre Réponses.
2.1 Identification des entreprises et des répondants
Les interlocuteurs ayant contribué au déroulement de notre enquête sont

identifiés dans le tableau suivant ainsi que leur profession et l’organisation où ils
exercent leur métier.
Tableau 4. Récapitulatifs des Répondants et des entreprises où ils exercent leur profession
Interlocuteurs Profession ORGANISATION
1 Chargée de suivi de données au service pilotage Direction de Société Générale

corporate Algérie
2 Étudiant en Informatique USTHB
3 Chargé d'études Data Processing PWC Algérie
4 Responsable stratégie Télécommunications
5 Auditeur financier Alpha
6 Auditeur senior Deloitte
7 Directeur Financier Siemens
8 Manager KPMG Algérie
9 Data Analyst BNP Paribas
10 Chargé d'études Data science DJEZZY
2.2 Questions Fermées
Cette première catégorie comporte 4 parties à savoir : usage de la big Data

Analytics, l’utilité perçue dans l’usage de la big data Analytics, Facilité de l’utilisation
Perçue et en fin la Qualité de l’audit.
67
2.2.1 Usage de la Big Data Analytics
La première question qu’on a posé à nos interlocuteurs est : « Utilisez-vous les

analyses de Données Volumineuses (Big Data Analytics) dans vos programmes
d’Audit ? »
Nous avons eu 100% des interlocuteurs ont tous répondus par : OUI.
La deuxième question concerne les types d’analyse utilisés par Nos

interlocuteurs à savoir : diagnostique, descriptive, prédictive ou bien perspective « Quel
types analyses Utilisez-vous dans vos programmes ? »
Nous avons eu les réponses suivantes :
Figure 13. Types d'analyses utilisées par les interlocuteurs
L’interprétation
La majorité de nos interlocuteurs utilise L’analyse diagnostique ce qui nous
laisse déduire qu’il cherche l’origine de la formulation du résultat. Tandis que seulement
un seul interlocuteur sur 10 utilise la méthode d’analyse perspective.
2.2.2 Utilité perçue dans l’usage de La Big Data Analytics
Dans cette partie nous avons observé que tous les interlocuteurs ont tous eu des
réponses similaires aux 15 Questions qui leur ont été posé concernant
l’accomplissement des taches plus rapidement et l’amélioration de la performance
68
et l’efficacité du travail. L’ensemble des interlocuteurs étaient fortement d’accord que

l’usage de la big Data Analytics dans leur quotidien contribue à l’efficacité de
l’accomplissement des tâches qui leur ont été confiés.
2.2.3 La facilité de l’utilisation perçue
Dans cette Partie nous allons nous intéresser à la facilite de l’usage de la BDA
et surtout à l’aspect formation des profiles IT dans les organisations. Dans les trois (03)
premières questions qui ont été posé aux interlocuteurs concerne les connaissances sur
la big Data et les sources de provenances des données, nous avons eu les résultats
suivants :
• 100% des interlocuteurs ont des connaissances sur la Big Data.

• 90% des interlocuteurs ont confirmer que les source des données volumineuses
sont interne à l’entreprise.
• Seulement 10% (un seul interlocuteur) affirment que les sources des données
volumineuses proviennent de l’extérieur.
Dans les questions suivantes qui concernent la formation des interlocuteurs nous avons
eu les réponses suivantes :
• 60% des gens auditeurs interrogés affirme que c’est très facile pour eux d’utiliser
l’analyse des données volumineuses.
• 20% des interlocuteurs répondent qu’il n’est pas aussi facile d’être habile à
utiliser la BDA.
• 80% des interviewés trouvent qu’il est facile d’obtenir des informations de
mégadonnées et d’interagir avec.
2.2.4 Audit de Qualité
Dans cette dernière partie nous allons voir la qualité de l’audit perçue de l’usage
de la Big Data Analytics.
Nous avons eu les réponses suivantes :
• 100% des interlocuteurs ont besoin de comprendre le système d’informations

comptable pour effectuer les taches d’audit.
69
• 90% sont en fort désaccord concernant la connaissance de l’environnement de

l’entreprise, il juge qu’il primordiale de le connaitre.
• 70% identifient les processus important et sensible avant d’effectuer une tache
d’audit.
• 80% des auditeurs contactent les service interne lorsqu’ils effectuent un Audit.
2.3 Questions ouvertes
Dans cette partie nous avons des questions ouvertes à libre réponses composées
de trois (03) catégories : questions préliminaires, questions Clés de l’enquête et enfin
questions pour approfondir.
2.3.1 Les Questions Préliminaires
Ces premières questions ont pour but d’introduire le sujet et de poser le contexte.
Il est important d’évaluer les connaissances des interrogés en la matière car même si, de
manière générale, tout le monde a déjà entendu parler de données analytiques, tous n’en
ont pas la même définition.
➢ Connaissances et formations en matière d données Analytiques
La première conclusion qui ressort de l’enquête est que les interrogés ont tous
une compréhension basique en matière de données analytiques. Cette connaissance
limitée est complétée par des formations que les entreprises proposent en interne et/ou
en externe, c’est notamment le cas des interlocuteurs N°1, 5 et 9. Ces formations leur
permettent de mieux appréhender les données analytiques, aident dans la manipulation
des outils qui y sont associés et permettent de se tenir à jour des évolutions. Dans les
entreprises où des formations ne sont pas dispensées, les auditeurs internes ont dû
s’adapter et apprendre en autodidacte. « C’est des connaissances de base, une formation
sur le tas avec des outils classiques au départ (Power BI). Des formations fournies par
les marques de logiciels, c’est en quelque sorte une autoformation. Je n’ai pas reçu de
formation de mon employeur, c’est une formation autodidacte. » (Interlocuteur N°04)
Il est également apparu durant les différentes discussions que l’analyse de

données était moins présente dans l’éducation académique des interlocuteurs plus âgés.
Au vu de l’évolution des technologies, ces auditeurs internes n’ont eu comme seul choix
que de s’adapter et de se mettre à jour. Comme nous l’explique l’interlocuteur
70
N°9 : « Je n'ai pas de formation spécifique. Je suis ingénieur commercial en

informatique, j'ai suivi par la suite plusieurs formations dont certaines étaient internes
à l'entreprise. Ceux-ci étaient basés sur Excel, Access, Power BI et d'autres outils
spécifiques tels que ACL et IDEA (outils analytiques spécifiques aux auditeurs
internes). »
Pour les auditeurs internes, un apprentissage continu est nécessaire pour rester
pertinent et compétitif sur le marché. Néanmoins, les interviewés soulignent que tenir
tous les auditeurs internes à jour sur les possibilités des données analytiques dans le
métier en leurs proposant des formations continues est, soit impossible, soit trop
onéreux. Souvent la société se limite à former tous les auditeurs à une connaissance de
base sur les données analytiques. L’entreprise privilégie une formation plus pointue
pour une équipe plus réduite qui sera spécialisée dans l’IT et les données analytiques.
C’est ce que l’interlocuteur N°5 nous dit : « Mes connaissances personnelles sont
faibles. Mais nous avons un certain groupe d'experts au sein de l'équipe d'audit qui sont
en fait purement et uniquement concernés par l'analyse des données… Et en plus, nous
avons stratégiquement décidé d'avoir une équipe de base. Je pense à une douzaine de
personnes qui travaillent jour après jour avec l'analyse de données. Quelque chose qui
nous soutient dans certaines décisions, donc tout le monde a une connaissance de
base ».
➢ Analyse de Données au quotidien
La seconde question de notre interview consiste à savoir comment l’analyse de

données est utilisée dans leur travail au quotidien. Cela permet de faire le lien avec ce
que nous avons vu dans la partie théorique (voir chapitre I.3.3 processus du Big data
Analytics). Les données analytiques permettent de donner davantage d’assurance et de
légitimité aux preuves d’audit. Cela se matérialise à travers des tests sur l’ensemble de
la population analysée et non plus sur un simple échantillonnage comme nous l’explique
l’interlocutrice N° 3 :« Au cours des audits, les données sont demandées pour pouvoir
fournir une assurance sur l'ensemble de la portée plutôt que sur la base d'un
échantillonnage. »
71
Ses utilisations sont également élargies, Leur application ne se limite pas aux
contrôles/tests mais également au reportings. (Interlocuteur N°4) : « Pour cibler des
risques, pour détecter des anomalies, pour réaliser des tests ou encore vérifier
l'application de certains contrôles tel que la séparation des fonctions. »
L’ensemble du cycle de vie d’une mission s’en retrouve donc impacté. Les
reportings ne sont plus de simples fichiers PDF mais sont convertis en « Dashboard »
que nous pouvons traduire comme étant un rapport digital et interactif. C’est ce
qu’affirme l’interlocuteur N°5 : « Mais aussi de la Data visualisation que je considère
aussi comme du Data Analytics. C'est principalement dans la phase de rapport. … La
nature du reporting a également changé, passant d'un rapport statique à des tableaux
de bord de plus en plus interactifs et dynamiques, que le client peut éventuellement
utiliser pour faire des analyses encore plus poussées. » et l’interlocuteur N°6 qui
souligne également son utilisation pour le reporting.
➢ Types d’analyses utilisées
La troisième question a pour but de déterminer la complexité d’utilisation des

données analytiques des entreprises. La question est pertinente car cela permet de situer
le degré d’implication des outils de données analytiques dans leur travail au quotidien.
Les différents niveaux d’intégration sont expliqués dans le (point 2.2 du chapitre II.
Degrés d’implication.)
Tous les participants utilisent des analyses descriptives et, pratiquement tous,
font également recours à des analyses diagnostiques et perspective. Certains précisent
tout de même que cela dépend du cadre de la mission et de la portée de celle-ci.
Ensuite, les analyses prescriptives ne sont utilisées que par la moitié des
répondants. L’interlocuteur N°4 nous donne comme justification : « L'objectif n'est pas
de faire de la prescriptive et de dire qu'on peut définir le comportement d'achat d'une
personne. On n’est pas du tout dans cette lignée-là. Nous, ce qu'on veut voir, c'est sur
des base de données, quelles sont les anomalies, est-ce qu'on peut diagnostiquer les
anomalies, les erreurs, vérifier la qualité des contrôles. On ne va pas faire du
prospectif.»
72
D’autres nous expliquent que les analyses prédictives sont utilisées dans des
missions spécifiques et moins dans la routine standard de l’auditeur interne. Ce type
d’analyse est utile pour prédire où le risque apparaîtra. Néanmoins, ce type d’analyse
ainsi que l’analyse prescriptive ne sont pas beaucoup exploitées en Algérie. Les
interrogés estiment que la maturité des entreprises en Algérie n’est pas encore au niveau
requis. La composition des entreprises algérienne, qui sont majoritairement des PME en
est la raison. Nous ne possédons pas beaucoup de grandes industries comme nous
pouvons en trouver dans les pays occidentaux.
➢ Types de sources Utilisées
La dernière question de cette première partie concerne les sources de données utilisées
lors des missions d’audit interne. Il est intéressant de se poser cette question car, quand on parle
de données analytiques, il est courant de penser à des récoltes de données qui ne dépassent pas
le domaine interne de l’entreprise. Or cela implique également des cadres de régulation qui
s’étendent au-delà de celui de la société.
À ce sujet, les interviewés étaient unanimes. Tous ont expliqué exploiter

majoritairement des données internes de l’entreprise. Étant donné que l’analyse porte la plupart
du temps sur des données financières, des résultats ou encore des transactions d’une société
cela ne requiert que des données qui sont internes à l’entreprise.
Ces données restent tout de même strictement confidentielles Les interlocuteurs N°4, 5
8 et 9 ont tout de même indiqué que des sources externes pouvaient être utilisées pour effectuer
du « benchmarking » (qui signifie faire des évaluations comparatives avec des entreprises du
même secteur). Néanmoins, cela se réalise dans le cadre de missions spécifiques et ne fait pas
partie des routines standard d’une mission d’audit interne.
2.3.2 Investissement en matière de Big Data Analytics
Nous entrons maintenant dans le cœur de l’étude. Cette partie de l’enquête porte
sur la thématique centrale de la question de recherche.
73
➢ L’investissement fait par les employeurs à l’égard du Big Data et des

données analytiques
La première question porte sur l’investissement de la société, qui emploie les

auditeurs dans le domaine des données analytiques que ce soit en termes de formation,
d’outils mis à leur disposition ou encore de personnel qualifié. La question est révèlente
car elle permet de juger l’importance qui est accordée par les entreprises à ces nouvelles
technologies. Cela permet de comprendre le réel intérêt qui est accordé au travers des
différents investissements.
Les données analytiques, et le Big Data encore plus, ont connu un réel boost ces
dernières années et certaines sociétés seront tentées de se revendiquer à la pointe dans
la sphère des données analytiques alors que l’outil qu’elles utilisent n’est autre que
Excel. Cela permet également de récolter le ressenti de ceux qui en font usage dans leur
travail au quotidien et seront plus à même d’avoir une opinion plus critique.
À la question de savoir s’ils souhaiteraient voir quelque chose supprimé ou

rajouté, ils ont été unanimes dans leur choix de ne rien supprimer. Un autre point sur
lequel ils étaient tout à fait d’accord est le fait que les investissements futurs sont
nécessaires et vont continuer.
« C’est devenu une priorité stratégique. Cela s’implante un peu partout et la tendance
n’est pas prête de s’inverser. Il y a régulièrement des projets dans lesquels on parle
d’intégrer de nouveaux outils. » (Interlocuteur N°7)
« Nous essayons de faire de grands pas vers l’exploitation de cette nouvelle technologie,
Vous pouvez également créer votre propre cadre autour de l'analyse de données,
combiné à l'exploration de processus et ajouter de l'intelligence artificielle. »
(Interlocuteur N°9)
Ensuite, en termes d’investissements, les interrogés ont eu des remarques

différentes. Les sociétés des interlocuteurs N°1, 3, 5, 7 et 8 ont principalement identifié
des investissements faits au niveau des outils, alors que chez les interviewés N°5 et 6
l’accent a davantage été mis sur les compétences et la formation du personnel.
74
« L'investissement en soi signifie que chaque membre actif du personnel reçoit

au moins huit jours par an de formation à l'analytique pure afin d'acquérir cette
maturité de base. » (Interlocuteur N°5)
Pour d’autres, il n’y avait pas de mention spécifique de tel ou tel type de dépense fait
par l’entreprise et ils s’exprimaient dans l’absolu. Durant les différentes discussions,
cette question a permis de mettre un autre point en lumière. Il s’agit du degré de maturité
de ces entreprises. Des écarts assez importants ont été observés entre ces sociétés. À
titre d’exemple : « nous en sommes encore au début. Le Big Data, nous en sommes
encore très loin. On commence seulement avec Power BI, on se concentre sur des
reportings interne. Il nous faudrait encore 1 ou 2 ans avant d’arriver à un résultat
qualitatif. Nous commençons à peine, il y a un an, nous n’avions pas Power BI par
exemple.» (Interlocuteur N°7)
Comparons cela avec une société spécialisée qui propose des services d’audit interne :
« En termes d'investissements, BDO a racheté une société qui, à l'époque (10 ans
auparavant), s'appelait CrossRoads et qui est maintenant devenu BDO Digital, qui est
spécialisée dans tout ce qui est Process Mining donc l'analyse de processus via les
données. On a une société maintenant qui employait une centaine de personnes et qu'on
a racheté. » (Interlocuteur N°4)
Le contraste ne peut pas être ignoré, mais il peut tout de même être expliqué.
Nous avons, d’un côté, une société dont l’activité principale est de fournir ce genre de
services. En revanche, pour l’autre, c'est l'un des nombreux départements et il est
clairement distinct de l'activité principale.
➢ Les apports des données pour les métiers d’audit
La question 6 répond à la thématique de ce travail, en évoquant l’efficacité à

l’utilisation du Big data Analytics dans l’audit interne. Cette question leur a été posée
afin d’évaluer les avantages perçus par ces professionnels. Si une réelle plus-value est
constatée, il est alors intéressant de savoir pourquoi ces technologies ne sont pas
davantage implémentées dans leur travail au quotidien.
75
À nouveau, l’ensemble des répondants ont donné des réponses convergentes. Ils
ont pour la plupart énoncé les avantages liés à une meilleure assurance, une plus grande
légitimité et surtout une efficience améliorée. « La plus-value est au niveau du degré
d’assurance relatif à l’opinion donnée en fin de mission. L’Audit Interne doit fournir
une « raisonnable assurance ». En utilisant les Data Analytics, nous sommes en mesure
d’identifier de manière exhaustive les erreurs/dysfonctionnements. Donc, ce n’est plus
une « raisonnable assurance », mais une « 100% assurance ». Donc, une plus grande
légitimité. » (Interlocutrice N°1)
« Elles permettent d’identifier les anomalies de façon quasi automatique, ce qui

fait gagner du temps. La légitimité est également un facteur important car
l’automatisation des données, si elles sont bien sécurisées, a un côté implacable car elle
permet d’identifier facilement, par exemple, tous les niveaux de validation de certaines
opérations financières. » (Interlocuteur N°2)
Cependant, le gain de temps n’a pas été retenu par tous les auditeurs. Selon eux
l’utilisation de logiciels et de tests analytiques ne permettent pas à proprement parler de
réaliser des missions d’audit interne plus courtes. Ces outils facilitent la réalisation du
test qui sera, bien entendu, plus rapide, mais le reste du temps sera simplement alloué
différemment. Le temps gagné à ne pas devoir réaliser les contrôles d’échantillonnage
manuellement, sera consacré au temps nécessaire pour l’extraction des données, le
filtrage des données indésirables, une meilleure compréhension des données ainsi que
la mise en place de testing sur des populations complètes.
Les interlocuteurs N°4 et N° 5 ont souligné cette nuance.
« On alloue le temps différemment. On va passer plus de temps dans la

compréhension des données, de leur structure, que l'on n’a pas via une approche par
échantillonnage, ou beaucoup moins du moins. Quand on regarde le ratio de couverture
par rapport au temps, on gagne énormément de temps, car il faudrait un an pour tout
combler manuellement. Grâce à l'analyse de données, on va aller beaucoup plus vite,
mais on va garder la même durée. Néanmoins, cela permet une plus belle couverture et
assurance par rapport à l'analyse qui est menée. » (Interlocuteur N°4)
76
« Le temps total dont vous avez besoin est toujours le même, parfois même un peu plus.
Lorsque je parle de process mining, vous avez beaucoup plus d'informations sur la
valeur ajoutée de vos données et de votre activité. Alors quand un client me demande
de faire un audit chez Cevital pour les Achats » et que je réponds : « ça va me coûter
25 jours ». Mais si vous utilisez le process mining, vous n'aurez pas besoin de 50 ou 60
jours. Mais la valeur ajoutée est vraiment plus grande. » (Interlocuteur N°5)
En termes d’économie de coûts, les avis sont mitigés. Certains reconnaissent des
économies de coûts dans le cas où les modèles de tests peuvent être dupliqués. Il y a
alors uniquement lors de la conception des modèles durant les premières missions ou
lorsque la duplication n’est pas envisageable que cela prend du temps et que des
économies ne sont pas réalisables.
Sinon, d’autres participants identifient plutôt les données analytiques comme un

investissement dont les bénéfices en termes d’efficience et d’assurance sont supérieures
au coût engendré. Cela ne représente donc pas une économie de coûts à proprement
parler, mais plutôt une dépense jugée inévitable par les interrogés, dont les bienfaits ne
se feront ressentir qu’après quelques temps d’utilisation.
« Au lieu de vérifier un échantillon de 25 cas, vous pourrez regarder des

populations entières. Une fois cette analyse terminée, vous pouvez la répéter très
rapidement. Vous pouvez le configurer vous-même pour qu'il se produise en continu. La
qualité de votre audit est donc meilleure. » (Interlocuteur N°9)
➢ Les principales barrières liées à l’utilisation des données

analytiques dans la fonction de l’audit interne
La question 7 évoque les barrières à l’utilisation des données analytiques dans

l’audit interne. Les réponses à cette question ont été diverses dans l’ensemble tout en
entendant les mêmes facteurs revenir régulièrement. Certains facteurs sont mentionnés
davantage que d’autres, nous les présenterons dans leur ordre d’importance. Le premier
facteur est celui des compétences. Tous les interlocuteurs l’ont au moins mentionné et
une partie l’a même érigé comme la barrière la plus grande.
77
Des compétences en données analytiques et de maîtrise des outils y relatifs, est

une qualité recherchée par bon nombre des entreprises. Malheureusement, les auditeurs
internes qui sont aussi spécialisés dans l’utilisation des données analytiques sont fort
prisés et ils coûtent très chers.
En outre, les formations proposées par les entreprises sont en général trop peu
fréquentes, voire parfois même inexistantes. Nous notons tout de même une différence
entre des sociétés telles que KPMG et PWC, qui sont des sociétés spécialisées dans
l’audit interne et qui offrent leurs services à d’autres entreprises, et des sociétés dont
l’audit interne n’est pas l’activité principale, mais plutôt un département comme les
autres. Dans les sociétés où l’audit interne est une activité principale, des formations
sont proposées beaucoup plus souvent aux employés.
« Principalement, les outils complexes et le facteur humain. Des compétences en

Big Data sont relativement rares dans les entreprises. Cela nécessite une formation
spécifique. Les deux sont couplés et on n’en retire pas directement de la plus-value. »
Le second facteur est celui de la qualité des données et de leur accessibilité. Les
professionnels (N°4, 5, 9) ont pointé cet aspect comme étant le deuxième plus
problématique. Pour permettre une utilisation optimale des données analytiques, il faut
avoir des données fiables et de qualité, sinon le risque est d’avoir des modèles ou des
tests faussés. Il arrive régulièrement que des données soient mal encodées ou ne soient
pas complètes. Toutes les données ne sont pas digitalisées, ce qui rend l’extraction et la
récolte des données plus compliquées.
« Le problème, c'est qu'il est difficile d'obtenir rapidement les bonnes données.
Il faut aussi un certain temps avant d'avoir les bonnes données dans le bon format pour
pouvoir faire les analyses avant de faire des prédictions. Une des données doit être
présente et disponible de manière simple. Deuxièmement, les données doivent être de
bonne qualité. De nombreuses entreprises sont encore aux prises avec cela. Il y a
beaucoup de données présentes dans les entreprises, mais elles ne les maîtrisent pas
toujours complètement et la qualité de ces données, qui est parfois vraiment en dessous
78
de la moyenne. Si cette qualité des données n'est pas là, vous ne pouvez pas l'utiliser
pour faire des analyses majeures dessus. » (Interlocuteur N°9)
Le troisième handicap est lié à la culture de l’entreprise. Parfois, il y a ce qu’on

appelle une résistance humaine à l’adoption de nouvelles méthodes de travail. Ce frein
est encore plus présent dans des structures vieillissantes qui ne sont pas toujours
familières aux nouvelles technologies et qui, malgré une volonté débordante, sont
parfois perdues.
Un autre facteur en relation avec la culture d’entreprise est l’aspect

bureaucratique. Dans des organismes publics, les techniques et outils utilisés sont plus
règlementés que dans les sociétés privées. Ils sont donc moins flexibles au changement.
« La formation (ou son absence) est la barrière numéro un. Elle est complexe et ne
convient pas toujours à un personnel plus âgé, habitué à travailler dans un certain
environnent bureaucratique. La seconde barrière liée à la première est en effet
culturelle. » (Interlocuteur N°2)
Le dernier obstacle évoqué est le caractère organisationnel. Cette barrière

concerne principalement les grandes entreprises qui brassent un grand nombre de
données chaque jour qui proviennent de différents départements. Ce sont les personnes,
qui composent ces départements spécifiques, qui possèdent la connaissance de leurs
propres données en termes de définition, localisation ou utilité. Il y a un manque de
personnes qui possèdent une vue transversale sur l’ensemble des données.
➢ Les problèmes d’éthiques liés à l’utilisation de la Big Data

Analytics
La question 8 aborde les problèmes éthiques lors de l'utilisation et de l'analyse

des données. Étant donné que les données analytiques, tout comme le Big Data, génèrent
de grandes quantités de données, il est intéressant de s’intéresser aux conditions qui
accompagnent leurs utilisations. Les médias et autres plateformes d’informations
évoquent régulièrement les abus qui en découlent (en particulier ces dernières années).
79
Le but de cette question est de révéler les freins voire même l’interdiction
d’utiliser les data analytiques dans le cadre de règlementations.
Les réponses ont encore une fois été plus ou moins unanimes dans l’ensemble.
Selon les interlocuteurs, il n’y a pas de réel problème insurmontable avec la
règlementation en vigueur aujourd’hui. La première raison est qu’un règlement interne
à l’entreprise reprend déjà un bon nombre de ces règles, ainsi que les standards repris
dans la charte de l’Institut des Auditeurs Internes. Il faut cependant faire preuve de
prudence et respecter toutes ces normes ainsi que veiller à ce qu’il n’y ait pas de fuites
de données sensibles. D’autres participants affirment même qu’il n’y a pas réel
changement par rapport au passé, excepté que la quantité de données traitée est plus
importante.
« Il y a un règlement interne qui est plus spécifique, on fait attention à toujours

anonymiser les données personnelles. On a conscience que, s’il y a le moindre risque
que quelqu’un puisse être identifié dans un service, ou que s’il y a une fuite, cela peut
être grave. On prend nos précautions et on n’hésite pas à faire des doubles checks pour
voir si tout est en ordre dans ce domaine. On vérifie aussi les accès régulièrement par
exemple. » (Interlocuteur N°8)
L’interlocuteur N°7 a énoncé un problème éthique potentiel non pas à propos

des données mais sur les algorithmes qui vont les traiter. Le risque est de rechercher des
stéréotypes dans l’identification des risques. Les algorithmes qui trient et permettent
d’identifier de potentielles brèches ou risques sont conçus par des humains, ce qui
implique qu’ils peuvent contenir des erreurs.
➢ Les solutions pour lever les barrières liées à l’implantation des

données Analytics
La question 9 traite de la seconde partie de notre question de recherche, à savoir

les solutions qui peuvent être mises en place pour lever les barrières liées à
l’implémentation des données analytiques. Les réponses fournies à cette question sont
bien sûr, liées à celles de la question 8 qui analysait les causes et nous observons des
solutions proportionnelles aux problèmes rencontrés.
80
La première solution se concentre sur les compétences des employés. Investir

dans l’ensemble de ses auditeurs internes pour qu’ils aient des connaissances pointues
en données analytiques et puissent les maintenir est jugé irréalisable par les
professionnels. Plusieurs d’entre eux recommandent d’investir plutôt dans une cellule
plus restreinte de data scientist qui seront en mesure de fournir du soutien aux auditeurs
internes pour la réalisation de différents contrôles ou tests. Cette équipe pourrait même
éventuellement apporter son aide au-delà du département d’audit interne. Cette solution
est intéressante pour les grandes entreprises, sinon l’interlocuteur N°5 recommande de
sous-traiter cette partie à des spécialistes tels que les Big Four ou autre.
« Nous réfléchissons actuellement à la spécialisation d’un ou deux

collaborateurs dans ce domaine : pour concentrer les connaissances techniques
requises (Excel & MS Access Advanced Level) mais aussi pour investir dans la
connaissance du Landscape Data de la compagnie. Imaginer que tous les auditeurs
pourront acquérir ces compétences (et les maintenir) est irréaliste. »
(Interlocutrice N°1)
La deuxième solution concerne la qualité, l’accès et la fiabilité des données

qu’ils estiment insuffisantes dans la plupart des entreprises. Une formation qui
participerait à un meilleur encodage des données est bénéfique selon les interlocuteurs
N°4, 5, 8 et 9.
« L'éducation des gens à l'encodage des données parce que, finalement, pour
toute transaction à un moment donné, il y a un encodage qui est généralement manuel.
Ce serait bien d'avoir des champs d'une fiche qui sont correctement complétés. »
La dernière solution évoquée est d’opter pour des logiciels de données

analytiques qui soient simples d’utilisation. Il n’est pas toujours nécessaire d’avoir la
‘’Rolls Royce’’ des outils disponibles sur le marché (pour reprendre les termes entendus
en interview). De nombreux outils simples d’utilisation et peu coûteux sont proposés
sur internet. Cela permettrait de résoudre différents obstacles tels que la culture de
l’organisation (personnes âgées qui ont du mal avec les technologies) et les compétences
requises (les outils seraient plus accessibles).
81
« Pour éviter les problèmes de formations et de résistance humaine, il est

possible de travailler avec des outils qui sont plus simples à utiliser. J’ai déjà travaillé
dans plusieurs sociétés et j’ai pu voir qu’avec certains logiciels, les gens qui n’avaient
pas de connaissance de base, parvenaient à les maîtriser plus facilement. En particulier
pour les personnes plus âgées et moins formées. J’ai connu des gens qui travaillaient
avec SQL ou encore Python. Avec ces outils-là, les gens avaient beaucoup de mal. Alors
que l’opposé sont des logiciels comme Clickview ou Qlik Sense, qui ont un coté
didactique qui les rendent plus simples d’utilisation. Et pourtant, on peut faire la même
la chose avec les 2 ! Bien entendu, on peut faire davantage de choses avec Python, mais
90% des gens n’utilisent pas ces fonctionnalités supplémentaires. » (Interlocuteur N°7)
2.3.3 Les Limites et Evolution de La big Data
La dernière sélection de questions permet un autre regard sur les données

analytiques. Nous y analysons les limites et les évolutions futures qui leur sont
imaginées ainsi que l’engouement autour des données analytiques.
➢ L’influence des facteurs internes et externe à l’introduction des

données Analytics en audit interne
La question 10 traite des influences et des pressions internes et externes à

l’introduction des données analytiques dans l’audit interne. C’est un aspect intéressant
à soulever car il permet de déterminer la sincérité de la démarche entamée par
l’entreprise. Les responsables d’entreprises observant la tendance à recourir à cette
technologie pourraient être tentés d’instaurer ces méthodes par simple crainte d’être
marginalisés. L’introduction de ces méthodes résulterait donc davantage d’une pression
pour vouloir faire comme les autres plutôt que d’une nécessité réelle par rapport aux
avantages que peuvent procurer les données analytiques.
À cette question, nous observons deux types de réactions. La première est

partagée de tous et ne considère pas les données analytiques comme un simple effet de
mode. En effet, tous les interlocuteurs considèrent l’implémentation de ces technologies
comme étant une mouvance générale de l’entreprise et même de l’ensemble de
l’industrie. Il s’agit principalement de suivre son temps.
82
« Je ne pense pas que ce soit une mode, mais c’est un changement dans la
manière de travailler qui est irréversible. C’est un fait établi qui est accepté par tout le
monde. Tout le monde comprend que les nouvelles méthodes de travail sont plus
efficaces. » (Interlocuteur N°7)
La deuxième réaction constatée concerne la digitalisation grandissante des

données. Les technologies permettent des analyses plus poussées depuis un certain
nombre d’années déjà. Les outils d’analyses de données ne sont pas toujours présents
dans les entreprises, car la principale barrière est une digitalisation des données trop peu
développée par les entreprises. Si ces outils ne sont pas alimentés avec des données, ils
sont inutilisables. Il a fallu du temps pour que le développement de l’accès à ces données
se fasse.
« La disponibilité de données qui sont nettoyées, régies par le data gouvernance

(et, à ce titre, "fiables" = nous connaissons les données, la qualité des données est
connue et la confidentialité des données est respectée), sécurisées et leur utilisation peut
être contrôlée. C’est ce qui permet d’envisager cette utilisation ». (Interlocutrice N°1)
➢ Les limites de l’utilisation des données Analytics
La question 11 aborde les limites quant à l’utilisation des données analytiques. Nous
avons énoncé les nombreux avantages que cela apportait, sans spécifier les limites de
possibilités. Les interlocuteurs ont donné des réponses qui diffèrent dans l’ensemble,
mais, comme à chaque fois, une réaction sort du lot.
La limite des données analytiques faisant le plus écho est celle du jugement
professionnel. En effet, selon l’interlocutrice N°1, les données analytiques sont très
intéressantes comme outil, mais ont une limite qui est celle de ne pas pouvoir fournir à
elles seules une opinion d’audit. Elles permettent la quantification et la
«substantivation» (détermination de l’ampleur et de la fréquence du risque), mais sont
inefficaces quant à la mise en perspective du risque et à l’élucidation des causes de ces
dysfonctionnements (root causes qui créent l’issue et donc le risque). De plus, tous les
sujets de l’audit ne peuvent pas être abordés avec les données analytiques et encore
moins les conclusions finales de l’audit.
83
« Le jugement professionnel va toujours devoir intervenir. Si je prends des litiges

ou autre, il y a une analyse qui doit être menée, par exemple à une fraude. Il faut d'abord
faire comprendre le contexte et faire preuve d'esprit critique et de jugement avant de
tout miser sur l'analyse de données. » (Interlocuteur N°4)
➢ L’évolution de l’utilisation des données Analytics
La question 12 traite de l’évolution des données analytiques par rapport à

quelques années auparavant, ainsi que les changements qui vont avoir lieu dans les
années à venir. Cela permet de prendre du recul sur l’arrivée des données analytiques et
d’évaluer leur maturité en termes d’évolution. Prévoir tous son potentiel est important
afin de mieux préparer son intégration dans les années à venir.
L’évolution des données analytiques n’est pas à son terme, encore un point sur
lequel tous les interrogés sont unanimes. L’accroissement de leur utilisation est sans
aucun doute également lié à la digitalisation des entreprises et de la société en général.
Au plus les systèmes seront capables de générer des données, au plus les outils qui les
traitent seront performants. C’est ce que nous disent les interlocuteurs 9 et 10. « Oui
c’est sûr. L’évolution, elle est croissante, je crois même exponentielle. Il y a quelques
années, on n’avait pas de système de progiciel style SAP. Il y a une évolution dans tous
les domaines, l’accessibilité aux données augmentent très clairement. Avec le temps,
tout finira par se digitaliser, déjà maintenant dans nos services on est sur un full digital,
après ils doivent répondre à des réglementations en termes d’archivage etc. »
Ensuite, d’autres intervenants présentent l’avènement des données analytiques

non pas comme un bouleversement de la manière de travailler, mais comme une
évolution continue qui devrait encore durer quelques années. La prochaine étape
concernerait l’intelligence artificielle ou la blockchain qui représente un potentiel
encore plus important avec des applications de détection en temps réel d’exception.
Comme le précise l’interlocuteur N°5, cela fait déjà même quelques années
qu’ils en entendent parler et qu’ils sont prêts à intégrer ces nouvelles technologies, mais
le marché n’est pas prêt à accueillir ces outils. Ces évolutions prennent du temps à se
84
mettre en place et celle-ci ne sont pas encore prêtes à faire leur apparition dans les jours
qui vont venir.
➢ Souhaiteriez-vous ajouter quelque chose concernant les

données analytiques et leur utilisation dans l’audit interne ?
La dernière question de notre questionnaire a pour but d’aborder un aspect qui

n’était pas repris dans l’enquête et dont l’interlocuteur veut nous en faire part. De
manière générale, les intervenants ont estimé le questionnaire comme étant complet et
ont eu l’impression que tous les aspects avaient été abordés. Les réponses à cette
question ont donc été relativement rares. Nous pouvons néanmoins citer la réponse de
l’interlocuteur N°10. « C’est un enjeu fondamental pour l’audit interne, on doit suivre
cette évolution au sein de l’organisation, c.-à-d. comment l’organisation gère cette
évolution et intègre ses enjeux, mais également pour son travail d’audit qui se
transforme. En termes de profils aussi, le profil des auditeurs va aussi évoluer. Il n’y a
plus les mêmes profils qu'il y a 10, 20 ans. L’exploration des données analytiques sera
au cœur du métier de l’audit interne. »
85
Conclusion
Generale
IV. Conclusion
Conclusion
Au terme de notre étude, nous pouvons affirmer que les responsables de l'audit
interne ont bel et bien intégré l'importance des données analytiques. Néanmoins, leur
utilisation se trouve encore trop limité à des analyses descriptives et diagnostiques.
Leurs avantages sont pourtant connus en termes d'efficacité, de légitimité, d'une

plus grande assurance (voir même à 100%) et enfin, d'économies de coûts sur le long
terme. Avant de parvenir à une utilisation généralisée des données analytiques, il reste
néanmoins certaines barrières à surmonter. L'obstacle majeur rencontré est celui de la
formation des auditeurs et la connaissance des données analytiques.
Le deuxième obstacle concerne la qualité et l'accessibilité des données. Enfin, la

troisième barrière est la culture d'entreprise qui se traduit parfois par des structures
vieillissantes et dépassées par les nouvelles technologies ainsi qu'une bureaucratie trop
peu perméable aux changements. Enfin, le dernier frein réside dans le manque de vision
transversale des données analytiques disponibles dans les entreprises.
Une des solutions proposées dans notre étude est d'investir dans une équipe
réduite de spécialistes des données analytiques afin de fournir une aide directe aux
auditeurs internes. La seconde solution est d'améliorer l'encodage des données et de
centraliser davantage les données dans un seul système afin d'en faciliter la récolte et
l'extraction des données. Enfin, la dernière solution consiste à privilégier des outils
simples d'utilisation.
Une autre raison de prôner ces solutions, est la mutation future des données
analytiques décrit par les interviewés. La société d'aujourd'hui a tendance à se digitaliser
et à être de plus en plus ‘‘connectée’’. Les opportunités qui en demandent pour l'audit
interne sont à saisir. En effet, les données analytiques constituant une réalité dont la
valeur ajoutée n'est plus à traiter. Les esprits se tournent d'ailleurs petit à petit vers la
prochaine étape qui est l'intelligence artificielle et qui apporte également son lot
d'avantages. Les possibilités dans ce domaine sont encore plus vastes tout en n'étant que
peu explorées par la fonction de l'audit interne. D'ici quelques années, nous retrouverons
probablement une question similaire à la nôtre : « Pourquoi l'intelligence artificielle
87
IV. Conclusion
n'est-t-elle pas davantage utilisée dans l'audit interne ? » et dont les réponses auront des
points communs avec celles de ce travail.
Réponses aux hypothèses
H1 : La Data Analytics permet à l’organisation d’améliorer son processus de

prise de décision.
Nous pouvons observer que les résultats confirment cette première hypothèse.
Les interrogés sont pour la plupart des responsables du service de l’audit interne et ils
ont tous clairement énoncé l’importance des données analytiques dans la prise de
décision. Cela s’est principalement vérifié à travers les questions 5, 6, 7 et 12.
Divers logiciels sont mis à la disposition des acteurs pour la recherche

l'archivage et l'identification des informations. Les personnes interviewées insistantes
sur l'apport de ces outils en termes de gains de temps, de coordination des activités. Ces
outils regorgent de « potentialités » et sont perçues comme une « mine d'or ».
L’usage de la Big Data Analytics influence positivement la qualité de l’audit, il

est démontré que son utilisation dans l'audit permet aux auditeurs de mieux couvrir les
données, d'identifier rapidement les risques et de compléter l'audit avec un niveau de
qualité supérieur qui fournit par la suite un meilleur niveau d'informations.
Cela améliore également la capacité à détecter les fraudes et à prévenir les

erreurs lors d'un audit. L’influence de l'utilisation de la Big Data Analytics sur la qualité
de l'audit devrait augmenter pour les auditeurs internes dans leur travail pour améliorer
leurs performances et leur productivité.
H2 : Les avantages théoriques des données analytiques sont similaires aux

avantages réels sur le terrain.
Les résultats obtenus ne permettent pas de valider cette hypothèse. Nous avons
retenu cette hypothèse car cela semblait être une cause plausible pour laquelle les
entreprises refusaient d’utiliser davantage les données analytiques. Au terme des
interviews, nous pouvons affirmer que ce n’est pas du tout le cas. Tous les avantages
88
IV. Conclusion
repris dans la partie théorique de ce travail ont été avancés par au moins un interlocuteur
lors des entretiens. Aucun des interlocuteurs n’a même remis en question ces avantages.
Exception faite peut-être, du gain de temps, comme l’ont indiqué certains

professionnels, la compréhension, l’extraction et le filtrage des données sont
chronophages et remplacent en quelque sorte le temps consacré auparavant à effectuer
des échantillonnages manuels. Néanmoins, le temps nécessaire à la récolte des données
ainsi que leur filtrage ne pourront que se raccourcir à mesure que le monde, tel que nous
le connaissons, se digitalise. L’accès aux données s’améliorera donc avec le temps
Recommandations
Les recherches ont révélé les causes et les solutions liées aux barrières à
l’implémentation des données analytiques. Pour permettre aux sociétés de posséder un
département d’audit interne efficace et pertinent, notre conseil est le suivant : Il est
important d’inclure les données analytiques comme étant une priorité sur le plan
stratégique et d’en faire un outil qui fera plus que simplement accompagner les auditeurs
dans leurs analyses. Pour cela, il est nécessaire de déterminer quels types d’outils de
données analytiques sont les plus adaptés à l’entreprise, pour ensuite investir dans des
formations permettant une utilisation optimale de ces outils par les auditeurs internes. Il
est également recommandé de privilégier une cellule plus réduite d’experts en données
analytiques qui apporte un soutien aux auditeurs internes durant les différentes missions.
Pour finir, une attention particulière est requise pour un encodage de qualité et une
centralisation des différentes bases de données de l’entreprise afin d’en faciliter la
récolte, l’extraction et le filtrage, ce qui permet également une vision transversale de
l’ensemble des données.
Les limites du Travail
Le travail réalisé est sujet à certaines limites qui sont liées à l’étude empirique
Premièrement, comme il a été énoncé dans la méthodologie, les entretiens sont semi-
directifs et les questions sont relativement vastes, ce qui peut laisser la place à une
certaine interprétation des questions par les interrogés. Le danger est que certaines
réponses soient négligées.
89
IV. Conclusion
Deuxièmement, les interlocuteurs qui ont participé à l’enquête n’ont pas tous une
connaissance approfondie des données analytiques, ce qui implique qu’ils ne sont pas
toujours les personnes les plus aptes à répondre aux questions qui leur sont posées. Cela
renforce l’idée d’une méconnaissance des données analytiques.
Pour finir, l’ensemble des interviewés font partie du paysage belge. Cette étude
donne un aperçu de l’utilisation des données analytiques en audit interne, mais elle reste
néanmoins limitée au niveau national.
90
Bibliographie
V. Bibliographie
Ouvrages :
AICPA, Byrnes, P., Vasarheyli, M., Criste, T., & Stewart, T. (2014, août). Reimagining
Alexandru T. et Boca R. (2015) « Visualisation des données : principes et pratique » CRC
Press,
Alles, M. G. (2015, février). Drivers of the Use and Facilitators and Obstacles of the Evolution
of Big Data by the Audit Profession.
Andy K. 2016 « Visualisation des données : un manuel pour la conception axée sur les
données ». Los Angeles : Sauge
Auditing in a Wired World .
Bell J. (2015). « Apprentissage automatique pour la Big Data : travaux pratiques pour les
développeurs et les professionnels techniques » New Delhi : Wiley

gouvernance cognitive ? » Dans Comptabilité Contrôle Audit (Tome 18)
Christine L. Borgman. « Big data, peu de données, pas de données : recherche dans le monde
en réseau » par Cambridge : La presse du MIT, 2015.
Christophe V. (2010). « L'audit qualité interne - Manager avec efficacité son processus
d'audit » 2e édition Dunod.
COLLINS L. et VALIN G (2018). « Audit et contrôle interne, principes, objectifs et

pratiques », Dalloz
Davenport T. (2014) « Le Big Data au travail : dissiper les mythes, découvrir les
opportunités ». Boston : Harvard Business Review Press,
Delforge, A. (2018). Comment (ré)concilier RGPD et big data ? Revue du droit des
technologies de l’information,
Global Infrastructure Anti-Corruption Centre
Grenier C, Bonnebouche J., « auditer et contrôler les activités de l’entreprise », éditions

Foucher, Paris 2003. p.117.
92
V. Bibliographie
Huet J.M, Bucaille E, et Hussherr A. (2021) « Audit et performance - Stratégies et outils de
pilotage des entreprises . » ed. Pearson
IFACI : le Conseil d'Administration de l'Institut de l’Audit Interne
Jim C. (2013) « De la performance à l'excellence. Devenir une entreprise leader ». Collection

Village mondiale
KOENIG G. « De nouvelles Théories pour Gérer l'entreprise du XXIe siècle. ». Paris
Economica, 1999
Ledolter J (2018). « Exploration de données et la Business intelligence » New Jersey. John

Wiley & Sons.
Litvak G et Allaire S. (2019) « Guide de l'audit interne - Défis en enjeux - Théorie et

pratique. » ed. Vuibert.
Nussbaumer C. (2015) « Storytelling with data : un guide de visualisation de données pour les
professionnels ». New Jersey : Wiley
Peter X. Song K. (2016) « Analyse de données corrélées : modélisation, analyse et applications

» New York. Springer Science+Business Media
Rapport annuel de DELOITE 2018. P 97-109
Rapport annuel KPMG 2016
RENARD J. (1994), « Théorie et pratique de l'audit interne, Editions d'organisation ».
RENARD J. (2003), « Audit interne. », Paris, Édition d’organisations
RENARD Jacques, « Théorie et pratique de l’audit interne », Editions d’Organisation, 2010
Rob K. 2014 « La révolution des données : big data, open data, infrastructures de données et
leurs conséquences » Los Angeles : Sauge
Vial S. (2016) « Design & innovation dans la chaîne du livre » Paris, Press universitaire de
France.
Revues
OLLION E & J. BOELAERT « Au-dela des big Data, les sciences sociales et la multiplication
des Donnees. » Revue sociologie, N°3, Vol.6, 2015.
93
V. Bibliographie
Gilles BASTIN, PAOLA, « Le moment Big Data des science sociales », revue française de
sociologie N°3, Vol 59, 2018 p 375-394
Webographie :
• https://assets.kpmg/content/dam/kpmg/ch/pdf/data-driven-insights-through-visual
analytics.pdf
• https://bestofbusinessanalyst.fr/def-business-analysis/techniques/methode-amelioration-
processus.html
• https://chartio.com/learn/data-analytics/types-of-data-analysis/
• https://datascientest.com/data-science-definition
• https://datascientest.com/machine-learning-tout-savoir
• https://fr.slideshare.net/EmilySionniere/histoire-du-big-data
• https://home.kpmg/fr/fr/home/insights/2016/06/data-and-analytics.html
• https://online.hbs.edu/blog/post/types-of-data-analysis
• https://openclassrooms.com/fr/courses/2958471-comprendre-le-big-data-a-travers-les-
films-de-cinema/3022496-lhistoire-du-big-data
• https://portail-ie.fr/analysis/1797/les-big-data-au-service-de-la-montee-en-puissance-de-
lia-partie-14-un-peu-dhistoire
• https://www.alteryx.com/fr/glossary/data-analytics
• https://www.analytics8.com/blog/what-are-the-four-types-of-analytics-and-how-do-you-
use-them/
• https://www.hellowork.com/fr-fr/medias/5-tecnhiques-prendre-bonnes-decisions.html
• https://www.louiseleroux.com/post/2017/05/07/am%C3%A9liorer-lhabilet%C3%A9-de-la-prise-de-
d%C3%A9cision-en-8-%C3%A9tapes.html
• https://www.margo-group.com/fr/actualite/data-science-appliquee-monde-retail-10-use-
cases-incontournables/
• https://www.memoireonline.com/02/22/12640/m_Le-mtier-dauditeur-interne--lre-de-
latransformation-digitale-Cas-des-e4.html
• https://www.nexton-consulting.com/2018/03/15/la-veritable-histoire-du-big-data-episode-
• https://www.simplilearn.com/data-analysis-methods-process-types-article
• https://www.sqorus.com/big-data-analytics-entreprises-africaines/
• www.lesechos.fr
94
Annexes
95
Questionnaire
Nom:
Prénom:
Profession:
Organisation:
Partie 1 : usage de la big Data Analytics
Utilisez-vous les analyses de données volumineuses (Big Data Analytics) disponibles dans votre
programme d’audit?
Oui Non
Partie 2 : Utilité perçue

Fortement Neutre En Fortement
N° Utilité perçue d’accord Acceptable désaccord en désaccord
Q1 L'utilisation de la BDA dans mon travail me permettrait
d’accomplir les tâches plus rapidement
Q2 L'utilisation de la BDA dans mon travail améliorerait la

performance
Q3 L'utilisation de la BDA dans mon travail augmenterait la
Productivité
Q4 L'utilisation de BDA améliore mon efficacité du travail
Q5 L'utilisation de l'analyse de données volumineuses

facilite mon travail
Q6 Je trouve l'analyse de données volumineuses utile dans mon
travail
Q7 J'utilise la BDA pour servir mes clients
Q8 J'utilise fréquemment la BDA pour trouver des informations
concernant des questions particulières dans le processus d'audit
Q9 Des techniques avancées sont nécessaires pour collecter, gérer

et analyser les données
Q10 L'utilisation de la BDA aide l'auditeur à obtenir les preuves en

temps opportun.
Q11 L'utilisation de la BDA aide l'auditeur à obtenir des preuves plus
pertinentes de l'élément à auditer.
Q12 L'utilisation de la BDA conduit à une amélioration de

capacitée de l'auditeur à préparer des éléments probants.
Q13 L'utilisation de la BDA réduit les coûts de terminer le

processus d'audit
Q14 L'utilisation de l'analyse de données volumineuses contribue
à une meilleure distribution des tâches entre l'équipe d'audit
Q15 Le stockage des données crée de grands défis pour l'analyse

des données
96
Partie C: Facilité L’utilisation perçue
Fortement
Fortement En
N° Utilité perçue Acceptable Neutre en
d’accord désaccod
désaccord
Q16 Je sais ce que signifie le terme "Big
data"
Q17 Les "big data" sont collectées sur mon

lieu de travail
Les analyses de Megadonnées sont
Q18
disponibles dans le programme d'audit
utilisé
Apprendre à travailler avec l'analyse de
Q19
Megadonnées serait facile pour moi
Je trouve qu'il est facile d'obtenir des
Q20
analyses de mégadonnées pour faire ce
que je veux faire
Q21 Je trouve que la BDA est flexible pour
interagir avec
Q22 Il est facile pour moi de devenir habile à

utiliser le Big Data analytique
Q23 Je trouve l'analyse de données

volumineuses facile à utiliser
Q24 Je traite de grandes quantités de données

variables et complexes
L'augmentation du volume des
Q25 transactions conduit à la possibilité
d’erreur dans son analyse et son
traitement
L'augmentation du volume d'informations
Q26
conduit à la possibilité de ne pas détecter
les erreurs
Q27 Le stockage des données crée de grands

défis pour l'analyse des données
97
Partie D : Qualité de l'audit
Fortement
Fortement En
N° Utilité perçue Acceptable Neutre en
d’accord désaccord
désaccord
Bonne expérience et spécialisation dans le
Q28
secteur est requis lors de l'exécution de
tâches d'audit
Pour effectuer la tâche d'audit, j'ai besoin
Q29
de comprendre le système d'information
comptable de l'entreprise
Il n'est pas nécessaire de connaître
Q30
l'environnement de l'entreprise lors de la
réalisation de l'audit
J'identifie tous les processus importants et
Q31 sensibles dans l'entreprise lorsque je
commence la tâche d'audit
Les rapports internes de la société sont
Q32
examinés pour évaluer les risques attendus
Q33 La tâche d'audit commence par établir

un plan et s'assurer de le respecté
Q34 Certains états financiers sont
établis avec l'Audit Comité
Q35 Certains états financiers sont
discutés avec les dirigeants de
l'entreprise.
Q36 Je ne reviens pas aux faiblesses et des
risques identifiés les années précédentes
Les programmes d'audit utilisés par les
Q37 clients sont souvent inappropriés et liés à
des faiblesses
Q38 Je fournis des services non liés à

l'audit aux clients
Il n'est pas nécessaire de contacter le

Q39 service interne de l'entreprise auditeurs
lorsque j'effectue l'audit
La spécialisation est prise en

Q40 considération lorsque répartir les tâches
entre les auditeurs
Je passe généralement beaucoup de
Q41 temps avec les clients lorsque j'ai un
audit
Chaque processus du travail d'audit est
Q42 passé en revue pour s'assurer Contrôle de
qualité
98
Questionnaire N° 2
Question 1 : Quelles sont vos connaissances et votre formation en matière de données

Analytiques ?
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………
Question 2 : Comment l’analyse de données est-elle utilisée dans votre travail au quotidien ?
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
………………………………………………………………………………
Question 3 : Quels types d’analyses utilisez-vous ?

(Descriptive, diagnostique, predictive, prescriptive)
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
…………………………………………………………………………………………
…………………………………………………………………………………………………
…………………………………………………………………………………………………
Question 4 : Quels sont les types de sources de données utilisées ?

(Interne, externe, réseaux sociaux, etc.)
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
99
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………….
Question 5 : Comment qualifieriez-vous l’investissement fait par la société qui vous emploie à
l’égard du Big Data et des données analytiques ?
Que voudriez-vous rajouter ou supprimer ?
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
……………………………………………………………………………………………………
………………………………………………………………………………………
Question 6 : Les données analytiques rajoutent-elles une plus-value au métier d’auditeur

interne ? Si oui, comment ? (Économie de coûts, meilleure qualité, plus grande légitimité,
meilleure couverture, etc.)
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
Question 7 : Quelles sont pour vous les principales barrières à l’utilisation des données
analytiques dans la fonction de l’audit interne ?
(Facteur humain, outils complexes ou coûteux, culture de l’organisation, etc.)
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
100
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
Question 8 : Quels problèmes éthiques rencontrez-vous lors de l'utilisation de Big Data et de

l'analyse des données ? Comment faites-vous face à ces problèmes ?
(Sécurité des données, confidentialité……etc.)
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
…………………………………………………………………………………………….
Question 9 : Quelles sont les solutions qui peuvent être mises en place pour lever les barrières
liées à l’implémentation des données analytiques ?
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
…………………………………………………………………………………………….
Question 10 : L’utilisation des données analytiques résulte-t-elle d’une mode de la digitalisation

ou de pressions extérieures ? (De l’industrie, des clients, responsables, etc.)
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
…………………………………………………………………………………………….
101
Question 11 : Quelles sont les limites de l’utilisation des données analytiques ?
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
Question 12 : Remarquez-vous une évolution dans l’utilisation des données analytiques par
rapport à quelques années auparavant ? Et, pensez-vous que des changements vont avoir lieu
dans les années à venir ?
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
Question 13 : Souhaiteriez-vous ajouter quelque chose concernant les données analytiques et

leur utilisation dans l’audit interne ?
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
……………………………………………………………………………………………
102
Tableaux et figures
Tableaux:
Tableau 1. Synthèse de l'évolution de l'audit
Tableau 2. Facteurs D’évaluation De La Performance De L’audit Interne
Facteurs clés de succès Pourcentage

recensé
Recommandations ciblant les causes premières des problèmes 84%
Qualité des travaux sur les principaux risques 83%
Communication en temps opportun des risques 72%
Conseils sur les risques émergents 63%
Perception de l'audit interne au sein de l'organisation 44%
Activité liée à des attentes particulières des parties prenantes 36%
Indicateurs quantifiés de valeur ajoutée 31%
Tableau 3. Domaines à traiter par l’audit interne
Domaine à traiter dans l’Audit interne Pourcentage

Améliorer les processus opérationnels à travers des missions de 73%
conseil
Faciliter et surveiller la gestion des risques 71%
Alerter le management sur les enjeux émergents, réglementaires, et 66%
les scénarios de risque
Identifier les risques connus et émergents 65%

Identifier des référentiels et des pratiques de gestion des risques 64%
Tableau 4. Moyens de consolidation du positionnement de l’audit interne
Moyens de consolidation du positionnement Pourcentage

Mettre l'accent, lors des missions d'audit, sur les risques 86%
stratégiques, opérationnels, financiers et de conformité
Evaluer périodique et communiquer les risques majeurs au 76%

Conseil et à la direction générale
104
Tableau 5. Les niveaux d’intégration et d’automatisation de l’analyse de données au sein de l’audit interne
Source : KPMG 2016
105
Figures :
Figure 1 : les 5 V de la Big Data
Figure 2. Datamart (Magasin de Données)
106
Figure 3. Phases de la Business Intelligence
Figure 4. La phase ETL
107
Figure 5. Types de Big Data Analytics
Figure 6. Processus de la Data Analytics
108
Figure 7. Les étapes de réalisation de l'audit Interne
Figure 8. La relation entre le comité d'audit et la fonction d'audit interne
109
Figure 9. Traitement des résultats obtenus à partir de la Data Analytics
110
Table des matières
REMERCIEMENTS ............................................................................................................................... #
DEDICACES ........................................................................................................................................... #
SOMMAIRE ........................................................................................................................................... #
LISTE DES TABLEAUX ....................................................................................................................... #
LISTE DES FIGURES ............................................................................................................................ #
LISTE DES ABREVIATIONS ............................................................................................................... #
INTRODUCTION GENERALE.......................................................................................................... 1
CONTEXTE GENERALE DE L’ETUDE .................................................................................................. 2
OBJECTIF A ATTEINDRE .................................................................................................................... 3
PROBLEMATIQUE ............................................................................................................................... 3
PARTIE I ............................................................................................................................................... 5
CHAPITRE I : LE BIG DATA ANALYTICS.................................................................................... 5
SECTION 1 : ECLAIRAGE THEORIQUE SUR LE BIG DATA .................................................................... 6
1.1 L’HISTOIRE DU BIG DATA ............................................................................................................. 6
1.2 DEFINITION DU BIG DATA ............................................................................................................. 7
3. LES CARACTERISTIQUES DU BIG DATA ........................................................................................... 9
1.3.1 Le Volume .............................................................................................................................. 9
1.3.2 Vitesse .................................................................................................................................. 10
1.3.3 Variété ................................................................................................................................. 10
1.3.4 Véracité................................................................................................................................ 10
1.3.5 Valeur .................................................................................................................................. 11
SECTION 2 : UTILISATION DE LA BUSINESS INTELLIGENCE ET DE LA BIG DATA .............................. 11
2.1 LA BUSINESS INTELLIGENCE ....................................................................................................... 11
2.1.1 Les enjeux de la Business Intelligence ................................................................................. 12
2.1.2 Les Outils de la Business Intelligence ................................................................................. 13
2.1.2.1 les caractéristiques d’un outil de la Business Intelligence ........................................... 14
2.1.2.2 Les avantage de l’utilisation d’un outil de la Business Intelligence............................. 15
2.1.3 Les Phases de la Business Intelligence ................................................................................ 16
2.1.3.1. La phase d’alimentation .............................................................................................. 17
2.1.3.1.a) Les outils d’ETL .................................................................................................. 17
2.1.3.1.b) Les avantages de l’utilisation d’un ETL .............................................................. 18
2.1.3.2 La phase de modélisation « Warehouse » .................................................................... 19
2.1.3.3 La phase de restitution.................................................................................................. 19
2.1.3.4 La phase d’analyse ....................................................................................................... 21
2.2 L’UTILISATION DU BIG DATA...................................................................................................... 21
2.2.1 Développement de produits ................................................................................................. 21
2.2.2 Maintenance prédictive ....................................................................................................... 22
2.2.3 Expérience client ................................................................................................................. 22
2.2.4 Fraude et conformité ........................................................................................................... 22
2.2.5 Machine Learning................................................................................................................ 23
2.2.6 Efficacité opérationnelle...................................................................................................... 23
2.2.7 Dynamiser l’innovation ....................................................................................................... 23
SECTION 3 : LE BIG DATA ANALYTICS ............................................................................................. 23
3.1 L’APPARITION DU BIG DATA ANALYTICS ................................................................................... 24
3.2 TYPES DU BIG DATA ANALYTICS................................................................................................ 25
111
3.2.1 Descriptive ........................................................................................................................... 25
3.2.1 Diagnostique ........................................................................................................................ 26
3.2.3 Prédictive ............................................................................................................................. 26
3.2.3 Prescriptive .......................................................................................................................... 27
3.3 PROCESSUS DU BIG DATA ANALYTICS ....................................................................................... 27
3.3.1 Entrée de données (Data Input) ........................................................................................... 28
3.3.2 Préparation des données (Data Preparation) ..................................................................... 28
3.3.3 Exploration des données (Data Exploration) ...................................................................... 28
3.3.4 Enrichissement des données (Data Enrichment) ................................................................. 29
3.3.5 La science de données (Data Science)................................................................................. 29
3.3.6 Reporting ............................................................................................................................. 29
3.3.7 Optimisation ........................................................................................................................ 29
CONCLUSION ..................................................................................................................................... 30
CHAPITRE II : AUTOMATISATION DES DONNEES & L’AUDIT INTERNE ..................... 32
SECTION 01 : CADRE CONCEPTUEL DE L’AUDIT INTERNE ET DE LA DIGITALISATION .................... 35
1.1 CADRE CONCEPTUEL ................................................................................................................... 35
1.1.1 Fondement de l’audit Interne .............................................................................................. 35
1.1.2 Les caractéristiques de l’audit interne ................................................................................ 37
1.1.2.1 Indépendante et objective ............................................................................................. 37
1.1.2.2 Degré de maîtrise de ses opérations ............................................................................. 38
1.1.2.3 Conseils ........................................................................................................................ 38
1.1.2.4 Créer de la valeur ajoutée ............................................................................................. 38
1.1.3 Les Etapes de l’audit interne ............................................................................................... 39
1.1.3.1 La phase de préparation................................................................................................ 40
1.1.3.2 Phase de réalisation ...................................................................................................... 42
1.1.3.3 Phase de conclusion...................................................................................................... 42
1.1.4 Positionnement de l’audit dans l’organigramme de l’entreprise ........................................ 43
1.1.4.1 La fonction Audit interne ............................................................................................. 43
1.1.4.2 Comité d’audit .............................................................................................................. 44
1.2 CADRE CONCEPTUEL DE LA DIGITALISATION ............................................................................ 46
1.2.1 Une stratégie de transformation basée sur l’intelligence économique ............................... 47
1.2.2 Les clients sont placés au cœur des préoccupations de l’entreprise ................................... 48
1.2.3 Faciliter la transaction ........................................................................................................ 48
1.2.4 Améliorer les pratiques et processus décisionnels .............................................................. 48
1.2.4.1 La stratégie ................................................................................................................... 48
1.2.4.2 L’organisation .............................................................................................................. 49
1.2.4.3 La technologie .............................................................................................................. 49
1.2.4.4 La culture de l’organisation .......................................................................................... 49
1.2.5 Eliminer la frontière entre le réel et le virtuel Désormais................................................... 49
SECTION 2 : LES NIVEAUX D’AUTOMATISATION DE L’ANALYSE DE DONNEES DANS L’AUDIT ....... 49
2.1 NIVEAU DE MATURITE I - AUDIT TRADITIONNEL ........................................................................ 50
2.2 NIVEAU DE MATURITE II - INTEGRATION D’ANALYSE DE DONNEES ADHOC .............................. 50
2.2.1 Plan d’audit ......................................................................................................................... 50
2.2.2 Exécution des missions et reportings ................................................................................... 50
2.3 NIVEAU DE MATURITE III - AUDIT DES RISQUES EN CONTINU .................................................... 50
2.3.1 Plan d’audit ......................................................................................................................... 51
2.3.2 Exécution des missions et reportings ................................................................................... 51
2.4 NIVEAU DE MATURITE IV – AUDIT ET CONTROLE EN CONTINU INTEGRES ................................. 52
2.4.1 Plan d’audit ......................................................................................................................... 52
2.4.2 Exécution des missions et reporting .................................................................................... 52
112
2.5 NIVEAU DE MATURITE V – ASSURANCE EN CONTINU ................................................................. 52
2.5.1 Plan d’audit ......................................................................................................................... 52
2.5.2Exécution des missions et reportings .................................................................................... 52
SECTION 3 : LA GARANTIT QUE LES RESULTATS DU DATA ANALYTICS ABOUTISSENT A DES
ELEMENTS PROBANTS........................................................................................................................ 53
A-CARACTERE ADEQUAT .................................................................................................................. 53
B-SUFFISANCE................................................................................................................................... 53
3.1 ELEMENT PROBANT SUFFISANT ET APPROPRIE............................................................................ 53
3.1.1 La pertinence ....................................................................................................................... 54
3.1.2 La fiabilité............................................................................................................................ 54
3.1.3 La quantité ........................................................................................................................... 54
3.2 APPLIQUER LA TECHNIQUE DU DA POUR DECOUVRIR UNE ANOMALIE ...................................... 55
3.3 LA GESTION DES RESULTATS DU DATA ANALYTICS PAR L’AUDITEUR ...................................... 56
3.3.1. Traitements des écarts observés (déviations) ..................................................................... 56
3.3.1.1 Des situations nouvelles ............................................................................................... 56
3.3.1.2 Des écarts justifiés ........................................................................................................ 57
3.3.1.3 Des écarts rejetés (déviations) ...................................................................................... 57
CONCLUSION ..................................................................................................................................... 59
PARTIE II ............................................................................................................................................ 61
CHAPITRE III : BIG DATA ANALYTICS & AUDIT INTERNE : ETUDE EMPIRIQUE ...... 61
INTRODUCTION.................................................................................................................................. 62
SECTION 1 : PRESENTATION DE L’ENQUETE...................................................................................... 62
1.1 LE QUESTIONNAIRE..................................................................................................................... 62
1.2 L’ENQUETE QUALITATIVE ........................................................................................................... 63
1.3 DEROULEMENT DE L’ENQUETE ................................................................................................... 65
SECTION 2 : RESULTATS DE L’ENQUETE ........................................................................................... 67
2.1 IDENTIFICATION DES ENTREPRISES ET DES REPONDANTS ........................................................... 67
2.2 QUESTIONS FERMEES .................................................................................................................. 67
2.2.1 Usage de la Big Data Analytics ........................................................................................... 68
2.2.2 Utilité perçue dans l’usage de La Big Data Analytics......................................................... 68
2.2.3 La facilité de l’utilisation perçue ......................................................................................... 69
2.2.4 Audit de Qualité ................................................................................................................... 69
2.3 QUESTIONS OUVERTES ................................................................................................................ 70
2.3.1 Les Questions Préliminaires ................................................................................................ 70
2.3.2 Investissement en matière de Big Data Analytics ................................................................ 73
2.3.3 Les Limites et Evolution de La big Data.............................................................................. 82
CONCLUSION GENERALE ............................................................................................................ 86
CONCLUSION ..................................................................................................................................... 87
REPONSES AUX HYPOTHESES ............................................................................................................ 88
RECOMMANDATIONS ........................................................................................................................ 89
LES LIMITES DU TRAVAIL ................................................................................................................. 89
BIBLIOGRAPHIE .............................................................................................................................. 91
ANNEXES ............................................................................................................................................ 95
TABLE DES MATIERES ................................................................................................................ 111
113
Résumé :
Dans les articles les revues et la littérature de la finance la DATA NALYTICS

est une branche de la Big Data et de la Business Intelligence aussi appelé en français
l’informatique Décisionnelle, elle se définit comme étant une science qui s'intéresse aux
données. Il comprend l'ensemble des outils (mathématiques, statistiques, et bien
évidemment informatique…), des technologies, des infrastructures, des méthodologies,
permettant de gérer des masses importantes de données et de transmettre les
informations essentielles aux dirigeants d'entreprise et aux utilisateurs finaux de façon
la plus simple pour améliorer leur compréhension et leur prise de décision. La Data
Analytics permet d'analyser et d'exploiter les données de l'entreprise, pour faciliter la
prise de décisions. La donnée (ou Big Data) peut ainsi être vue comme le nouvel actif
des entreprises. Elle doit être regroupée, analysée, agrégée et collectée au préalable.
Loin d'une vision photographique des données financières et surtout de la santé
économique de l'entreprise (compte de résultat et surtout bilan), il s'agit de passer à une
donnée statique à une donnée dynamique en live au nano-seconde pré.
L’analyse des quantités énormes de données qui viennent du marché, et cela en

temps réel permet aux entreprises de prendre les bonnes décisions stratégiques et de
mener des actions intelligentes. Une bonne maîtrise du Big Data permet donc
d’améliorer l’engagement des clients, augmenter les revenus et réduire les coûts.
Les outils de business intelligence ou outils de la Data Analytics sont des

logiciels applicatifs permettant de dialoguer avec les données cela se passe généralement
par trois étapes :
▪La collecte, le traitement et le chargement ;

▪Le stockage ;
▪La restitution des données.
Dans l'air du big data et la récolte massive de données et le développement des

méthodes de machine Learning, il est devenu difficile pour l’organisation de traiter toute
ses informations particulièrement dans les départements d’audit. L'objectif de notre
travail consiste à étudier les enjeux de l’usage de la big data sur l’efficacite de l’audit
interne.
Mots clés :
Transformation digital, Profession d’audit interne, Intelligence artificielle, Big Data

Analytics.
114
Abstract :
In articles, journals and financial literature, DATA NALYTICS is a branch of Big Data
and Business Intelligence, also called Business Intelligence in French, it is defined as a science
that is interested in data. It includes all the tools (mathematics, statistics, and of course IT, etc.),
technologies, infrastructures, methodologies, allowing the management of large masses of data
and the transmission of essential information to business managers and users. in the simplest
way to improve their understanding and decision-making. Data Analytics makes it possible to
analyze and exploit company data to facilitate decision-making. Data (or Big Data) can thus be
seen as the new asset of companies. It must be grouped, analyzed, aggregated and collected
beforehand. Far from a photographic vision of financial data and especially of the economic
health of the company (income statement and especially balance sheet), it is a question of
moving from static data to dynamic data live at the nano-second pre.
Analyzing the huge amounts of data coming from the market, and doing so in real time,
allows companies to make the right strategic decisions and take intelligent actions. A good
mastery of Big Data therefore makes it possible to improve customer engagement, increase
revenues and reduce costs.
Business intelligence tools or Data Analytics tools are application software allowing
dialogue with the data. This generally takes place in three stages:
▪Collection, processing and loading;

▪Storage;
▪Data restitution.
In the era of big data and the massive collection of data and the development of machine
learning methods, it has become difficult for the organization to process all its information,
particularly in the audit departments.
The objective of our work is to study the issues of the use of big data on the effectiveness
of internal audit.
Keywords :
Digital Transformation, Internal Audit Profession, Artificial Intelligence, Big Data

Analytics.
115

Memoire

Transféré par

Droits d'auteur :

Formats disponibles

Memoire

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Memoire

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

FACULTE DES SCIENCES ECONOMIQUES, COMMERCIALES ET SCIENCES

Mémoire de fin d’études

Les Enjeux De L’usage De La Big Data Analytics

Présenté par : Encadré par :

Devant le jury composé de :

Président : Mr. SAM Hocine, MCA, UMMTO.

Tout d'abord, j’exprime mes profonds remerciements et respectueuse

Mes vifs remerciements s'adressent également à mes enseignants,

A mes amis Dr Tahar, Fatiha et Farid.

A ma resplendissante Amie Cylia.

Merci d'être toujours là pour moi.

Liste des figures

Figure 1. Les 5 V de la Big Data ............................................................................................................. 9

Contexte générale de l’étude

La société actuelle est en constante évolution. Aujourd'hui, l'une des principales

À l'ère numérique, l'adoption de la technologie devient vitale pour toutes les

Ce processus basé sur les données, ou Data-Driven process, crée et renforce la

Cette étude vise à explorer et à identifier les enjeux de l’usage de l’analytique de

Cette étude vise à :

➢ Expliquer le concept de la technologie Data Analytics et ces sources.

Afin d'examiner l'impact de l’analytique de données sur l'efficacité de l’audit

Afin de répondre à cette problématique 3 questions de recherches sont avancées :

➢ Qu’est-ce que la Data Analytics ? quelles sont ses caractéristiques ?

La méthode de recherche utilisée pour répondre à cette question est la méthode

• H1 : La Data Analytics permet à l’organisation d’améliorer son processus de prise de

Dans la partie théorique composée principalement de 02 (deux) Chapitres on

Dans la partie pratique on procédera à l’étude de cas pour analyser l’expérience

L'objectif de ce chapitre est de présenter un aperçu historique, de définir le

Section 1 : Eclairage Théorique sur le Big Data

Le Big Data est composé de données complexes, provenant essentiellement de

1.1 L’histoire du Big Data

L’expression « big data », d’origine américaine et apparue en 1997, désigne un

de données traditionnelles où la recherche d’information se fait de manière exhaustive

Le « big data » est représentatif du monde hyperconnecté dans lequel nous

1.2 Définition du Big Data

Littéralement, ce terme signifie mégadonnées, grosses données ou encore

Cependant, bien que nombreuses définitions aient été proposées au concept de

Toutefois, une caractérisation fréquente dites des « 3V » propose de les définir

En effet Nussbaumer C. (2015) propose « 5V » dans sa définition du Big Data

autonome avec, à la clé, la constitution des bulles hypothétiques et permettre d’anticiper

3. Les caractéristiques du Big Data

Figure 1 Les 5 V de la Big Data

Source : http://www.microsoft/bigdata/5v. 28/07/2022

La caractérisation de ces big data se fait généralement selon 3 "V", à savoir le

Dans le domaine de la finance et notamment de La business intelligence, les

La vélocité fait référence à la vitesse à laquelle la donnée est créée, C'est un

La variété fait référence à la diversité des formats des données. Le format

La véracité fait référence à la faible fiabilité et au désordre qui règne dans la

Section 2 : Utilisation de la Business intelligence et de la Big Data

2.1 La Business Intelligence

La Business Intelligence (BI) est un ensemble d’outils et de méthodes permettant

Avec la BI (ou informatique décisionnelle), l’utilisateur fonctionne en mode

2.1.1 Les enjeux de la Business Intelligence

L’objectif de l’informatique décisionnelle est de faciliter la prise de décision au

Cela permet aux organisations de mieux comprendre leur environnement de

Elle s’appuie sur la collecte de data, la mise en conformité de ces dernières, le