Centre de ressources

Intelligence Artificielle: améliorer la détection de doubles paiements

Technologie Runview

Franck Labarre

3 décembre 2020

3 minutes de lecture

Depuis 2002, Runview développe une expertise unique dans le data-mining des données comptables. Chaque année nous auditons plus de 80 milliards d’euros de transactions comptables. En intégrant depuis 2017 des algorithmes d’Intelligence Artificielle, nous améliorons continuellement la détection de doubles paiements, et la précision de nos analyses par la réduction du taux de faux-positifs.

Notre technologie et notre savoir-faire en matière d’analyse exhaustive des données de comptabilité fournisseurs sont reconnus par nos clients, grandes entreprises du CAC40 et SBF120. Comment fonctionnent exactement nos algorithmes ? Qu’apporte concrètement l’Intelligence Artificielle aux analyses que nous menons ? Explications et illustration.


Explorer les données comptables

Le data-mining est un processus qui permet d’explorer des données volumineuses, d’en faire une analyse approfondie depuis différentes perspectives afin de les transformer en informations utiles.

Depuis 2002, nous développons notre outil propriétaire de data-mining au sein de notre département R&D. Lors d’un audit, les données de comptabilité de nos clients sont analysées de manière exhaustive pour y détecter des incidents de comptabilité fournisseurs portant sur les trop-payés fournisseurs (doubles paiements et autres trop-payés) et la TVA déductible omise.

Après avoir importé et modélisé les écritures comptables, notre logiciel effectue les requêtes en s’appuyant sur :

  • des analyses multi-entrées (fournisseur, date, journal, montant…),
  • des algorithmes mathématiques de recherche (similitude exacte/floue, distance de Levenshtein, dispersion des valeurs, classification…),
  • des bases de données (mots clés, fournisseurs clés, typologie d’erreurs…).

Mission après mission, nos méthodologies et algorithmes sont enrichis par nos consultants ainsi que l’équipe R&D.

Depuis 2017, l’utilisation par nos data scientists de technologies d’Intelligence Artificielle renforce encore la performance de nos audits. Nous combinons ainsi des approches d’apprentissage supervisé et non supervisé à la fois pour la recherche de doubles paiements et de TVA déductible omise, et pour l’identification de faux-positifs.


L’apport de l’IA dans la détection de doubles paiements

La méthode d’audit classique pour rechercher un double paiement consiste à identifier dans les écritures comptables des similarités (exactes ou approchantes) parmi le nom et le numéro de tiers, le numéro de facture, le montant facturé, la date de la facture ou les différents libellés des écritures.

L’Intelligence Artificielle complète cette méthodologie. Il s’agit d’appliquer des méthodes statistiques aux algorithmes pour les rendre plus intelligents : c’est ce qu’on appelle le Machine Learning. Cette science moderne permet de découvrir des répétitions dans de vastes ensembles de données, et d’en tirer des prédictions en se basant sur des statistiques.

Dans notre cas, la technique statistique utilisée est le clustering. Les données sont regroupées de manière à ce que dans chaque ensemble (cluster) les données soient les plus proches possibles les unes des autres. Par exemple, un cluster contiendra des écritures regroupées par paire en fonction du montant. Le système compare ensuite ces paires en fonction d’autres variables. S’en suit alors un certain nombre de traitements statistiques visant à rechercher l’anomalie au sein de ces clusters.

BPO057-clusters

Méthode de clustering

Il faut ensuite « nourrir » les algorithmes avec de grandes quantités de données à analyser pour leur permettre de s’entraîner, et finalement d’apprendre. Il existe différentes techniques d’apprentissage :

  • supervisé : on guide l’algorithme en fournissant des exemples étiquetés des résultats attendus,
  • non supervisé : la machine fait elle-même les rapprochements en fonction de caractéristiques qu’elle est en mesure de repérer sans nécessiter d’intervention externe,
  • hybride : mix entre apprentissage supervisé et apprentissage non supervisé.

C’est ce dernier procédé d’apprentissage qui est mis en œuvre par les data scientists de Runview. Concrètement, nous disposons depuis la création de la société d’une importante base de données de résultats validés par nos consultants et nos clients. Cette matière première est le fruit de nombreux audits réalisés pour des sociétés et des secteurs d’activité divers et variés. C’est précisément cet exceptionnel jeu de données qui permet à nos algorithmes de se développer et de délivrer des résultats performants.

Découvrez notre offre d'audit des doubles paiements fournisseurs


Des audits « augmentés »

L’utilisation du Machine Learning dans la détection de doubles paiements aux fournisseurs s’avère particulièrement utile.

En nous appuyant sur un échantillon de 4 missions représentatives qui se sont déroulées en 2019 jusqu’au printemps 2020, nous avons mené une analyse qui illustre de manière quantitative l’apport de l’IA dans la récupération de trésorerie.

La méthode classique augmentée par l’Intelligence Artificielle a permis de détecter, valider et recouvrer 106 doublons pour 831 k€. Et l’IA seule a trouvé 21 nouveaux doublons pour 220k€ (soit 23% du total recouvré en valeur) que les algorithmes dits classiques n’auraient pu identifier. Cela représente un important gain financier pour nos clients.

BPO057-benefices-IA-machine-learning

Nombre et montants des doublons validés et récupérés

Enfin, l’utilisation de l’Intelligence Artificielle réduit le taux de faux-positifs parmi les pistes d’erreurs que remonte notre logiciel : le nombre d’anomalies validées est plus important qu’avec la méthode classique.

L’Intelligence Artificielle est au cœur de beaucoup d’actualités, notamment au sein des entreprises et des administrations, car elle permet de réaliser des projets qui semblaient inenvisageables auparavant. L’administration fiscale s’oriente elle-même vers cette technologie, afin de « mieux cibler » avec « moins de contrôles ». On peut facilement imaginer que l’utilisation de l’IA au sein de la DGFiP va progressivement s’étendre, par exemple pour cibler spécifiquement la fraude à la TVA.


Recovery audit
Découvrez Runview pour les Grandes Entreprises

Découvrir

A propos de l'auteur

Franck Labarre
Franck Labarre

Co-fondateur de Runview

Diplômé de l’Ecole des Mines de Nantes, Franck commence son parcours professionnel en tant qu’ingénieur. En 2007, il rejoint l’aventure Runview et se consacre maintenant à la gestion du département R&D. Il supervise le développement et l’amélioration des algorithmes Runview.

Tous ses articles