Un mémoire de DSCG et une soutenance réussis avec succès !

Le sujet du mémoire était « Intelligence artificielle & Audit : le machine learning au service de la détection de la fraude ».

Nous remercions Léopold Wenger pour la mise à disposition des fichiers (en fin de l'article) et la présentation de son sujet de mémoire. Léopold est Lead Data Analyst et expert-comptable stagiaire chez Chaintrust.

Exemple de mémoire de DSCG : présentation du sujet

De même que les architectes s'interrogent sur le potentiel de l'automatisation du dessin par le BIM et que les juristes pointent du doigt les Legaltechs, les Fintechs commencent à susciter des interrogations dans le monde de l'audit.

Le développement d'outils et de solutions ayant pour objectif l'automatisation des contrôles suggère que les CAC seront amenés à être remplacés par des applications implantées dans les ERP qui analyseraient en temps réel la comptabilité et le contrôle interne.

Rajoutez à cela le changement de cadre juridique avec l'application de la loi Pacte et vous comprendrez le scepticisme de certains auditeurs.

La question est donc de savoir concrètement ce qu'il en est actuellement : La transition est-elle pour aujourd'hui ? Pour demain ? L'humain aura-t-il toujours un rôle à jouer dans l'audit ? Comment s'articulera la cohabitation entre le jugement professionnel du CAC et les outils d'IA ?

Les limites propres à notre condition humaine sont nombreuses. Les économistes tels que Kahneman, Simon, Tversky ou plus récemment Thaler ont démontré et modélisé une multitude de biais décisionnels qui empêchent l'optimisation de l'allocation des ressources.

Qu'il s'agisse de biais cognitifs ou émotionnels, l'outil informatique justifie sa place dans l'aide à la décision par le fait qu'il permet généralement d'avoir une complétude de l'information.

Le machine learning offre la possibilité d'aller encore plus loin dans l'aide à la décision et tend à se substituer au décideur dans sa forme la plus évoluée. Le potentiel de cet outil capable de compléter l'homme, voire de le surpasser, séduit de plus en plus les entreprises et notamment les cabinets d'audit.

Tandis que les équipes de commerciaux et de technico-commerciaux souffrent du syndrome de l'« over expectation » alimenté par l'engouement des entreprises autour de l'intelligence artificielle, du machine learning, du deep learning... les data-scientists et les machine learning engineers s'arrachent les cheveux sur des projets d'implémentation de ces technologies.

Seul un entrepreneur honnête pourrait vous révéler d'une part à quel point il est difficile de mettre en place ces outils, mais d'autre part avec quelle facilité ils peuvent les « survendre », ne serait-ce qu'avec des termes savants comme « automatisation », « algorithmes », « data », « FinTech » etc.

Bien que dans leurs phases de conceptualisation les outils de machine learning apparaissent comme fiables et pertinents, ils se heurtent à une dure réalité qui est celle de la complexité de l'environnement des entreprises et la maturité de ces mêmes entreprises.

En effet, il est évident que la technologie est apparue trop tôt et que la majorité des organisations ne maîtrisent pas suffisamment leurs propres systèmes d'information afin d'optimiser le traitement de leurs données par un outil d'intelligence artificielle.

Par ailleurs, les contraintes de mise en ½uvre sont intimement liées à la stratégie d'une entreprise, sa capacité de financement et son segment de marché.

Avec des rémunérations parfois très élevées, les développeurs d'outils de machine learning ne sont pas accessibles à toutes les structures, d'autant plus qu'ils ne participent pas directement à la création de valeur ajoutée dans les cabinets d'audit tant que leurs algorithmes ne sont pas mis en service.

La mise en place en interne d'un tel projet suppose alors de repenser la structure financière du cabinet, incluant des besoins de trésorerie plus importants pour les emplois stables. Il existe cependant des solutions de sous-traitance de ces technologies, notamment proposée par les GAFAs, permettant la réduction considérable des coûts de mise en place.

Toutefois, le recours à l'externalisation des calculs dans des serveurs externes entraîne une plus grande responsabilité en matière de transparence vis-à-vis de ses clients et de traçabilité des données pour l'entreprise, mais la soulage des contraintes de cybersécurité.

Le sujet choisi invite à une réflexion sur l'amélioration de l'audit de la fraude dans le cadre des travaux du CAC sur la base du FEC. L'enquête terrain du mémoire a révélé que la principale difficulté réside dans le fait que la fraude relève d'un mécanisme complexe et volontairement dissimulé.

Pour ces différentes raisons, l'automatisation de la détection de fraudes dans les comptes au travers du FEC ou encore de l'analyse du contrôle interne n'en est qu'à ses débuts.

Voici, dans les grandes lignes, les principaux éléments qui ressortent de mon étude sur l'audit, la fraude et le machine learning réalisée dans le cadre de mon mémoire professionnel du Diplôme Supérieur de Comptabilité et de Gestion (DSCG).

Présentation des documents à télécharger : « une version volontairement allégée qui donne le plus important »

À la demande de certains répondants, les interviews ont été retirées et des passages ont été modifiés de sorte à préserver leur anonymat.

Les premières pages concernant le rapport de stage (pratique professionnelle) ont également été supprimées.

Il s'agit d'une version volontairement allégée reprenant la revue de littérature et l'essentiel des conclusions pour que n'importe quel étudiant puisse s'en inspirer et passer rapidement le cap du syndrome de la page blanche.

« La forme du mémoire est très importante pour le jury »

En termes de référentiel, l'UE7 n'est pas autant cadré que peuvent l'être les mémoires universitaires pour lesquels les exigences de contenu et de forme sont très précises.

Ayant préparé mon diplôme au sein de l'ENGDE, j'ai formalisé mon étude selon la méthodologie proposée par M.Leroy, F.Cohen, H.Kontzler et N.Platiau.

Conscient du flou face auquel se retrouvent les étudiants lorsqu'il s'agit de mettre en forme le mémoire, cette équipe pédagogique a édité « UE7 du DSCG – Manuel et guide pratique du mémoire professionnel ».

En feuilletant ce mémoire vous découvrirez la manière dont ils préconisent de structurer la revue de littérature, le choix de l'enquête terrain et, le plus important, le retour à l'employeur de vos conclusions au travers de recommandations et/ou de préconisations.

La forme est très importante pour le jury, la lecture de votre mémoire doit être « ergonomique ». La simplicité des tableaux, des illustrations et des explications est souvent la clef pour se faire comprendre.

Pour finir : quelques conseils aux candidats qui préparent l'UE7 du DSCG

Cependant, n'oubliez pas que la véritable valeur ajoutée réside dans votre capacité à trouver un sujet pertinent qui permet de combler un vide en apportant ce qui manque dans les pratiques (parfois une simple matrice d'analyse permet de faciliter la formalisation d'un process d'audit).

Mais elle réside surtout dans votre capacité à vous entourer des bonnes personnes pour construire votre enquête terrain, c'est-à-dire des professionnels acteurs dans le domaine de votre étude, au fait de votre problématique. N'hésitez pas à être ambitieux, les experts sont généralement ravis de pouvoir partager leur expérience.

En principe, la note de l'UE7 est répartie entre l'écrit (rédaction du mémoire) et la soutenance orale. Dans les faits, l'oral influence souvent la note de l'écrit.

Le jury, composé d'un enseignant chercheur et d'un expert-comptable / commissaire aux comptes, va s'assurer avant tout que vous êtes bien l'auteur de votre étude.

Il est fréquent qu'ils vous posent des questions dont la réponse est dans votre mémoire.

Cela peut sembler déconcertant pour vous mais c'est un moyen de s'assurer que vous êtes à l'origine de ce qui est écrit.

Enfin, soyez en phase avec vos conclusions. Au fur et à mesure de l'entretien, le jury n'hésite pas à intégrer des éléments externes qui n'apparaissent pas dans votre étude de sorte que vous puissiez faire une transposition. Ainsi, veillez bien à rester en cohérence avec les conclusions de votre étude.