De la vérification des données à des benchmarks plus pertinents

Chez Cerise+STPF, nous parlons souvent de qualité des données, de fiabilité et d'utilité. Mais derrière ces mots se cache un défi concret : comment examiner davantage d'audits, de manière plus cohérente, et générer des informations utiles pour l'analyse et la comparaison ?

C'est là que l'IA (intelligence artificielle) et l'automatisation peuvent faire une réelle différence.

Nous avons développé des approches de revue automatisées pour faciliter l'analyse des audits SPI Online. À mesure que le nombre d'audits augmente, il devient de plus en plus difficile d'examiner manuellement chaque réponse, chaque commentaire et chaque incohérence. Nous envisageons l'IA et l'automatisation comme un moyen de renforcer la revue par des experts, et non de la remplacer. Notre objectif n'est pas simplement d'automatiser les contrôles et de gagner du temps : il s'agit d'améliorer la qualité des audits, de renforcer l'analyse des données et de produire des comparaisons plus pertinentes.

À cette fin, nous avons développé un processus de revue pour les audits SPI Online qui combine des vérifications structurées, des comparaisons historiques, des informations contextuelles sur les personnes impliquées dans le processus d'audit et une analyse assistée par l'IA afin de nous aider à évaluer plus efficacement la qualité et la fiabilité d'un audit.

Comment cette approche fonctionne-t-elle ?

L'automatisation permet de réduire les tâches répétitives, tandis que l'IA peut apporter une dimension supplémentaire d'interprétation lorsque cela est nécessaire.

Le processus de revue n'évalue pas un audit de manière isolée. Il rassemble les réponses, les commentaires et les informations contextuelles de l'audit provenant de différentes sources, puis effectue une série de vérifications automatisées sur des éléments clés tels que les chiffres du portefeuille, le nombre total d'emprunteurs, la répartition du personnel, les données salariales, les dépôts, les agences, les taux de change et les montants moyens des prêts

Il compare également chaque audit aux données historiques de l'établissement, ce qui nous aide à déterminer si les résultats actuels sont conformes aux soumissions passées ou si un changement soudain nécessite un examen plus approfondi. Cela rend l'analyse beaucoup plus solide : la question n'est pas seulement de savoir si les données sont cohérentes en elles-mêmes, mais si elles sont cohérentes pour cet établissement au fil du temps.

De plus, cette approche apporte un contexte utile autour du processus d'audit lui-même. Par exemple, elle permet de déterminer si des membres de notre Réseau des Pros de la GPSE participent au processus d’audit, et si les utilisateurs liés à l’institution ou au processus d’audit ont suivi les formations en ligne que nous proposons. Cela nous fournit un contexte supplémentaire pour interpréter la qualité de l’audit. Cela nous aide à mieux comprendre l’environnement dans lequel l’audit a été réalisé, le niveau probable de familiarité avec la méthodologie, ainsi que le type de soutien ou de formation qui peut déjà exister.

Au-delà des vérifications quantitative : fourchettes raisonnables et contrôles analytiques.

Une caractéristique importante de ce travail est que la logique de revue va au-delà d’une simple validation par oui ou par non. Elle applique également des contrôles de raisonnabilité et des calculs analytiques pour évaluer si les valeurs déclarées sont plausibles et cohérentes en interne.

Par exemple, le workflow vérifie si certains chiffres se situent dans les fourchettes attendues, tels que les taux de change par rapport aux valeurs de référence actuelles, le montant moyen des prêts, le TAEG, la taille du conseil d’administration ou la rémunération annuelle moyenne. Il compare également les ventilations avec les totaux et vérifie si les valeurs associées s’alignent dans une marge acceptable. De plus, l’analyse examine la cohérence des réponses entre les pratiques au sein des Normes Universelles.

Par exemple, si une institution ne déclare pas d’indicateurs de résultats ou d’impact dans le cadre de la Dimension 1 sur la stratégie sociale, il serait incohérent de déclarer que la direction est évaluée sur les réalisations sociales dans le cadre de la Dimension 2 sur le leadership engagé. Ces contrôles permettent d’identifier les données qui, bien que techniquement complètes, restent peu probables, incohérentes ou difficiles à interpréter.

Certains calculs vont plus loin. Dans la revue de la masse salariale, par exemple, le workflow calcule non seulement la rémunération moyenne globale, mais aussi la rémunération moyenne des femmes et des hommes séparément. Il peut ensuite en déduire des indicateurs supplémentaires, tels que l’écart de rémunération entre les sexes et un ratio de rémunération moyen basé sur l’écart-type.

Ce type de revue quantitative nous permet d’aller au-delà de la simple validation et de nous orienter vers une analyse plus pertinente des tendances, de la cohérence et des anomalies potentielles dans les données.

Une revue qualitative assistée par l’IA

L’intérêt de cette approche ne réside pas seulement dans la vérification quantitative, mais aussi dans la revue qualitative.

Outre les calculs, de nombreux audits incluent des commentaires qui expliquent ou justifient une réponse. Ces commentaires sont extrêmement utiles pour chaque audit afin de les interpréter et de les utiliser dans la prise de décision.

La composante IA aide à évaluer le degré réel d’informativité de ces commentaires. Elle examine si un commentaire explique les pratiques institutionnelles, fournit un contexte utile, renvoie à des documents ou à des entretiens, ou se contente de répéter l’indicateur. Cela permet de distinguer les notes d’audit bien justifiées de celles qui peuvent sembler complètes en apparence mais qui n’apportent qu’une valeur explicative limitée.

En d’autres termes, l’outil se demande : « L’explication est-elle pertinente ? »

Un outil pour une meilleure analyse humaine, et non l'inverse.

L'outil ne remplace pas l’évaluation humaine à l'étape finale.

Il suggère une note de qualité, met en évidence les problèmes et fait ressortir les signaux qui méritent une attention particulière, mais cette évaluation est ensuite examinée et validée par un expert humain de l'équipe.

Cette étape humaine est essentielle. L'automatisation nous aide à appliquer une logique cohérente, à gagner du temps sur les vérifications répétitives et à concentrer notre attention là où cela compte le plus ; l'examen par un expert garantit que l'interprétation finale reste nuancée, fondée et crédible. C'est là que l'IA devient véritablement utile pour Cerise+SPTF : non pas en tant que substitut à l'expertise, mais comme un moyen de la renforcer et de la rendre plus évolutive, plus cohérente et plus percutante. Cela nous aide à nous éloigner d'une lecture purement statique des résultats d'audit pour nous diriger vers une interprétation plus éclairée de la qualité, de la comparabilité et de la fiabilité.

Une approche cruciale pour améliorer le benchmarking

Grâce à la revue systématique de la qualité des audits, la valeur du benchmarking devient évidente.

Si nous voulons que les benchmarks soient pertinents, nous avons besoin de confiance dans les données sous-jacentes. Nous avons également besoin de contexte. En combinant vérifications automatisées, comparaisons historiques, examen qualitatif, informations sur la formation et l'implication du réseau, ainsi que l'examen par des experts, nous pouvons sélectionner des audits de qualité pour produire des benchmarks, des analyses et des états des pratiques qui soient nuancés, fiables et utiles pour le pilotage.