Data mining : ce que le fisc en tire vraiment, et où passe la ligne du profilage

Le data mining a un nom français officiel et un cas d'usage public documenté : celui de l'administration fiscale, dont le bilan est plus nuancé que ses taux de réussite.

Joseph Désiré

30 août 202610 min

Le data mining a un nom français officiel, et deux demandes reviennent dans les recherches associées que la quasi-totalité des pages de Business Intelligence ignore : comment on le dit en français, et ce que l'administration en fait réellement.

Commençons par le vocabulaire. La traduction officielle de data mining est exploration de données, publiée au Journal officiel du 27 février 2003. La définition qui l'accompagne est précise : un processus de recherche dans un ensemble de données destiné à détecter des corrélations cachées ou des informations nouvelles.

La fiche officielle donne « datamining » et « data mining » comme équivalents anglais du terme français. Et la Cour des comptes emploie indifféremment « exploration de données » et « fouille de données » pour désigner la même chose.

Ce qui le distingue vraiment du Big Data

La différence la plus utile n'est pas une question de volume, contrairement à ce que suggèrent la plupart des comparatifs. Elle porte sur ce que l'on cherche.

Le data mining classique cherche la causalité, la compréhension du pourquoi, là où le Big Data se satisfait souvent de la corrélation. Une entreprise qui veut savoir pourquoi ses clients partent ne fait pas le même travail que celle qui veut simplement repérer ceux qui vont partir.

Côté méthode, un standard domine depuis la fin des années 1990 : CRISP-DM, né d'une démarche de normalisation, et qui reste le modèle de processus dominant chez les praticiens. Sa longévité dit quelque chose du sujet : les techniques ont changé, la démarche non.

Ce que l'exploration de données sert concrètement à faire

La définition officielle québécoise complète utilement celle du Journal officiel : c'est un « processus de recherche et d'analyse qui permet de trouver des corrélations ou des informations nouvelles, ou encore de dégager certaines tendances à l'intérieur d'un ensemble de données ».

Les exemples qui l'accompagnent disent mieux que n'importe quelle liste de techniques ce que le sujet recouvre : « établir des relations entre certains produits, dégager des tendances saisonnières dans les ventes d'un magasin ou détecter une fraude bancaire ». Trois familles d'usage, l'association, la tendance et l'anomalie, qui structurent l'essentiel des projets réels.

Data mining et OLAP : deux outils qu'on oppose à tort

C'est la confusion la plus fréquente sur ce sujet, et elle tient à ce que les deux répondent à des questions de nature différente.

L'OLAP, dont le terme français privilégié est « traitement analytique en ligne », est défini comme une « technique informatique d'analyse multidimensionnelle, qui permet aux décideurs, en entreprise, d'avoir accès rapidement et de manière interactive à une information pertinente présentée sous des angles divers et multiples ».

La différence est celle de l'initiative. Avec l'OLAP, c'est l'humain qui pose la question et fait pivoter les axes : chiffre d'affaires par région, puis par trimestre, puis par gamme. Avec l'exploration de données, c'est le traitement qui propose une corrélation que personne n'avait demandée.

L'un vérifie une hypothèse, l'autre en fabrique. Les deux cohabitent d'ailleurs dans les mêmes projets, et opposer les deux revient à demander si un tableur remplace une enquête.

Et le machine learning, dans tout ça

L'apprentissage automatique est défini comme un « mode d'apprentissage dans lequel un système d'intelligence artificielle est optimisé sans que son programme soit modifié, pour qu'il acquière de nouvelles connaissances et aptitudes à partir de données ».

La frontière avec l'exploration de données n'est donc pas une question d'algorithme, les deux partagent les mêmes familles de méthodes. Elle porte sur la finalité : le machine learning vise un système qui s'améliore et qui peut « faire des prédictions et rendre des décisions à partir de données, et ce, sans intervention humaine ». L'exploration de données, elle, produit une connaissance destinée à un humain qui décidera.

Entre les deux s'est glissée une troisième notion, l'analytique avancée, définie comme une « analyse des données qui recourt à l'apprentissage automatique et au traitement automatique des langues pour traiter rapidement des mégadonnées ». C'est le terme qui décrit le plus fidèlement ce que vendent aujourd'hui la plupart des plateformes.

Classer ou regrouper : les deux familles de techniques

Les listes de techniques que l'on trouve partout, classification, segmentation, détection d'anomalies, se rangent en réalité derrière une seule distinction, et le vocabulaire officiel la pose clairement.

L'apprentissage supervisé est un « apprentissage automatique dans lequel l'algorithme s'entraîne à une tâche déterminée en utilisant un jeu de données assorties chacune d'une annotation indiquant le résultat attendu ». C'est la famille de la classification : on sait ce qu'on cherche, on a des exemples étiquetés, on demande à la machine de reproduire l'étiquetage. Les usages officiellement cités sont « la reconnaissance d'images et la traduction automatique ».

L'apprentissage non supervisé fonctionne à l'inverse : « l'algorithme utilise un jeu de données brutes et obtient un résultat en se fondant sur la détection de similarités entre certaines de ces données ». C'est la famille du regroupement, et sa fiche officielle donne d'ailleurs « data clustering » comme équivalent anglais. Les exemples retenus sont « l'identification de comportements et la recommandation d'achats ».

La conséquence pratique est décisive au moment de cadrer un projet. Le supervisé exige un historique étiqueté, donc un travail de qualification préalable qui coûte souvent plus cher que le modèle. Le non supervisé s'en passe, mais il rend des groupes qu'il faudra interpréter, et rien ne garantit qu'ils aient un sens métier.

Un résultat ne vaut que s'il est regardé

Dernier point, et il explique pourquoi la visualisation revient systématiquement dans ce sujet. Le quartet d'Anscombe réunit quatre jeux de données « qui ont les mêmes propriétés statistiques traditionnelles, moyenne, variance, corrélation, droite de régression, et sont pourtant très différents » une fois tracés.

Autrement dit, un indicateur agrégé peut rester parfaitement stable pendant que la distribution qu'il résume se déforme. Une exploration de données qui s'arrête au coefficient, sans jamais tracer, passe à côté de ce qu'elle était censée découvrir.

Le cas français le mieux documenté : le fisc

C'est l'angle mort de toutes les pages sur le sujet, alors que les recherches associées le réclament explicitement. L'administration fiscale française pratique le data mining à grande échelle, et son bilan est public.

La DGFiP a lancé le croisement des données en masse en 2016, ce qui a changé ses méthodes de détection de la fraude fiscale. L'effet organisationnel est chiffré : la cellule nationale de data mining fiscal a permis de redéployer 500 emplois sur d'autres tâches.

Les taux de réussite sont élevés. Sur l'impôt sur le revenu, 65 % des dossiers signalés par l'algorithme aboutissent à un rehaussement effectif, et dans 80 % des cas les enquêteurs retiennent le même motif de redressement que celui proposé par l'algorithme.

L'objectif de 50 % des contrôles issus de cette technique est d'ailleurs déjà atteint pour les professionnels. Fait remarquable, l'administration traite désormais ce seuil comme un plafond et non comme un plancher : au-delà, elle considère qu'elle perdrait en diversité de détection.

Le résultat, et il refroidit

Voilà ce qu'aucune page vantant le data mining ne dit, et qui vient d'un rapport de contrôle.

Malgré ces taux, la Cour des comptes constate que ces évolutions ne se sont pas traduites par une progression importante des résultats du contrôle fiscal. Elle relève que le poids de ces dossiers dans les recettes reste relativement réduit, alors même que les outils sont matures.

La leçon est transposable à n'importe quel projet d'entreprise : un modèle qui a raison dans 65 % des cas ne produit pas mécaniquement de la valeur. Entre la détection et le résultat s'intercalent le traitement des dossiers, leur difficulté et le temps humain disponible. Le goulot n'est presque jamais l'algorithme.

Le garde-fou qui accompagne le dispositif

Le traitement du fisc procède à un profilage par analyse prédictive pour identifier les manquements fiscaux potentiels. Deux limites l'encadrent et méritent d'être connues, parce qu'elles constituent un modèle de conception.

Aucun contrôle n'est déclenché par l'algorithme seul : un agent doit avoir analysé le dossier au préalable. Et les données du traitement sont conservées dix ans au maximum.

Quand votre data mining devient du profilage

C'est la frontière que la plupart des projets franchissent sans s'en rendre compte. Le profilage au sens du RGPD est un traitement qui utilise les données personnelles pour analyser et prédire le comportement d'un individu.

Mais la définition exclut explicitement les traitements purement statistiques qui visent une vue d'ensemble sur un groupe. C'est là que passe la ligne : segmenter une base pour comprendre un marché reste de la statistique ; noter un client identifié pour prédire ce qu'il fera devient du profilage, avec les obligations correspondantes.

Une marche de plus existe au-delà : la décision entièrement automatisée, prise par algorithme sans qu'aucun être humain n'intervienne, encadrée par l'article 22 du RGPD. C'est précisément ce que le dispositif fiscal s'interdit en imposant l'analyse préalable d'un agent.

Ce que cela implique côté outillage

Trois questions décident du cadrage d'un projet, et aucune n'est technique. Cherche-t-on une cause ou une prédiction, ce qui oriente la méthode. Le traitement porte-t-il sur des individus identifiés ou sur des agrégats, ce qui décide du régime juridique. Et qui traite les cas détectés, puisque c'est là que se perd la valeur.

Une fois ces réponses posées, l'outil d'informatique décisionnelle sert à alimenter et à documenter la chaîne. Dans notre catalogue de 26 logiciels de business intelligence publiés, les 21 offres facturées au mois vont de 11 € à 1 925 € HT.

L'écart de prix ne recouvre pas une différence de puissance analytique mais de périmètre : notre comparateur permet de voir lesquels tracent l'origine des données et la durée de conservation, ce qui est exactement ce qu'un contrôle demandera.