4 conseils pour fluidifier les réconciliations de données
La réconciliation de données est le quotidien de beaucoup d’équipes opérationnelles dans les directions financières : rapprochements comptables, contrôle permanent, réconciliation des remises réglementaires (Anacrédit, COREP, FINREP…). Il s’agit de faire parler entre eux des systèmes qui ne sont pas toujours adaptés. Car si la digitalisation a favorisé chez la plupart des acteurs de la finance la mise en place de systèmes dédiés, ceux-ci sont souvent conçus pour un usage précis. Comment faciliter ces tâches de réconciliation de données ? et ainsi gagner du temps mais aussi réduire les risques opérationnels.
Réconcilier les données : une tâche clef
Rapprocher des données, remonter à la source, identifier les écarts, les justifier, et effectuer des régularisations ou les valider, la réconciliation des données est une tâche quotidienne mais peu attractive pour les collaborateurs des directions financières. Le travail est fastidieux, demande de la rigueur et des capacités d’adaptation à plusieurs outils. Il nécessite aussi un grand nombre de manipulations manuelles. La réconciliation de données joue pourtant un rôle clé dans le traitement des données, le contrôle des flux ou encore la détection des risques causés par des incidents opérationnels, tels que des défauts d’alimentation, des manquements comptables, des retraitements non effectués… Les directions des risques utilisent de plus en plus les résultats de ces réconciliations comme des indicateurs clés des risques (KRI en anglais – « Key Risk Indicator ») par l’intermédiaire d’une collecte dans le service concerné. Des statistiques sont alors effectuées mensuellement avec des seuils d’alerte, prédéfinis par les managers, à ne pas franchir. Des comités peuvent être mis en place sur une périodicité prédéfinie, en incluant les 2 parties responsables. Leur rôle : évoquer les problèmes de réconciliation, les écarts et y remédier ensemble par un suivi renforcé, et la création éventuelle d’ateliers de remédiation. Un des avantages des enjeux de réconciliation réside dans la synergie créée entre les équipes.
Réconciliation de données : des difficultés pratiques
Le silotage entre systèmes contraint à faire dialoguer deux bases d’information souvent totalement distinctes. C’est notamment le cas de la réconciliation entre la comptabilité et les outils opérationnels métiers. La réconciliation passe ainsi bien souvent par de multiples étapes de manipulations plus ou moins manuelles afin d’identifier les écarts. Le volume croissant des données à traiter constitue une difficulté supplémentaire. Le principal obstacle devient alors technique, lié à la capacité limitée des espaces de partage et autres tableurs. Le télétravail accentue cette limite en fonction de la qualité des connexions domestiques.
Considérer la réconciliation comme un processus de génération de données
Pour surmonter ces obstacles, nous recommandons de considérer les réconciliations comme un processus, destinée à produire une donnée. Dans cette approche, le rapprochement comptable peut être vu comme un processus avec, en entrée, deux tableaux issus d’extractions des différents systèmes à comparer et en sortie une donnée calculée ligne à ligne qui doit être égale à zéro. Dans ce processus interviennent une succession de tâches de transformation des données d’entrée hétérogènes brutes qui visent à suivre, remédier et justifier les écarts de comptabilité. Repenser le rapprochement des données revient donc à une analyse de processus.
Un enjeu classique de science des données
Dès lors, l’enjeu de la réconciliation de données entre dans le champ de la Data science. Il s’agit d’opérations d’unification, de nettoyage, de traitement de la donnée. La réconciliation de données est ainsi un problème de data science comme un autre. Et toutes les méthodes permettant d’accélérer le processus et de le systématiser sont applicables. Le schéma ci-dessous en représente les principales étapes :
Quatre conseils pour fluidifier et sécuriser les réconciliations de données
- 1er conseil : faire converger les sources vers un format unique cible Cela nécessite de travailler sur les étapes les plus en amont du processus de production de données.
- 2ème conseil : adopter une vision processus pour créer le pipeline de données Il s’agit ici de considérer la succession des opérations / tâches à réaliser.
- 3ème conseil : Dessiner le pipeline L’objectif est de transposer le processus dans l’outil analytique choisi. Pour un processus récurrent, le recours à un outil de Business Intelligence pourra s’avérer pertinent pour automatiser le flux conçu. Pour des usages plus ponctuels, notamment à fins d’audit interne, il peut être plus utile de concevoir un pipeline ad hoc.
- 4ème conseil : exploiter pleinement les outils et les méthodes de Data science La data science, ce n’est pas que l’IA ou de l’analytics avancé. Une partie des outils et méthodes utilisés par les data scientists sont parfaitement adaptés à l’amélioration des opérations de réconciliations de données.