Il y a peu, un assistant d’audit qui testait les écritures de journal en sélectionnait quelques dizaines dans un fichier, les justifiait une à une et concluait sur l’échantillon. Aujourd’hui, dans beaucoup de cabinets, le même assistant importe l’ensemble des écritures de l’exercice dans un outil d’analyse, applique des filtres de risque à toute la population et ne justifie que les écritures qui en ressortent. Ce changement, qu’on regroupe sous le nom de data analytics, modifie le quotidien des missions et ce que les cabinets attendent des candidats. Cet article explique ce qui change, les analyses les plus courantes, les compétences réellement demandées selon le grade, comment se former sans devenir data scientist, comment le montrer dans une candidature, et les limites de ces outils.
Du sondage au test exhaustif des écritures
L’audit repose depuis toujours sur une logique d’échantillonnage : on ne peut pas tout vérifier, on sélectionne donc des éléments représentatifs ou à risque. Les outils d’analyse de données permettent désormais de traiter une population entière en quelques minutes, à condition de disposer d’une extraction fiable.
Concrètement, cela change trois choses :
- la sélection : au lieu d’un échantillon aléatoire, l’auditeur cible les éléments qui présentent des caractéristiques de risque, sur toute la population ;
- la couverture : certains tests, comme la recherche de doublons ou de séquences de factures manquantes, deviennent exhaustifs ;
- la documentation : l’outil garde la trace des traitements réalisés, ce qui permet à un relecteur de refaire le chemin.
Les normes d’exercice professionnel n’imposent pas d’outil, mais elles demandent de réunir des éléments probants suffisants et appropriés et de prendre en compte l’environnement informatique de l’entité. Les cabinets ont fait de l’analyse de données un moyen de répondre plus efficacement à ces exigences. Les grands réseaux recrutent d’ailleurs des profils techniques dans leurs équipes d’audit, comme le montrent les pages carrières qui présentent leurs métiers tech ou leurs programmes mêlant audit financier et spécialisation technologique.
Les analyses de données les plus courantes en mission
Les tests sur les écritures de journal. C’est l’usage le plus répandu. On importe le fichier des écritures, on vérifie qu’il est complet (rapprochement avec la balance), puis on applique des critères : écritures manuelles, passées après la clôture ou le week-end, montants ronds, utilisateurs inhabituels, comptes rarement mouvementés, libellés vagues. Les écritures sélectionnées sont ensuite justifiées.
La revue analytique détaillée. Analyse des marges par produit, par site ou par mois ; évolution des délais de paiement clients et fournisseurs ; comparaison des charges de personnel avec les effectifs. L’objectif est d’identifier les variations qui demandent une explication.
Les rapprochements entre systèmes. Rapprochement entre le logiciel de facturation et la comptabilité, entre la paie et les déclarations sociales, entre le système de gestion des stocks et la balance.
Les tests de doublons et de séquences. Recherche de factures fournisseurs payées deux fois, de numéros de factures clients manquants, de fournisseurs créés en double avec des coordonnées bancaires différentes.
L’analyse des droits d’accès. En lien avec l’audit IT, identification des utilisateurs qui ont des droits incompatibles, comme créer un fournisseur et valider son paiement.
Compétences attendues d’un assistant, d’un senior
Les attentes varient selon le grade, et il faut distinguer les compétences d’un auditeur de celles d’un spécialiste.
Pour un assistant, les cabinets attendent :
- une très bonne maîtrise du tableur : tableaux croisés dynamiques, fonctions de recherche, Power Query ;
- la capacité à vérifier l’exhaustivité d’une extraction avant de l’analyser ;
- la compréhension des tests standard proposés par l’outil du cabinet et l’interprétation de leurs résultats ;
- de la rigueur dans la documentation des traitements.
Pour un senior, s’ajoutent :
- la conception des analyses adaptées au client et aux risques identifiés ;
- l’échange avec la DSI du client pour obtenir des extractions fiables ;
- la capacité à expliquer les résultats à l’équipe et au client ;
- la coordination avec les spécialistes data ou IT du cabinet.
Pour un spécialiste (data analyst d’audit, auditeur IT), les cabinets cherchent des compétences plus techniques : SQL, Python ou R, outils de préparation de données comme Alteryx, visualisation, parfois connaissance des structures de bases de données des ERP. La frontière entre ces métiers et ceux de la data est fine : l’article qui distingue le data analyst du data scientist 🔗 aide à situer ces profils.
Se former sans devenir data scientist
Un auditeur n’a pas besoin de devenir développeur pour tirer parti des données. Quelques étapes suffisent pour gagner en autonomie.
- Consolider le tableur. Power Query et les tableaux croisés dynamiques couvrent une grande partie des besoins d’un assistant. C’est le premier investissement à faire.
- Apprendre l’outil du cabinet. Les cabinets forment à leurs outils d’analyse ; demander à participer aux missions où ils sont utilisés est le meilleur apprentissage.
- S’initier à un outil spécialisé. IDEA, ACL ou Alteryx proposent des formations et des certifications d’éditeur ; certains masters les intègrent.
- Découvrir SQL. Comprendre une requête de sélection, une jointure et une agrégation suffit pour dialoguer avec une DSI et vérifier une extraction.
- Visualiser. Power BI ou Tableau permettent de produire des analyses lisibles pour l’équipe et le client.
Le plus important est de pratiquer sur des cas réels, en mission, plutôt que d’accumuler des formations théoriques.
Montrer ces compétences dans sa candidature
Sur le CV, chaque compétence data doit apparaître dans une ligne d’expérience qui décrit une analyse réelle :
-
Avant : « Compétences en data analytics. »
-
Après : « Tests exhaustifs des écritures de journal de 6 clients sous IDEA (contrôle d’exhaustivité de l’extraction, filtres sur les écritures manuelles de fin d’exercice), 40 écritures sélectionnées et justifiées. »
-
Avant : « Maîtrise de Power BI. »
-
Après : « Tableau de bord Power BI de revue des marges par site, réutilisé sur les mandats du secteur. »
Notre article sur les logiciels d’audit sur un CV détaille la manière de présenter la rubrique outils, et l’exemple de CV d’auditeur IT montre un profil qui combine audit et analyse de données.
En entretien, attendez-vous à une question du type : « Comment testeriez-vous les écritures de journal d’un client ? » Une bonne réponse commence par l’exhaustivité de l’extraction, cite quelques critères de risque, et finit par la justification des écritures sélectionnées. Notre article sur le cas pratique en entretien d’audit propose un cas d’écriture suspecte à travailler.
Limites et rôle du jugement professionnel
Les outils de données ne remplacent pas l’auditeur. Trois limites sont à garder en tête, et à savoir exprimer en entretien.
La qualité des données. Une analyse exhaustive sur une extraction incomplète donne une fausse assurance. Le contrôle d’exhaustivité et d’exactitude des données est le premier test, pas une formalité.
Le sens des résultats. Un filtre fait ressortir des écritures inhabituelles ; c’est l’auditeur qui juge si elles sont anormales, en fonction de sa connaissance du client.
Les zones de jugement. Les estimations comptables, les provisions, les dépréciations ou la continuité d’exploitation ne se testent pas par un algorithme : elles demandent du scepticisme professionnel, des échanges avec la direction et une conclusion argumentée.
Un candidat qui maîtrise les outils et qui sait en expliquer les limites rassure davantage qu’un candidat qui les présente comme une solution à tout. Pour mettre ce profil en avant, l’éditeur de CV structure vos expériences sur une page et produit un PDF lisible par les logiciels de tri, qui repèrent les noms d’outils et les méthodes que vous citez.
Sources
- KPMG France, les métiers tech chez KPMG 🔗.
- Deloitte France, Excellence Track Program, audit financier et spécialisation tech ou ESG 🔗.
- Haute Autorité de l’audit, référentiel normatif des commissaires aux comptes 🔗.
Questions fréquentes
Faut-il savoir coder pour travailler en audit aujourd’hui ?
Non pour la plupart des postes d’auditeur. Une très bonne maîtrise du tableur et des outils d’analyse du cabinet suffit. Le code devient utile pour les profils spécialisés.
Les tests exhaustifs remplacent-ils l’échantillonnage ?
Pas complètement. Ils remplacent certains sondages, notamment sur les écritures de journal ou les doublons, mais beaucoup de procédures (confirmations, inventaires, estimations) restent fondées sur des sélections et sur le jugement.
Une formation en data est-elle valorisée par les cabinets ?
Oui, surtout si elle s’accompagne de bases solides en comptabilité. Les cabinets recrutent aussi des profils d’ingénieurs ou de data analysts pour leurs équipes spécialisées.
Comment parler de data analytics sans expérience de cabinet ?
En décrivant un projet concret : analyse de comptes publiés, mémoire, projet de master sur un jeu de données réel. Ce qui compte est de montrer la démarche, de l’extraction à la conclusion.