ATTENTION/WARNING - NE PAS DÉPOSER ICI/DO NOT SUBMIT HERE

Ceci est la version de TEST de DIAL.mem. Veuillez ne pas soumettre votre mémoire sur ce site mais bien à l'URL suivante: 'https://thesis.dial.uclouvain.be'.
This is the TEST version of DIAL.mem. Please use the following URL to submit your master thesis: 'https://thesis.dial.uclouvain.be'.
 

Pourquoi les données analytiques ne sont-elles pas plus utilisées en audit interne et quelles sont les solutions pour y remédier ?

(2020)

Files

Silvestre_77281800_2020.pdf
  • Open access
  • Adobe PDF
  • 1.35 MB

Details

Supervisors
Faculty
Degree label
Abstract
Les données analytiques s’inscrivent dans le prolongement de la large médiatisation que le Big Data a connue. Les opportunités et bénéfices des données analytiques sont connus de tous, ou du moins en partie. Les métiers de la finance s’en retrouvent affectés, leurs méthodes de travail sont transformées pour gagner en efficacité. Pourtant, selon des études et certains experts, la fonction d’audit interne connait un taux d’implémentation des données analytiques qui est inférieur à ce qu’il devrait être. Ce travail vise à cerner les causes et les solutions qui pourraient être apportées, à travers une étude de la littérature et une enquête empirique auprès de professionnels du secteur. Les résultats démontrent une connaissance et une formation insuffisantes en matière de données analytiques, une qualité des données à améliorer et des bases de données pas toujours complètes. La culture de l’entreprise joue également un rôle, jugée parfois trop vieillissante ou trop bureaucratique. L’ensemble des éléments rencontrés représentent des freins non négligeables, mais pas non plus insurmontables de par leur nature. La première solution issue de l’étude est d’investir dans une cellule réduite de spécialistes des données analytiques qui puissent fournir directement un soutien aux auditeurs internes. En effet, investir dans une formation pointue pour tous les auditeurs internes est trop onéreux étant donné l’évolution constante de ces technologies. La seconde solution est d’améliorer l’encodage des données et de centraliser davantage celles-ci dans un système afin d’en faciliter la récolte, l’extraction des données, ainsi que de permettre une meilleure transversalité. Enfin, la dernière solution consiste à privilégier des outils simples d’utilisation.