Mieux cibler
les contrôles.

La MEL disposait déjà d’une application interne pour contrôler les mandats avant leur transmission au comptable public. Le processus associait des règles paramétrées et des validations réalisées par les agents. Notre objectif était d’explorer l’ajout d’une fonctionnalité d’IA pour automatiser une partie de l’évaluation du risque et mieux orienter les contrôles humains.

J’ai participé à l’exploration des ressources, à l’analyse de leur qualité et à la sélection d’un périmètre exploitable. Les données décrivaient surtout les opérations financières et leur processus de contrôle. Nous avons identifié les informations contextuelles complémentaires nécessaires pour approfondir l’évaluation du risque.

Je me suis principalement consacré au nettoyage, aux transformations et aux statistiques descriptives. Dans Microsoft Fabric, avec l’utilisation d’un Lakehouse, nous avons préparé les données nécessaires aux analyses et aux essais des modèles.

Le travail SQL comprenait le rapprochement des opérations avec leurs rectifications historiques, la sélection des champs utiles et la traduction des codes métier en catégories lisibles. Les décisions sur les modèles et leur évaluation étaient collectives ; deux coéquipiers se concentraient sur leur développement et leurs tests.

Avec une coéquipière, j’ai participé à la réalisation du rapport Power BI. Nous avons croisé les statuts de rejet ou de validation avec les caractéristiques des opérations pour rendre les données compréhensibles et explorer les périmètres les plus concernés.

Les analyses mobilisaient notamment les montants, les entités budgétaires (budget général, eau, assainissement, transports…), les types de liquidation, les classes comptables et les moyens de paiement. J’ai également contribué à la préparation de la restitution devant un jury métier, technique et académique.