Faire passer la datascience fiscale et douanière du prototype à l’usage métier
- Client : Expertise France / D4D Hub
- Août 2024 - Mai 2025 (9 mois)
- Mots clés : Datascience, Fiscalité, Douanes, Intelligence artificielle, et Formation
Le contexte
Dans la continuité du projet DATAFID, Data Governance in Africa vise à accompagner les administrations fiscales et douanières africaines dans l’appropriation concrète de la science des données. DATAFID avait permis de poser les bases : un datalab, des formations, des travaux pratiques, des premiers cas d’usage et une communauté émergente d’agents publics capables de mobiliser la donnée au service de la mobilisation des ressources intérieures.
Data Governance in Africa s’inscrit dans cette trajectoire, avec une ambition plus opérationnelle encore : capitaliser sur les acquis de DATAFID pour développer des produits data directement utiles aux administrations. Le projet ciblait initialement quatre pays, cinq cas d’usage et un défi de type hackathon, autour de sujets fiscaux et douaniers : suivi des recettes, incivisme fiscal, risque douanier, valeur en douane et analyse miroir.
Numéricité est intervenue pour transformer ces intentions en cas d’usage concrets, construits avec les administrations du Bénin, de Côte d’Ivoire et du Sénégal. L’enjeu n’était pas seulement de “faire de la data”, mais de répondre à des irritants métier très précis : réduire le temps passé à produire des rapports, améliorer le ciblage des contrôles, fiabiliser la valeur en douane, automatiser des indicateurs ou encore mieux comprendre l’économie numérique.
Le challenge
Le résultat
Notre approche
Comme pour DATAFID, nous avons fait le choix de partir des usages, et non des outils. Une administration fiscale ou douanière ne devient pas “data-driven” parce qu’elle installe un tableau de bord ou un modèle d’IA. Elle le devient lorsque ses agents sont capables d’identifier un problème métier, de qualifier les données disponibles, de construire un traitement reproductible et d’intégrer les résultats dans leurs pratiques quotidiennes.
1. Sélectionner des cas d’usage réellement utiles
Le projet a d’abord consisté à identifier, avec chaque administration, les cas d’usage présentant le meilleur équilibre entre impact métier, faisabilité technique et disponibilité des données. Nous nous sommes appuyés pour cela sur un catalogue de cas d’usage ayant prouvé leur pertinence au cours du projet DATAFID. Les échanges avec les différentes administrations ont permis de les adapter aux problématiques particulières et aux orientations stratégiques.
Au Bénin, deux cas ont été travaillés avec la Direction générale des Douanes : le suivi des recettes douanières et l’analyse miroir. Le premier répondait à un irritant très concret : la production manuelle d’indicateurs, chronophage et source d’erreurs. Le second visait à confronter les données douanières nationales avec les données Comtrade afin de mieux détecter les écarts et d’améliorer l’efficacité des contrôles.
En Côte d’Ivoire, les cas d’usage ont porté sur l’automatisation de rapports douaniers, la détermination de la valeur en douane et l’analyse du risque fiscal. Au Sénégal, l’administration fiscale a travaillé sur la surveillance du commerce électronique à partir de plateformes d’annonces en ligne.
2. Constituer des taskforces mixtes
Chaque cas d’usage a été construit avec une taskforce mêlant agents métier, profils data, équipes SI et sponsors de haut niveau. Cette organisation reprend l’un des enseignements forts de DATAFID : un cas d’usage data ne peut pas être porté uniquement par des experts techniques. Il doit être compris, discuté et approprié par les services qui en feront usage.
Cette logique a permis d’éviter l’écueil classique du “prototype vitrine” : un outil impressionnant en démonstration, mais déconnecté des routines administratives.
3. Transformer les données disponibles en produits exploitables
Une part importante du travail a porté sur la qualification, le nettoyage et la consolidation des données.
Au Bénin, les données historiques provenaient de Sydonia, tandis qu’une migration était en cours vers Customweb. Il a donc fallu penser une architecture capable de consolider deux systèmes différents, avec des bases distinctes, pour produire un suivi cohérent des recettes.
En Côte d’Ivoire, la détermination de la valeur en douane supposait de consolider des sources externes, d’harmoniser les unités de marchandises et de structurer une base de données valeur réutilisable par les agents.
Au Sénégal, les données issues de plateformes d’annonces ont dû être récupérées, dédoublonnées, nettoyées puis croisées avec les données internes de la DGID pour identifier des profils à risque.
4. Installer une infrastructure lorsque le cas d’usage l’exige
Le projet a aussi montré qu’un cas d’usage data ne tient pas seulement à un script ou à un tableau de bord. Dans certains cas, il nécessite une infrastructure durable.
Au Bénin, l’accompagnement a conduit à l’installation d’un serveur data permettant d’agréger, stocker et visualiser les données dans une logique de modern data stack. L’objectif était de proposer une infrastructure souveraine, pérenne et maîtrisée, capable de faire la jonction entre données historiques, nouvelles données et sources internes ou externes.
Cette bascule est importante : elle marque le passage d’un projet exploratoire à une capacité interne de traitement et de pilotage par la donnée.
5. Expérimenter l’IA là où elle répond à un irritant réel
Plusieurs cas d’usage ont permis d’explorer des techniques d’IA, sans jamais les présenter comme une solution magique.
En Côte d’Ivoire, un générateur automatique de notes de suivi d’activité a été conçu pour réduire le temps de production des rapports de la DSEE. Le gain est très concret : un rapport qui nécessitait jusqu’à 8 jours de travail pouvait être généré en 15 minutes dans la version démontrée.
Un autre cas a mobilisé des techniques de machine learning pour classifier automatiquement des libellés de facturation, afin de réduire le temps d’analyse sectorielle et de poser les bases de futurs indicateurs de fraude.
L’analyse de risque fiscal a, elle, mobilisé des traitements sur des données issues de rapports financiers et des sources externes, avec l’objectif d’améliorer la détection des contribuables à risque, notamment dans le secteur aurifère.
6. Former par le faire
Comme dans DATAFID, la montée en compétences n’a pas été conçue comme une formation descendante. Les agents ont été formés à travers la réalisation des cas d’usage eux-mêmes : ateliers immersifs, travaux pratiques, revues de données, démonstrations, documentation et restitution.
Cette approche a permis d’ancrer les apprentissages dans les contraintes réelles des administrations : disponibilité des données, qualité des systèmes d’information, pratiques de contrôle, arbitrages métier, besoins de supervision.
Afin de mettre en oeuvre leurs connaissances, un hackathon a été organisé. Trois défis étaient proposés aux participants :
- l’automatisation de la prévision des recettes ;
- l’analyse et l’établissement de prix de référence ;
- la classification intelligente des produits pour la tarification douanière.
Ce format a permis de prolonger la logique du projet : apprendre en faisant, valoriser les agents et faire émerger de nouvelles initiatives data au sein des administrations fiscales et douanières.
7. Capitaliser et diffuser
Le projet a fait l’objet d’un important effort de capitalisation : fiches cas d’usage, codes, documentations techniques, supports d’ateliers, vidéos de démonstration et datastories.
Ces contenus permettent de conserver la mémoire du projet, mais aussi de rendre les cas d’usage compréhensibles par d’autres administrations. C’est l’une des différences importantes entre un simple développement technique et une démarche de transformation : ce qui est produit doit pouvoir être réutilisé, adapté et discuté ailleurs.
Pour en savoir plus sur nos cas d’usage, ça se passe ici