Datastory #14 – Renforcer la transparence fiscale et approfondir la compréhension des transactions commerciales grâce à la datascience

Ce cas d’usage vise à renforcer la transparence fiscale et à approfondir la compréhension des transactions commerciales effectuées dans le pays en s’appuyant sur l’intelligence artificielle et les grands modèles de langage (LLM)

Pour répondre aux problématiques soulevées par l’usage du formulaire en ligne, la DGI a envisagé une solution de classification automatique des libellés de factures. Pour ce faire, l’équipe DATAGOV a organisé plusieurs ateliers de travail avec la Cellule de gestion des Factures Normalisées afin de cerner les enjeux de standardisation des libellés et proposer une méthodologie adéquate.

L’approche testée s’est appuyée sur des LLM (Large Language Model) pour analyser les libellés des factures et les associer aux catégories établies par l’Institut Nationale de Statistiques et de Démographie (INStaD). Les équipes ont travaillé sur un échantillon de données représentatif des transactions commerciales du pays. Le travail s’est déroulé en plusieurs phases :

• une phase d’exploration et d’analyse des données : ils ont étudié les libellés existants et identifier les principales caractéristiques et structurations des informations ;
• une phase d’homogénéisation des libellés pour améliorer la qualité des données qui seront traitées par le modèle ;
• une phase d’entrainement d’un modèle LLM qui soit capable de catégoriser les libellés en fonction de la nomenclature de d’lNStaD.

Plus concrètement, les équipes ont transmis à un agent conversationnel une liste brute de libellés extraits de factures, accompagnée de la nomenclature officielle. Le modèle a ensuite été chargé de proposer une correspondance entre chaque libellé et une catégorie de produit ou service. Cette approche, simple et rapide à mettre en œuvre, a permis d’obtenir un premier aperçu des possibilités de classification automatique. Il faudra par la suite conduire une phase de tests et d’amélioration pour ajuster et valider les résultats afin d’affiner la classification.

3. Identifier les limites de classification automatique pour améliorer

Cependant, plusieurs limites majeures ont été rapidement identifiées.

D’abord, aucune base de référence fiable n’existe actuellement. Il n’existe pas de table validée liant chaque libellé existant à une catégorie précise. Cela empêche toute forme d’évaluation rigoureuse des performances du modèle, ou d’entraînement supervisé.

Par ailleurs, le manque de contexte rend certaines classifications très incertaines : un libellé comme « zinc » peut désigner un minerai, un matériau de toiture ou un complément alimentaire, sans indication claire. De même, une bouteille de soda peut être vendue par un supermarché, un hôtel ou un restaurant — autant de secteurs d’activité très différents.

Enfin, certaines situations fiscales spécifiques ne peuvent être tranchées qu’en disposant de plus d’information que le seul libellé. Par exemple, dans le cas d’un service de livraison, un même produit peut être exonéré d’Acompte sur l’Impôt assis sur les Bénéfices (AIB), s’il s’agit d’un débours, ou au contraire imposable si c’est une revente. Ce type de subtilité est largement hors de portée d’un modèle opérant uniquement sur du texte brut. En résumé, cette phase exploratoire a montré que l’analyse des libellés constitue un point d’entrée utile, mais ne peut à elle seule répondre aux cas d’usage complexes identifiés par la DGI. Une classification plus fiable nécessiterait d’associer les libellés à d’autres dimensions : profil du contribuable, nature de la transaction, ou encore historique de facturation.

4. Explorer les possibilités de la data science pour améliorer la classification des libellés fiscaux

Ce premier essai de classification automatique des libellés a permis de produire une cartographie exploratoire des produits et services déclarés via les factures. Les résultats obtenus peuvent servir de base pour constituer un référentiel de classification au sein de la DGI. Ces résultats pourront par la suite faire l’objet de nouveaux ateliers avec les agents de la DGI afin d’identifier les cas correctement traités, les erreurs fréquentes et les limites rencontrées.

Par ailleurs, cela a mis en évidence l’intérêt d’une telle démarche, mais aussi la nécessité de renforcer l’environnement de données pour améliorer sa fiabilité. La construction d’une table de référence des libellés catégorisés, validée par des experts métiers, apparaît comme un levier essentiel pour améliorer la précision des classifications et permettre, à terme, l’évaluation ou l’entraînement de modèles plus robustes. Pour aller plus loin dans l’exploitation des données de facturation, plusieurs pistes complémentaires ont été évoquées :

• Croiser les libellés avec d’autres dimensions (secteur déclaré, profil du contribuable, historique de facturation) afin d’augmenter la pertinence des analyses ;
• Détecter les incohérences entre factures d’achat et de vente pour identifier des schémas de facturation fictive ou frauduleuse
• Analyser les chaînes de transaction (acheteur → vendeur) pour repérer des relations anormales ou suspectes
• Modéliser les profils-types de contribuables selon leurs pratiques déclaratives afin de mieux cibler les contrôles
• Intégrer des méthodes de datascience supervisée, en combinant classification, détection d’anomalies et clustering de comportements.

Enfin, ces perspectives suggèrent qu’au-delà des seuls libellés, c’est l’analyse combinée de plusieurs signaux — textuels, structurels et transactionnels — qui permettra à la DGI de renforcer son contrôle et de mieux comprendre la réalité économique derrière les déclarations fiscales.