Les administrations douanières ont de nombreux défis à relever lorsqu’il s’agit de préserver l’équilibre délicat entre facilitation des échanges légitimes et lutte contre le trafic illicite, et trois de ces défis semblent communs à toutes les administrations.

Le premier tient au manque de personnel par rapport à la charge de travail. Cela a toujours été un problème majeur mais, aujourd’hui, du fait de la croissance incessante du commerce électronique transfrontière, les envois que les agents des douanes doivent suivre se sont multipliés, tout comme les formalités administratives et le nombre de parties prenantes.

Ces difficultés sont encore exacerbées par le deuxième défi commun : souvent, les enquêteurs des douanes et les administrations doivent analyser d’énormes quantités de données, généralement dispersées entre plusieurs sources disparates, ce qui fait qu’il est extrêmement difficile de détecter efficacement les infractions douanières.

Le troisième défi réside dans le fait que, même dotées d’un effectif suffisant et d’une capacité à traiter efficacement les données, bon nombre d’administrations douanières ne partagent toujours pas d’informations exploitables avec les autres administrations, laissant la porte ouverte aux fraudes et à l’inefficacité.

Face à tous ces problèmes, les autorités douanières doivent travailler plus intelligemment et plus efficacement. Pour cela, elles peuvent mettre l’accent non plus sur la gestion des risques mais bien sur l’intelligence décisionnelle. Cette approche se compose de trois couches : la fusion des données, des analyses avancées recourant notamment à des modèles reposant sur l’apprentissage automatique, et une interface d’aide à la décision qui permet l’examen des données et la collaboration grâce à un tableau de bord unique. En laissant la technologie faire le gros du travail, les organisations douanières pourraient atténuer les deux premiers défis et faciliter la résolution du troisième. Elles pourraient ainsi, en fin de compte, aller au-delà des enquêtes rétrospectives pour détecter des tendances et des schémas et, surtout, prendre des décisions fondées sur des données à tous les niveaux de leurs opérations.

Passer à l’intelligence décisionnelle, qu’est-ce que cela signifie ? Plutôt que d’envisager un conteneur ou un envoi à la fois, les autorités douanières peuvent utiliser une variété de techniques d’exploration pour mettre au jour des informations cachées dans les mégadonnées. Elles pourraient par exemple avoir recours à l’analyse des liens (figure 1) – parfois appelée visualisation en graphique ou en réseau – pour révéler des liens suspects entre les envois, les expéditeurs, les agents en douane et même les marchandises et des événements passés capturés par l’administration. Elles obtiendraient ainsi des renseignements exploitables en fusionnant, en modélisant, en analysant et en visualisant les données.

De nos jours, de nombreuses autorités douanières utilisent couramment des solutions informatiques d’évaluation des risques pour définir des priorités quant aux conteneurs ou aux colis à vérifier. Mais cela exacerbe les problèmes de personnel, puisqu’elles se retrouvent face à des listes extrêmement longues d’envois à examiner, malgré les priorités établies. Il s’agit d’une solution tactique à un problème stratégique qui amène les agents des douanes à inspecter de nombreux conteneurs ou colis ou, pour gagner du temps, à procéder à des contrôles aléatoires.

En optant pour une méthode globale reposant sur l’intelligence décisionnelle, les enquêteurs des douanes pourront mettre au jour des tendances temporelles ou géographiques et des liens qui donneront des indications sur les conteneurs à inspecter, ce qui permettra de mieux exploiter les effectifs limités. Au lieu de devoir inspecter 200 conteneurs par exemple, les agents se concentreraient sur une liste plus courte d’envois pour lesquels le risque de sous-évaluation ou de contrebande est plus élevé.

Mais l’intelligence décisionnelle ne permet pas seulement la définition de cibles à court terme. Elle vise aussi à mettre au jour des méthodes de fraude douanière que l’agent a du mal à repérer de son point de vue. Par exemple, en identifiant un agent en douane qui « se trompe » systématiquement dans la classification des marchandises et leur assigne des codes incorrects du Système harmonisé (SH). Un éclairage de ce genre donnerait une décision très différente du résultat de la solution tactique décrite ci-dessus.

En utilisant des méthodes fondées sur les données pour déceler les tendances en matière d’infractions douanières, les autorités douanières peuvent gagner en efficacité dans leurs inspections et mieux les cibler. Avec, à la clé, une augmentation des recettes perçues et une optimisation du dédouanement.

Exploiter la puissance des mégadonnées suppose une démarche fondée sur les données. Mais le défi que les mégadonnées représentent pour les autorités douanières est d’une ampleur colossale, même dans le plus petit des États. Ainsi, un pays de seulement quelque millions d’habitants peut compter 9 bases de données et plus de 4,5 milliards d’entrées – un volume de données étourdissant s’il faut le gérer manuellement ou dans des systèmes informatiques disparates.

Ce problème est d’une telle ampleur que l’OMD a défini un modèle de données en vue de faciliter l’échange électronique de données entre les autorités et les opérateurs commerciaux, ainsi que l’échange d’informations entre douanes. Ce modèle répond ainsi aux défis que représentent l’écrasante masse de données et la coexistence de systèmes informatiques disparates, ainsi que le partage d’informations pour améliorer le renseignement et l’efficacité des douanes dans les contextes transfrontaliers.

Les données sont évidemment cruciales pour les processus décisionnels et douaniers. Mais elles perdent en utilité lorsqu’elles proviennent de sources disparates, qu’elles sont à la fois structurées et non structurées et qu’elles se trouvent dans des systèmes informatiques distincts. Les autorités douanières ont accès à de nombreuses sources de données, parmi lesquelles les registres des entreprises, des rapports (manifestes, connaissements, factures), des bases de données gouvernementales et des bases de données d’autres organisations douanières. Ces sources fournissent différents types de documents qui peuvent être croisés, mais les interfaces, réseaux ou autorisations des bases de données ne sont pas forcément les mêmes, ce qui fait qu’il est plus difficile de consulter et d’utiliser les données.

Une fois que l’autorité douanière est parvenue à regrouper toutes les données dans un seul système informatique, apparaissent les difficultés inhérentes au traitement des données non structurées, parmi lesquelles les images, les vidéos, les contenus multimédias, les documents manuscrits numérisés ou encore les images radiographiques. Ces données se trouvent parfois dans un ordinateur, parfois dans un téléphone et parfois dans des archives. De ce fait, il n’est pas facile d’établir des corrélations dans ces informations, qu’il est impossible d’extraire et de croiser avec d’autres bases de données. L’objectif est de fusionner les données et d’extraire les métadonnées de sorte à permettre les corrélations et la mise au jour des renseignements qu’elles renferment.

Les autorités douanières devraient également envisager d’utiliser certaines sources de données externes. Les réseaux sociaux, par exemple, peuvent aider les enquêteurs des douanes à identifier les trafiquants d’armes. On sait que certaines applications de messagerie sont utilisées pour la vente de drogues. Les autorités pourraient obtenir de nouveaux éclairages et identifier des contrevenants potentiels en collectant les données provenant de ces sources. Les places de marché en ligne sont une autre bonne source permettant aux douanes d’analyser – à grande échelle – les prix des articles entrant dans un pays et de vérifier les taxes dues. Enfin, les systèmes de suivi des mouvements des personnes et des navires tels que le SITA, l’AIS et d’autres peuvent fournir des données utiles aux autorités douanières et les aider à se préparer à l’arrivée des envois ou des personnes, pour ainsi affecter leurs ressources en conséquence. Ils sont également un moyen de repérer les mouvements suspects de certains envois et de faire apparaître des violations telles que les transbordements. Généralement, les autorités douanières n’utilisent pas ces sources de données externes qui pourraient pourtant améliorer le renseignement et la prise de décision fondée sur les données.

Pour détecter les infractions douanières d’un bout à l’autre de la transaction et pour gagner en efficacité, les données provenant d’autres organismes douaniers sont également très utiles. En mettant leurs données en commun, les administrations douanières peuvent mieux se préparer à l’arrivée de personnes et d’envois et ainsi affecter leurs ressources de manière plus stratégique. L’OMD fournit déjà l’infrastructure pour les collaborations potentielles par l’intermédiaire du Réseau douanier de lutte contre la fraude (CEN). Ces données, fusionnées avec d’autres données détenues par les administrations, pourraient fournir des informations extrêmement précieuses. Par exemple, un pays peut signaler que des activités illégales ont été détectées dans l’un de ses ports et ainsi inciter les autres administrations douanières à examiner plus attentivement les envois en provenance de ce port. En s’appuyant également sur les données historiques des administrations, les autorités conserveraient en outre la possibilité d’agir contre les marchandises illicites déjà dédouanées ou leurs destinataires.

En fin de compte, la mise au jour d’informations pertinentes tient à un équilibre délicat entre les données auxquelles l’administration douanière a accès et la façon dont ces données sont analysées pour en apprendre autant que possible.

Avec autant de données et de sources, les autorités douanières doivent déterminer quelles nouvelles données valent vraiment la peine d’être analysées, en plus des données déjà recueillies et traitées. Les données historiques peuvent fournir une rétrospective et aider à remonter jusqu’aux acteurs ou aux lieux suspects, ce qui pourrait améliorer l’efficacité des saisies. Ce type de rétrospective peut également mettre en évidence les éléments inefficaces dans une administration douanière. Par exemple, si les données montrent qu’un colis a été inspecté trois fois par trois agents différents, cette procédure devrait être signalée comme inefficace et rationalisée à l’avenir.

La qualité des données est un autre facteur déterminant lorsqu’il s’agit de tirer pleinement parti des mégadonnées. Comme indiqué plus haut, les administrations douanières doivent traiter des données de mauvaise qualité et des données non structurées. Les données frauduleuses ou inexactes, des noms orthographiés de différentes manières sur différents documents ou encore des déclarations incomplètes sont quelques exemples de données de mauvaise qualité. Il arrive que les données de ce type soient négligées ou exclues du processus si elles ne peuvent pas être facilement mises à niveau ou corrigées. Quant aux données non structurées, telles que les documents numérisés, les photos et les vidéos, elles nécessitent une analyse supplémentaire grâce à différentes technologies, comme nous l’avons déjà expliqué.

Les autorités douanières doivent trouver des moyens de pallier la mauvaise qualité ou le caractère non structuré de ces données qui proviennent des importateurs, des exportateurs ou d’autres pays et qui échappent au contrôle des autorités douanières. On peut toutefois améliorer la qualité de ces données et les rendre plus exploitables à grande échelle, et gagner ainsi en efficacité, en ayant recours à diverses technologies telles que la reconnaissance optique de caractères (OCR), la recherche approximative (ou recherche floue) et la détection d’objets. En outre, prendre un peu de recul pour s’intéresser à la vue d’ensemble après avoir fusionné les données disparates permet parfois de mettre en évidence des données frauduleuses ou inexactes que l’on n’aurait pas détectées autrement.

Lorsqu’elles appliquent diverses technologies aux données collectées, les autorités douanières peuvent rencontrer des difficultés en matière de propriété des données. Les pays ont adopté différentes réglementations, telles que le RGPD (ou toute autre réglementation locale ou régionale), qui exigent la transparence quant à savoir qui est propriétaire des données, où celles-ci se trouvent, qui y a accès et comment elles sont protégées. Les douanes étant des organismes publics et ayant accès à des données sensibles, cet aspect est important. Il est possible de protéger les données sensibles en brouillant, en pseudonymisant ou en anonymisant certaines données ou certains identifiants. Les autorités douanières peuvent également compartimenter les données ou masquer certains identifiants, pour une protection supplémentaire. Il se peut aussi que l’application aux données de certaines technologies d’analyse, telles que l’apprentissage automatique, soit soumise à des règles ou à des conditions supplémentaires, qui peuvent varier d’un pays à l’autre. La conformité, la sécurité des données et la confidentialité des données sont essentielles, mais elles compliquent l’exploitation des mégadonnées.

L’impact sur les ressources humaines est un aspect important de l’exploitation des mégadonnées pour l’intelligence décisionnelle. Bon nombre d’autorités douanières disposent déjà d’unités d’enquête, d’analystes du renseignement et de spécialistes des données et l’adoption de l’intelligence décisionnelle ne rendra pas superflues ces catégories ou d’autres catégories de personnel douanier. Au contraire, les douanes auront bien souvent besoin d’un plus grand nombre d’analystes du renseignement ou de spécialistes des données. En ayant davantage recours à l’intelligence décisionnelle, les spécialistes des données et les autres experts pourront fournir des informations de plus haut niveau, grandement nécessaires.

L’intelligence décisionnelle permet aussi de mieux exploiter le personnel existant. Aujourd’hui, bon nombre d’autorités douanières ont du mal à gérer et à rester à jour sur plusieurs systèmes. Une solution unifiée d’intelligence décisionnelle peut augmenter la productivité des agents et analystes des douanes grâce à une formation simplifiée et à une expérience utilisateur plus intuitive. En outre, les analystes du renseignement, les agents et d’autres effectifs peuvent être redéployés à des postes mieux adaptés pour tirer parti de leurs compétences et faire gagner l’autorité douanière en efficacité .

La mise en œuvre d’une solution d’intelligence décisionnelle peut être considérée comme une perspective intimidante, coûteuse, voire irréaliste. Elle supposera de connecter le système à toutes les sources de données pertinentes, d’établir un modèle de données et de créer les intégrations nécessaires. Les spécialistes des données devront construire des modèles d’apprentissage automatique dédiés pour faire émerger les informations exploitables et une formation sur le système et les méthodes de renseignement sera nécessaire. Toutefois, à long terme, les avantages en matière de recettes l’emporteront probablement largement sur les coûts du système et de sa mise en œuvre ainsi que du personnel et de la formation nécessaires.

En allant encore plus loin, passer de la gestion des risques à l’intelligence décisionnelle peut aider à prévenir le trafic de drogues, d’armes et d’autres produits de contrebande qui pèsent lourdement sur la société. En effet, l’arrivée de tels produits de contrebande dans un pays augmente la charge de travail des forces de l’ordre et accroît considérablement les coûts des soins de santé.

En modernisant leurs procédures au moyen de l’intelligence décisionnelle, les autorités douanières peuvent révéler des schémas et des liens. Les agents des douanes sont ainsi en mesure de se concentrer non sur des éléments isolés, mais davantage sur la contrebande ou la fraude fiscale. Cela peut également changer l’état d’esprit de ceux qui, au sein des administrations douanières, se sentent submergés par les mégadonnées, et leur permettre d’exploiter tous les types et toutes les sources de données pour obtenir des informations plus précieuses, de manière à accroître les recettes, à empêcher les échanges frauduleux et à fluidifier le commerce licite.

L’intelligence décisionnelle peut également améliorer les communications entre le personnel administratif et les agents des douanes au sein des autorités douanières. Il est important de noter que cette stratégie peut accroître la collaboration mondiale grâce à un meilleur traitement des données, à la mise en évidence automatique des informations qui seront utiles à d’autres administrations douanières, ainsi qu’à la possibilité de mettre ces données et informations à leur disposition.

Pour adopter l’intelligence décisionnelle, la première étape est de recenser les principaux défis opérationnels que rencontre l’autorité douanière, à savoir ceux qui l’empêchent de prendre des décisions efficaces et d’obtenir les informations qui amélioreraient sa prise de décision.

Le processus de modernisation est sans fin (voir la figure 3). Il est recommandé à l’autorité douanière qui souhaite se moderniser de suivre les étapes suivantes : définir ses objectifs, recenser et analyser toutes les données disponibles pour permettre la prise de décisions, utiliser une plateforme d’intelligence décisionnelle pour tirer parti des données et des outils d’analyse, et définir de façon dynamique de nouveaux objectifs à tout moment.

Voici un guide étape par étape pour adopter une approche fondée sur l’intelligence décisionnelle :

• Définir les objectifs
  1. Quels sont les principaux types de fraude douanière à prévenir ?
  2. Comment les opérations douanières peuvent-elles gagner en efficacité s’agissant de ___ ? (Compléter)
  3. Quels sont les pays ou types de contrebande qui présentent le plus grand risque ?
  4. Quels produits de contrebande, recettes non perçues ou personnes aimerions-nous détecter ?
• Recenser les sources de données disponibles*
  1. Déclarations en douane, connaissements et manifestes
  2. Recueils gouvernementaux
  3. Données tirées des opérations douanières
  4. Données provenant d’autres administrations douanières
  5. Traceurs GPS
  6. Sources publiques : réseaux sociaux, places de marché

* Les données doivent être accessibles et utilisables dans le respect des différentes réglementations.

• Définir et créer des analyses personnalisées
  1. Notation des risques sur mesure basée sur des échantillons de données réelles provenant de l’autorité
  2. Modèles personnalisés d’apprentissage automatique et d’intelligence artificielle qui exploitent les données pour des éclairages rapides
  3. Définir et créer des analyses et des visualisations de mégadonnées qui fournissent une vue d’ensemble des données
• Déployer une plateforme d’intelligence décisionnelle
  1. Fusionner toutes les données en un seul endroit
  2. Définir un modèle de données pertinent pour les objectifs fixés
  3. Appliquer l’analyse aux données
  4. Afficher les données et les informations au moyen d’un tableau de bord unique, y compris pour les opérations douanières
  5. Partager, rapporter et collaborer sur les éclairages obtenus
• Prendre des décisions fondées sur les données
  1. Plusieurs colis à l’entrepôt ont été inspectés plusieurs fois en une semaine : en informer automatiquement les agents
  2. Il ressort des statistiques que les téléphones importés du pays X sont plus susceptibles de prendre feu : interdire les téléphones en provenance du pays X
  3. Le modèle de notation des risques indique que les transactions de commerce électronique de l’ordre de 350 à 600 dollars sont souvent mal déclarées et qu’elles ont engendré un important manque à gagner l’an dernier : d’autres analyses rétrospectives et le recouvrement des recettes sont nécessaires
• Retourner à l’étape 1

Malgré les difficultés que cela implique, bon nombre d’administrations douanières ont déjà commencé à penser en termes d’intelligence décisionnelle et non plus de gestion des risques, ce qui ouvre la voie au déploiement et à l’utilisation de ces solutions. L’OMD a fortement contribué à ce changement, soulignant combien les opérations douanières fondées sur les données étaient importantes et plaçant même l’année 2022 sous le thème : « Accélérer la transformation numérique de la douane en développant une culture de la donnée et un écosystème performant. »

Mais il reste beaucoup à faire pour vraiment tirer pleinement parti des données dans la prise de décision opérationnelle et stratégique. Il faut ainsi mettre en œuvre des analyses personnalisées, définir un modèle de données d’enquête approprié et examiner les tendances et les schémas qui ressortent des données et des analyses, et plus uniquement des éventuelles saisies. Ces mesures, ainsi que les conseils mentionnés ci-dessus, devraient permettre aux administrations douanières de gérer efficacement le commerce électronique en expansion constante et de collaborer plus efficacement et avec succès pour lutter contre les infractions douanières, tout en garantissant la libre circulation du commerce légitime.

En savoir +
https://www.cognyte.com/nexyte/customs-investigations-risk-management