Kim Qvale (FRA) : la data analytics, l'arme secrète des arbitrages complexes

L’analyse de données (« data analysis ») est souvent la différence entre un résultat favorable et une opportunité manquée dans des arbitrages internationaux complexes et à enjeux élevés. Pour les parties d’un litige, elle peut révéler des éléments factuels cachés que même les équipes juridiques les plus expérimentées pourraient négliger. Pour un tribunal arbitral, elle permet de fonder les décisions sur des éléments mieux informés. Dans tous les cas, au cours d’un arbitrage, il est essentiel pour un expert de trouver l’équilibre entre le récit défendu par son client et son rôle consistant à fournir au tribunal des analyses objectives et fiables.

Les données requièrent en général une collecte exhaustive, un nettoyage rigoureux et des évaluations de qualité qui incluent des tests d’exhaustivité. Une définition précise (i) du périmètre des données pertinentes (par exemple zones géographiques, uni‑ tés opérationnelles, période concernée), (ii) des besoins de stockage et (iii) des spécificités techniques est indispensable pour formuler des demandes de données exactes permettant de capturer toutes les informations nécessaires. Cela permet ensuite d’utiliser l’analyse des données pour rendre les prétentions contractuelles plus pertinentes et convaincantes dans les arbitrages.

En revanche, l’un des principaux défis survient lorsque les conseils juridiques réalisent tardivement qu’ils ne disposent ni des compétences ni des outils nécessaires pour exploiter les données collectées. À ce stade de la procédure, il est souvent trop tard ou trop complexe pour modifier les demandes de données antérieures ou d’en formuler de nouvelles. Les conseils risquent alors de passer à côté d’éléments déterminants en raison de données incomplètes ou de mauvaise qualité.

La data analytics est souvent la différence entre un résultat favorable et une opportunité manquée

Le recours à des experts en data analytics permet donc de surmonter ces défis et d’améliorer l’efficacité de l’exploitation de données.

Deux catégories de données

En data analytics, les données peuvent être classées de plusieurs façons, mais se divisent généralement en deux grandes catégories :

Données structurées : données dotées d’un format prédéfini et d’une organisation claire, le plus souvent sous forme de tableaux (par exemple, fichier Excel), pouvant être stockées dans des bases de données (comme des bases SQL). Cela concerne notamment les données comptables, commerciales ou issues des systèmes de gestion des clients ou fournisseurs. Les données structurées sont généralement faciles à analyser.

Données non structurées : informations dépourvues de format standardisé, souvent textuelles ou multimédias, et nécessitant des outils spécialisés pour être analysées. Cela inclut les e‑mails, documents Word, PDF ou PowerPoint, photos, enregistrements, etc.

La data analytics peut jouer un rôle essentiel avec ces deux types de données, même si chacun peut nécessiter des approches spécifiques selon les circonstances du dossier.

Différentes approches d’analyse de données pour soutenir les arbitrages

a. Donner du sens aux données disparates

Une façon puissante d’employer la data analytics consiste à relier des ensembles de données hétérogènes provenant de sources diverses, comme des enregistrements financiers et des données opérationnelles.

Les arbitrages impliquant des relations contractuelles de longue durée posent souvent des défis importants aux conseils et aux experts. Comprendre et définir précisément les enjeux, accéder aux données et reconstituer les faits peut être un processus long et complexe. La difficulté est accrue lorsque les données disponibles sont incomplètes, de mauvaise qualité ou issues de systèmes anciens ou obsolètes. Un exemple illustratif est un dossier récent dans lequel FRA a assisté un État (défendeur) dans un arbitrage CIRDI relatif à un contrat de concession portant sur l’installation de raccordements au gaz par une société privée (demanderesse). Les conseils de l’État faisaient valoir notamment que la demanderesse avait surfacturé des raccordements qui n’avaient pas été installés. Nos experts, qui n’avaient pas participé aux demandes initiales de données ni aux productions de documents, ont reçu un corpus de 400000 documents structurés et non structurés, dans plusieurs langues. Le défi consistait à (i) évaluer dans quelle me‑ sure ces données volumineuses et disparates étaient cohérentes avec les termes du contrat de concession, et (ii) déterminer l’existence de lacunes ou d’anomalies pouvant révéler des activités illicites.

Une analyse exhaustive de complétude n’était pas possible en raison des contraintes procédurales et de l’arrivée tardive de FRA dans la procédure. Nos experts ont néanmoins adopté une approche de validation itérative et fondée sur les risques, et ont réalisé une vérification ci‑ blée de complétude dans les zones les plus sensibles. Cela nous a permis d’identifier des lacunes potentielles et de réduire l’impact de l’absence d’analyse initiale de périmètre en nous concentrant sur la matérialité et sur des éléments corroborants.

Un échantillon ciblé de documents a en‑ suite été examiné en détail dans Relativity, où nos experts ont reconstitué des informations croisées entre contrats, fichiers Excel, factures et documents contextuels. Cela incluait la vérification systématique des identifiants clients, des schémas de facturation et des cycles de trésorerie, ce qui a permis de reconstituer des chaînes logiques malgré la fragmentation des données.

L’analyse des données a révélé qu’en rapprochant la demande du défendeur avec les flux de trésorerie, la demanderesse avait facturé un nombre significatif de raccordements qui, à la date de facturation, n’étaient pas encore réalisés. Elle a aussi révélé que plusieurs clients n’existaient pas dans la base clients. Toutefois, ces constats ne corroboraient pas la thèse du défendeur, car les facturations anticipées servaient à financer les installations ultérieures.

Même si les données étaient disparates, incomplètes, couvrant plus de vingt ans et rédigées dans plusieurs langues, les experts de FRA ont pu en extraire un sens permettant de préciser et parfois de remettre en question la position juridique initiale de notre client.

b. Réduire les demandes de quantum

La data analytics peut également être utile dans l’évaluation des demandes de quantum issues de contrats long terme litigieux.

FRA a assisté un défendeur, partie à un contrat de longue durée, dans un dossier où la partie adverse prétendait que le défendeur n’avait pas livré les volumes de produits contractuellement prévus. Les données fournies étaient vo‑ lumineuses et disparates, documentant voyages, revenus et dépenses sur une décennie.

Pour analyser la demande, plusieurs techniques ont été employées :

• collecte et traitement des données structurées et non structurées pour vérifier leur complétude ;
• analyse temporelle des cargaisons et revenus sur la période de réclamation pour visualiser les livraisons et les revenus; et
• évaluation du modèle de réclamation de la partie adverse grâce à des tests de cohérence.

Dans ce dossier, les analyses de FRA ont pu réduire la demande de la partie adverse de 2 milliards USD à 100 millions USD.

LES POINTS CLÉS

• Les données structurées – par exemple les registres financiers ou commerciaux – se prêtent à une analyse plus directe que les données non structurées, comme les courriels, qui requièrent des outils spécialisés pour être exploitées.
• L’analyse de données peut aider les parties et les tribunaux à accéder à des éléments factuels qui pourraient être négligés, fournissant ainsi une base pour des décisions éclairées.
• En analysant des données volumineuses et disparates sur de longues périodes, les experts peuvent tester la cohérence des prétentions des parties et réduire considérablement les montants contestés.

SUR L’AUTEUR

Kim Qvale est senior associate au sein du département Forensic Accounting chez FRA. Il intervient régulièrement dans le cadre d’arbitrages internationaux, d’investigations de fraude et corruption ainsi que de revues de conformité y compris en matière de sanctions.