Des chiffres et des droits

Le data mining ou la statistique au service du contrôle des allocataires

Jusqu’au milieu des années 1990, en France, le contrôle des bénéficiaires de prestations sociales et la lutte contre la fraude demeuraient relativement peu présents dans le débat public, et ne formaient pas une orientation stratégique des politiques sociales. Ces questions ont en revanche été promues en enjeux majeurs au cours de la période qui a suivi, en France comme dans la plupart des autres pays européens. Elles sont devenues omniprésentes tant dans les médias que dans le discours politique, des présidents de conseils départementaux affirmant la nécessité d’un contrôle renforcé du revenu de solidarité active (RSA) jusqu’au sommet de l’État — ce que le discours du Président Nicolas Sarkozy à Bordeaux le 15 novembre 2011 a illustré de manière particulièrement marquante(1).

Sous l’effet de ces changements externes mais aussi selon des logiques qui leur sont propres, les organismes de protection sociale se sont dotés d’une politique de contrôle de plus en plus systématique, avec une organisation renforcée, des moyens juridiques et humains plus importants et des outils techniques nouveaux. C’est à l’outil devenu central dans la mise en oeuvre de cette politique qu’est consacré cet article : le data mining.

Le terme générique «data mining » , exploration ou fouille de données, désigne un ensemble de méthodes statistiques qui consistent à traiter un grand nombre de données pour constituer des modèles permettant, en retour, de systématiser les observations sur des données de même nature. Contrairement à d’autres méthodes qui reposent sur un raisonnement de type hypothético-déductif (partir d’hypothèses qui sont ensuite testées empiriquement et validées ou non), le data mining procède par induction, en partant de l’observation exploratoire des données pour dégager des régularités et des corrélations entre variables puis, dans un second temps, élaborer sur cette base des modèles prédictifs, qui sont, dans un troisième temps, opérationnalisés pour traiter des données à grande échelle ; ici, les très nombreuses informations consignées dans les dossiers de près de treize millions d’allocataires des caisses d’allocations familiales (Caf). L’usage de cette technique à des fins de contrôle par un organisme de protection sociale illustre quatre évolutions contemporaines dans la conduite des politiques publiques. Il constitue, en premier lieu, un exemple d’importation dans le secteur public d’une technologie au départ mobilisée dans des organisations privées, où le data mining est utilisé pour modéliser les comportements de consommation et garantir un meilleur ciblage à des fins de marketing, pour prospecter des donateurs potentiels dans les campagnes de fund raising (collecte de fonds) et, surtout, pour maîtriser les risques associés aux comportements des clients, comme dans le cas du calcul actuariel des taux dans la banque et l’assurance, ou l’identification des mauvais payeurs potentiels dans des activités de services comme la téléphonie mobile (Lazarus, 2012). Le data mining est désormais de plus en plus utilisé dans le secteur public, aux États-Unis notamment (Federal Agency Data Mining Reporting Act of 2007). Il sert à la recherche de criminels, fraudeurs aux impôts, aux douanes, et autres contrevenants potentiels. En France, le data mining est en particulier promu en tant qu’instrument permettant d’améliorer le ciblage pour la lutte contre la fraude, par la Caisse nationale des Allocations familiales (Cnaf) en 2010, les douanes et Pôle emploi à partir de 2013, l’administration fiscale en 2014 (rapport de la Délégation nationale à la lutte contre la fraude, 2014). L’usage du data mining révèle ainsi une seconde tendance des politiques publiques, consistant à mettre en oeuvre une gestion prédictive des populations. L’essor de la «justice prédictive » aux États-Unis, qui consiste à anticiper

Revue des politiques sociales et familiales n° 126 -1er trimestre 2018 49 Organisation -Gestion -Métiers Mots-clés