Aller au contenu

Catégoriser des libellés bancaires français : règles, apprentissage ou les deux

Règles, classifieur ou hybride : trois façons de ranger des libellés CB, PRLV et VIR, comparées catégorie par catégorie sur 2 000 libellés fictifs.

  • Rédaction BRAIU
  • Publié le
  • 11 min de lecture
Sommaire (9 parties)

Un relevé de compte ne contient pas de catégories. Il contient des libellés : « CB BOULANGERIE DU MARCHE 14/10 RENNES », « PRLV SEPA ENERGIE DU SUD ECH/051026 MDT/482913 », « VIR INST M. FICTIF ». Ces exemples, comme tous ceux de cet article, sont inventés. Pour afficher un budget par poste ou repérer un abonnement oublié, il faut d’abord ranger chaque ligne.

Trois approches se présentent : des règles écrites à la main, un modèle appris sur des libellés étiquetés, ou un mélange des deux. Elles sont comparées ici sur le même jeu de 2 000 libellés fictifs, catégorie par catégorie.

À quoi ressemble un libellé français

Un libellé est un texte court, en capitales, sans accents. Le préfixe donne le canal (CB pour une carte, PRLV SEPA pour un prélèvement, VIR, VIR SEPA ou VIR INST pour un virement) : il dit comment l’argent est parti, pas pour quoi. Suivent la contrepartie, parfois un motif libre, et du bruit : date, ville, numéro de carte masqué, référence de mandat.

Les abréviations varient (PHIE pour pharmacie) et le libellé est souvent coupé vers le trentième caractère : « CB MARCHE BIO DES QUAIS 24/07 TO » a perdu la fin de sa ville. Certains libellés ne contiennent pas l’information cherchée : un VIR INST à une personne ne dit pas s’il paie un loyer, rembourse un dîner ou fait un cadeau.

Choisir la nomenclature avant l’algorithme

Tant que la liste des catégories n’est pas arrêtée, la question « règles ou modèle ? » arrive trop tôt : chaque catégorie ajoutée ou redéfinie invalide une partie des règles et des étiquettes.

Une nomenclature publique comme point de départ

L’Insee publie la ECOICOP v2, classification européenne des fonctions de consommation des ménages[1]. Elle décompose la consommation des ménages « par unités de besoin », sert notamment aux indices de prix à la consommation et à l’enquête Budget des familles, et ses quatre premiers niveaux sont normalisés au niveau international[1]. Le premier compte treize divisions[1] :

  • 01 Produits alimentaires et boissons non alcoolisées ;
  • 02 Boissons alcoolisées, tabac et stupéfiants ;
  • 03 Articles d’habillement et chaussures ;
  • 04 Logement, eau, gaz, électricité et autres combustibles ;
  • 05 Meubles, articles de ménage et entretien courant du foyer ;
  • 06 Santé ;
  • 07 Transports ;
  • 08 Information et communication ;
  • 09 Loisirs, sport et culture ;
  • 10 Services de l’enseignement ;
  • 11 Services de restauration et d’hébergement ;
  • 12 Assurance et services financiers ;
  • 13 Soins corporels, protection sociale et biens et services divers.

Cette liste apporte des définitions et des règles de rattachement déjà écrites : la division 01 exclut par exemple les aliments et boissons fournis par « les restaurants et les cafétérias scolaires » dans le cadre de leurs services de restauration, qui relèvent de la division 11[1].

Ce que la banque doit ajouter

La ECOICOP classe la consommation. Un compte contient aussi des revenus, de l’épargne, des virements internes ou entre particuliers ; les ranger dans une division fausserait les totaux. L’exemple garde donc dix divisions et ajoute trois catégories bancaires : revenus, virements internes et épargne, virements entre particuliers. Le niveau de détail (division ou groupe) et la place des retraits d’espèces, qui relèvent d’une catégorie « non affectable » plutôt que d’une erreur, se décident aussi avant le code.

Les règles : lisibles, auditables et chères à maintenir

Une règle associe un motif à une catégorie (PHARMACIE ou PHIE : santé), et la première règle qui correspond l’emporte. Chaque décision s’explique par une ligne qu’un auditeur peut lire et corriger. Mais une règle ne connaît que ce qu’on lui a écrit, et une règle trop large capte ce qu’elle ne visait pas.

Écrire les premières règles coûte peu. Le coût vient ensuite : suivre chaque mois les non-classés, trancher pour chaque nouvelle enseigne, vérifier qu’une règle ajoutée n’en contredit pas une autre.

L’apprentissage : couverture et ambiguïté

Ce qu’il faut pour entraîner

Le classifieur le plus simple pour du texte court est le bayésien naïf multinomial : il estime, pour chaque catégorie, la probabilité d’y voir chaque mot, en supposant les mots indépendants une fois la catégorie connue[2]. Selon la documentation de scikit-learn, il donne de bons résultats en classification de documents malgré cette hypothèse simpliste, avec peu de données d’entraînement ; le lissage de Laplace évite qu’un mot absent d’une catégorie y reçoive une probabilité nulle[2]. Des modèles de texte plus riches feraient mieux sur les enseignes inconnues, sans changer les questions qui suivent.

La difficulté tient aux étiquettes : quelqu’un doit avoir rangé à la main des milliers de libellés, et le modèle reproduira ses choix et ses erreurs. Sur des données réelles, il faut établir la catégorie vraie, la faire relire et décider qui tranche en cas de désaccord.

Mesurer : précision par catégorie, pas une moyenne

La précision d’une catégorie est la part des libellés rangés dans cette catégorie qui y appartiennent ; le rappel est la part des libellés de la catégorie que la méthode retrouve[3]. La moyenne micro additionne toutes les décisions ; la moyenne macro donne le même poids à chaque catégorie, ce qui fait ressortir les catégories peu fréquentes quand elles comptent, et exagère leur faible performance quand toutes n’ont pas la même importance[3]. Aucune ne remplace le détail par catégorie.

Ce que vaut un niveau de confiance

Lire la plus haute probabilité du modèle comme un niveau de confiance est tentant. La documentation de scikit-learn est nette : le bayésien naïf est un classifieur correct mais un mauvais estimateur, et ses probabilités « are not to be taken too seriously »[2].

Si un seuil de confiance décide de l’affichage, cette correspondance se mesure sur des données tenues à l’écart, et se remesure quand les libellés changent.

L’hybride : règles d’abord, modèle pour le reste, et un seuil

L’hybride applique d’abord les règles. Sur un libellé qu’aucune ne couvre, il ne retient la réponse du modèle qu’au-dessus d’un seuil de confiance fixé à l’avance ; en dessous, le libellé part dans une file « à vérifier ».

Le seuil arbitre entre le volume revu à la main et le taux d’erreur montré au client. Il se décide avant la mesure ; choisi après, il devient celui qui flatte le résultat.

Trois libellés ambigus

Ce que les libellés révèlent en plus d’une dépense

Dans ses lignes directrices 06/2020, le Comité européen de la protection des données (EDPB) relève qu’une opération de paiement peut révéler une donnée de catégorie particulière au sens de l’article 9 du RGPD : des opinions politiques ou religieuses par un don à un parti ou à une paroisse, l’appartenance syndicale par une cotisation prélevée, la santé par le paiement d’un médecin, la vie sexuelle par certains achats[4]. Une seule opération peut suffire, et leur cumul peut en révéler d’autres[4]. L’EDPB recommande au minimum de recenser et de catégoriser précisément les données traitées, juge très probable qu’une analyse d’impact soit nécessaire et, quand aucune exception de l’article 9 ne s’applique, envisage des mesures techniques qui empêchent le traitement de certaines données[4].

Ces lignes directrices visent les prestataires de services de paiement, mais leur constat vaut pour toute catégorisation. Un modèle entraîné à distinguer une cotisation syndicale d’une cotisation de club produit une inférence de catégorie particulière, même si personne ne l’a demandée. La liste des catégories qu’on refuse de calculer fait donc partie de la nomenclature, et se décide avec le délégué à la protection des données avant l’entraînement.

Les libellés contiennent aussi des tiers. L’EDPB appelle « silent party data » les données d’une personne qui n’utilise pas le service mais dont les données sont traitées pour l’exécuter, par exemple celle qui a fait des virements au client[4]. Le bénéficiaire d’un virement est dans le même cas : une catégorie « loyer » attachée à « VIR INST M. EXEMPLE » dit aussi quelque chose de lui.

Les trois approches sur les mêmes critères

Règles, apprentissage et hybride comparés sur des critères fixes
Critère Règles Apprentissage Hybride
Explication d’une décision une ligne lisible des poids par mot, peu parlants une ligne, ou « décision du modèle » avec sa confiance
Enseigne nouvelle non classée classée, parfois à tort classée si le modèle est confiant, sinon revue
Catégorie rare oubliée tant que personne n’écrit de règle apprise s’il existe assez d’étiquettes le plus souvent envoyée en revue
Libellé sans information non classé ou mal classé mal classé, souvent avec assurance idem : l’information manque
Coût courant suivre les non-classés, écrire des règles réétiqueter, réentraîner, vérifier la confiance les deux, plus une file de revue

Comment choisir

Si chaque catégorie affichée doit pouvoir être justifiée au client, à un auditeur ou à un conseiller, les règles donnent cette justification sans effort. Elles tiennent tant que l’équipe les écrit plus vite qu’apparaissent les enseignes ; quand la part de non-classés, suivie chaque mois, augmente, un modèle sous seuil devient utile, à condition d’avoir des étiquettes pour l’entraîner. Reste la capacité de revue : un hybride sans personne pour vider la file « à vérifier » revient à afficher des libellés non classés.

Quelle que soit la méthode, la banque aura besoin d’une nomenclature écrite et datée, d’un jeu de mesure pris après la période d’apprentissage, d’un tableau de précision et de rappel par catégorie mesuré sur ses propres libellés (les chiffres d’un jeu fictif ne disent rien de ceux-là), et de la liste des catégories qu’elle s’interdit de calculer.

Télécharger le script de l'exemple (Python)

Sources

  1. Consulter la ECOICOP v2 (Classification européenne des fonctions de consommation des ménages), Insee, Page d’accueil de la nomenclature et pages des divisions 01 à 13, 20 juillet 2026. www.insee.fr/fr/metadonnees/coicop2018 · consulté le 13 novembre 2026
  2. 1.9. Naive Bayes, scikit-learn, Documentation de la version 1.7.2, introduction et section 1.9.2. scikit-learn.org/1.7/modules/naive_bayes.html · consulté le 13 novembre 2026
  3. Classification metrics, scikit-learn, Guide de l’utilisateur, version 1.7.2, section 3.4.4 (sous-sections 3.4.4.1 et 3.4.4.9). scikit-learn.org/1.7/modules/model_evaluation.html · consulté le 13 novembre 2026
  4. Guidelines 06/2020 on the interplay of the Second Payment Services Directive and the GDPR, Comité européen de la protection des données (EDPB), Version 2.0, sections 4.1, 5.1 et 5.5, 15 décembre 2020. www.edpb.europa.eu/system/files/documents/files/file1/edpb_guidelines_202006_psd2_afterpublicconsultation_en.pdf · consulté le 13 novembre 2026

30 minutes pour voir BRAIU sur notre banque de démonstration (données fictives).

Nous vous montrons la solution sur des données fictives : aucune donnée de votre établissement n'est nécessaire.