Catégorisation de transactions

Définition

La catégorisation de transactions transforme une opération brute (libellé technique, montant, date) en une catégorie utile : « Alimentation › Supermarché », « Transport › Uber », « Salaire ».

C'est une brique invisible mais critique pour tout cas d'usage qui consomme de la donnée AIS : PFM, BFM, scoring crédit alternatif, comptabilité automatique, détection de fraude, embedded finance.

Le problème : des libellés bruts illisibles

Un relevé typique contient des lignes comme :

• CB SNCF MOBILE 24/04 0612345678
• VIRT SARL XYZ COMM/AVR2025
• PRLV EDF FACT N12345678
• CB CARREFOUR EXP 23/04 75011 PARIS
• CB AMZN MKTPL DUBLIN IE

Tel quel, c'est inexploitable. Il faut inférer la catégorie, le marchand réel et la nature de la dépense.

Règles, ML, hybride

Trois approches, toutes utilisées :

• Règles déterministes — regex et tables de correspondance (« CARREFOUR » → Supermarché). Précises sur le connu, incapables de gérer les nouveaux marchands.
• Machine learning supervisé — modèles entraînés sur des dizaines de millions de libellés taggés, capables de généraliser (« CARREF EXPRESS PARIS » sans entrée explicite).
• Hybride — règles pour les cas certains, ML pour l'inconnu, et boucle de feedback (re-catégorisation manuelle → ré-entraînement).

Les leaders (Bud, Yodlee, Tink, Heron Data) sont tous hybrides, avec des modèles propriétaires entraînés sur des centaines de millions de transactions.

La taxonomie : pas de standard

Il n'existe pas de taxonomie universelle. Chaque acteur définit la sienne, généralement sur 2 ou 3 niveaux :

• N1 — grandes familles (Alimentation, Transport, Logement, Salaire…).
• N2 — sous-catégories (Supermarché, Restaurant, Boulangerie).
• N3 — précisions (chaîne marchande, type de produit).

Les MCC (Merchant Category Codes, ISO 18245, 4 chiffres assignés par les réseaux) aident mais ne suffisent pas : ils sont parfois faux ou trop génériques (le code 5411 « Grocery Stores » couvre aussi bien Carrefour qu'un kebab).

Critères de qualité

• Coverage : part des transactions catégorisées (vs « Autre »). Cible > 95 %.
• Accuracy : part correctement catégorisée. Cible > 90 % sur N1, > 80 % sur N2.
• Latence : idéalement < 100 ms par transaction pour du temps réel.
• Multi-langue / multi-pays : un acteur paneuropéen doit être aussi précis en FR, DE, IT, ES, PL.
• Stabilité : ne pas re-catégoriser différemment la même transaction d'un appel à l'autre.

Cas pro : la catégorisation comptable

Pour le BFM et la compta automatique (Pennylane, Qonto, Indy), l'exercice est plus complexe : il faut relier la transaction à un plan comptable (PCG, IFRS), gérer la TVA (déductible ou non, taux variables), produire des lignes d'écritures et rapprocher automatiquement transactions et factures. Une ligne « FOURNITURES BUREAU » doit ainsi devenir « Compte 6064, TVA 20 % déductible ».

Ce que la catégorisation n'est pas

• Pas l'enrichissement : la catégorisation infère la catégorie ; l'enrichissement ajoute logo, géolocalisation, MCC, fiche entreprise. Deux couches distinctes, souvent associées.
• Pas un service régulé : aucun agrément ACPR pour catégoriser ; un AISP qui catégorise ses propres données reste AISP.
• Pas universelle : les libellés, MCC et comportements diffèrent par pays ; un modèle global égale rarement un modèle par pays.
• Pas figée : chaque nouveau marchand (TikTok Shop, nouvel opérateur) doit être appris en continu.

Dans l'écosystème PSD2

La catégorisation ne fait pas partie de la DSP2 stricto sensu (qui ne définit que le transport des données), mais elle est la principale valeur ajoutée au-dessus de l'AIS : sans elle, les données restent des libellés bruts. C'est ce qui justifie le business model des agrégateurs et des solutions PFM/BFM.

Exemples concrets

• Leaders : Bud (UK), Heron Data (UK, focus pro), Yodlee (US, racheté par Envestnet), Tink (Suède, Visa), Bridge et Powens (FR), MX (US).
• Bankin' / Lydia / Linxo : s'appuient souvent sur le moteur Powens ou Bridge ; Bankin' a aussi son moteur historique.
• Pennylane : catégorisation comptable (PCG), OCR de factures et rapprochement automatique, avec une accuracy revendiquée au-delà de 95 %.
• Heron Data : se positionne sur le scoring B2B en qualifiant les flux d'une PME pour évaluer sa santé financière.
• Limite connue : les virements P2P sont les plus durs à classer — un « VIRT JEAN DUPONT » sans contexte reste inclassable ; beaucoup de PFM les laissent « à classer ».
• Coût : typiquement 0,001 à 0,01 € par transaction chez les leaders — significatif sur des millions de transactions par jour, d'où l'internalisation chez les gros acteurs.
• Évolution : usage de LLM pour catégoriser des libellés inédits en zero-shot (testé chez Heron, Bud) — plus de précision sur la longue traîne, mais un coût d'inférence supérieur.