Secteurs d’activités

Exemple domaine bancaire : Profil de risques

Etat des lieux des méthodes traditionnelles de crédit scoring :

En France, chaque banque possède des algorithmes permettant d’évaluer l’opportunité d’accorder un crédit à une personne.

La plupart du temps, des méthodes traditionnelles sont toujours utilisées et prennent en compte les antécédents de crédit des emprunts potentiels, ce qui exclut parfois certains profils d’emprunteur selon ces critères historiques alors qu’ils/elles pourraient pourtant rembourser leurs emprunts.

Le Machine Learning et le credit scoring

De nombreuses sociétés américaines et européenne proposent désormais des solutions de credit scoring basées sur un type d’intelligence artificielle, appelé « machine learning » parfois associé à du « deep learning », aux banques/organismes de crédit qui permettent de mieux comprendre le risque associé à leurs emprunteurs.

L’intelligence artificielle, par machine learning, permet donc aux banques et aux créanciers d’évaluer la solvabilité des emprunteurs potentiels en utilisant des données historiques.

Ces solutions d’IA pour le credit scoring sont le plus souvent des solutions d’analyse prédictive. Cela a du sens, étant donné que les notes de crédit sont, en réalité, des cotes prédisant la probabilité qu’un client rembourse son emprunt.

Le modèle d’apprentissage automatique (machine learning) devrait avoir été entraîné sur des jeux de données étiquetées (labelled data sets) indiquant un client responsable et ceux d’un client à risque.

Le différentiateur de Data Tell Story pour le crédit scoring

Data Tell Story utilise une combinaison d’algorithmes :

  • de clusterisation pour construire les profils de clients sûrs et de clients à risques. Notre différentiateur est de rechercher non seulement de grands groupes de population ayant des comportements identiques, mais aussi de tout petits groupes, basés sur la recherche de signaux faibles
  • de prédiction de score de risques combinés en utilisant les réseaux neuronaux

Ainsi nous ouvrons la porte du crédit

  • à des personnes qui historiquement, affichaient un mauvais profil selon les méthodes d’évaluation traditionnelles alors qu’ils sont en mesure de tenir leurs promesses de paiement
  • à des personnes qui n’ont jamais eu de crédit, et que les banques ne savent pas évaluer par un score

Nous remettons aussi dans le circuit de contrôle des personnes, qui étaient acceptés automatiquement par les méthodes traditionnelles, et qui ne respectaient néanmoins pas leurs créances.

Exemple de résultats obtenus

Une analyse plus pertinente des dossiers de demande de crédit a permis :

  • la réduction du taux d’impayés de 1,3% à 0,94% ! 
  • la division par 3 le nombre de dossiers traités manuellement !

 Ainsi, 96% des sommes prêtées sont désormais acceptées directement.

Pages : 1 2 3