Évaluation du crédit

Le scoring de crédit est l'utilisation d'un modèle statistique pour convertir les informations relatives à un emprunteur en un nombre unique qui estime la probabilité qu'il rembourse. Le score est comparé à un seuil, et c'est ce seuil qui détermine la décision d'approbation, de renvoi ou de refus.

L'affirmation qui sous-tend le scoring est étroite et mérite d'être énoncée avec précision : les caractéristiques qui ont permis de prédire le remboursement chez les anciens emprunteurs le prédiront chez les emprunteurs futurs. Un score n'est pas un jugement sur une personne. C'est un outil de classement — il indique que ce demandeur ressemble à un groupe qui a remboursé à un certain taux, rien de plus. Il ne comporte aucune opinion sur un individu et ne promet aucun résultat individuel.

Cette étroitesse est aussi la source de sa puissance. Un modèle applique la même règle à chaque demandeur, en quelques millisecondes, à un coût marginal pratiquement nul, et il ne se fatigue pas, ne se laisse pas cibler ni persuader. Lorsque le volume de prêts est élevé et que la valeur de chacun est faible, aucune forme d'évaluation humaine des prêts ne peut rivaliser sur le plan des coûts.

Score, grille de score, notation et rapport

Quatre termes utilisés de manière interchangeable et qui ne devraient pas l'être.

• Score de crédit : Le nombre produit pour un demandeur donné à un moment donné
• Grille de score : Le modèle lui-même — les caractéristiques, leurs pondérations et la structure de points qui génèrent les scores
• Rapport de crédit : Le dossier factuel des comptes d'un emprunteur et de son historique de remboursement, conservé par un bureau de crédit
• Notation de crédit : Une évaluation de la solvabilité d'une entité, généralement exprimée sur une échelle de lettres et appliquée aux entreprises et aux États plutôt qu'aux particuliers
• Probabilité de défaut (PD) : La probabilité de défaut estimée à laquelle correspond un score, exprimée en pourcentage

Un score est calculé à partir d'un rapport au moyen d'une grille de score. Le rapport est une preuve ; le score est une inférence. Un emprunteur qui conteste une décision conteste généralement quelque chose dans le rapport, et les deux doivent pouvoir être distingués pour lui répondre.

Comment fonctionne une grille de score

La plupart des grilles de score en production sont des modèles à points issus d'une régression logistique. Chaque caractéristique est divisée en tranches, chaque tranche porte des points, et les points sont additionnés.

La séquence de construction, dans les grandes lignes :

1. Définir les bons et les mauvais. Un « mauvais » est généralement un prêt qui atteint un statut d'arriérés défini — généralement 90 jours de retard — dans une fenêtre définie. Cette définition détermine tout ce qui suit, et la modifier ultérieurement invalide le modèle.
2. Définir les fenêtres d'observation et de performance. Les caractéristiques sont relevées au moment de la demande ; la performance est mesurée sur la période qui suit, généralement de 12 à 18 mois. Le modèle ne peut être construit qu'une fois qu'un nombre suffisant de prêts a eu le temps de devenir mauvais.
3. Constituez un échantillon de développement. Suffisamment de prêts, et surtout suffisamment de mauvais prêts, pour effectuer une estimation fiable.
4. Sélectionnez les caractéristiques et regroupez-les en tranches. Testez chaque variable candidate pour son pouvoir prédictif et sa stabilité, puis regroupez ses valeurs en tranches présentant des taux de défaut nettement différents.
5. Ajustez le modèle et attribuez les points. Convertissez les coefficients ajustés en une échelle de points en nombres entiers que le personnel et les systèmes peuvent utiliser.
6. Validez sur un échantillon témoin que le modèle n’a pas vu.
7. Définissez le seuil et les actions associées à chaque tranche de score.
8. Surveillez et recalibrez à mesure que la population de demandeurs et l’environnement évoluent.

Exemple concret : une grille de score de demande simple.

Ancienneté de l’entreprise

• Moins de 1 an : 0 point
• 1 à 3 ans : 15 points
• Plus de 3 ans : 25 points

Historique d’emprunt auprès du prêteur

• Premier cycle : 0 point
• 2e–3e cycle : 20 points
• 4e cycle ou plus : 30 points

Résultat du bureau de crédit

• Antécédent défavorable : refus automatique
• Dossier sain, peu fourni : 10 points
• Dossier sain et bien étoffé : 20 points

Ratio dette-revenu

• Supérieur à 45 % : 0 point
• 35 à 45 % : 10 points
• Inférieur à 35 % : 20 points

Comportement d’épargne ou de dépôt

• Aucun : 0 point
• Irrégulier : 5 points
• Régulier : 15 points

Un demandeur ayant deux ans d’activité, à son troisième cycle de prêt, avec un dossier de crédit propre mais mince, un taux d’endettement de 38 % et une épargne régulière obtient 15 + 20 + 10 + 10 + 15 = 70.

• 75 et plus : Approbation automatique du montant total demandé
• 60–74 : Approbation, avec montant plafonné ou garantie supplémentaire exigée
• 45–59 : Transmettre pour évaluation manuelle
• En dessous de 45 : Rejeter

À 70, le demandeur est approuvé avec un montant plafonné. La tranche de réorientation compte plus qu’il n’y paraît : c’est là qu’un petit prêteur maintient le jugement humain dans le processus pour les cas où le modèle est le moins confiant, plutôt que d’écarter totalement ce jugement.

Types de scoring

Le scoring d’octroi décide du sort des nouveaux demandeurs à l’aide des informations disponibles au moment de la demande. C’est ce que la plupart des gens entendent par scoring de crédit.

Le scoring comportemental s’appuie sur le comportement de l’emprunteur sur ses comptes existants — ponctualité des remboursements, taux d’utilisation, évolution des soldes — pour décider des augmentations de plafond, des compléments de crédit, des renouvellements et de la tarification. Il est généralement plus prédictif que le scoring d’octroi, car le comportement passé avec vous l’emporte sur un comportement déduit d’une population. Tout prêteur ayant des emprunteurs récurrents peut mettre en place un scoring comportemental bien avant de disposer des données nécessaires à une carte de score d’octroi complète.

Le scoring de recouvrement classe les comptes en souffrance selon leur probabilité de recouvrement, afin que les efforts soient dirigés là où ils produisent le plus d’argent. Un prêteur qui a plus de dossiers en souffrance que d’agents établit déjà implicitement des priorités ; le scoring rend cette priorisation explicite.

Le scoring bureau est produit par le bureau de crédit lui-même à partir de tous ses membres déclarants, de sorte qu’il voit les engagements envers d’autres prêteurs qu’un modèle interne ne peut pas voir.

Les cartes de score personnalisées ou internes sont construites sur le portefeuille propre du prêteur. Elles correspondent bien mieux à la clientèle réelle qu’un modèle générique, et elles exigent du prêteur de disposer d’un portefeuille qui vaille la peine d’être modélisé.

Scoring sur données alternatives

Le scoring classique suppose un dossier de crédit. Sur les marchés où la plupart des emprunteurs n’ont jamais contracté de prêt formel, cette hypothèse exclut la majorité de la population, et les données alternatives sont le moyen de contourner ce problème.

• Historique des transactions de mobile money : Régularité des revenus, structure des soldes, discipline de dépenses, chiffre d’affaires de l’activité
• Comportement d’achat de crédit téléphonique et de données mobiles : Stabilité des revenus et fluidité de la trésorerie à très haute fréquence
• Ancienneté du téléphone et de l'abonnement mobile : Stabilité, joignabilité, longueur de l'empreinte vérifiable
• Historique de paiement des services publics et du loyer : Volonté de respecter les obligations récurrentes
• Données de transactions marchandes ou de terminaux de paiement : Chiffre d'affaires vérifié et saisonnalité
• Évaluation psychométrique : Attitudes et traits associés au remboursement en l'absence d'historique financier
• Registres de groupe et de mécanismes d'épargne : Discipline de contribution et réputation auprès des pairs

L'historique de monnaie mobile est en pratique le plus puissant de ces éléments, car il est transactionnel plutôt que déclaratif, difficile à falsifier et suffisamment dense pour révéler une saisonnalité. C'est aussi le plus sensible : il constitue un enregistrement complet de la vie financière d'une personne, et son utilisation exige une base juridique, un consentement éclairé et des règles de conservation défendables en vertu de la législation sur la protection des données de chaque marché où vous opérez. La question de conformité n'est pas ici une formalité — elle est souvent la contrainte déterminante qui décide si un modèle de données alternatives peut être déployé ou non.

Notation et appréciation manuelle

• Coût par décision : Quasi nul (Notation) contre Élevé (Appréciation manuelle)
• Rapidité : Secondes (Notation) contre Des heures à des jours (Appréciation manuelle)
• Cohérence : Totale (Notation) contre Variable selon le chargé de clientèle et le jour (Appréciation manuelle)
• Emprunteurs à historique limité : Mal gérés (Notation) contre Bien gérés (Appréciation manuelle)
• Cas inhabituels ou complexes : Mal gérés (Notation) contre Bien gérés (Appréciation manuelle)
• Auditabilité de la règle appliquée : Totale (Notation) contre Partielle (Appréciation manuelle)
• Données nécessaires à l'élaboration : Importantes (Notation) contre Aucune (Appréciation manuelle)

La structure réaliste pour la plupart des prêteurs n'est ni l'une ni l'autre. La notation gère le volume — petits prêts, emprunteurs récurrents, produits standard — et l'appréciation manuelle gère les dossiers réorientés, les emprunteurs qui sollicitent pour la première fois un montant plus élevé et les exceptions. Décider quels prêts passent par quelle filière relève d'un choix de politique, et c'est généralement un meilleur premier projet que d'essayer de tout noter.

Que faire avant de disposer de suffisamment de données

Un prêteur avec 800 prêts et 40 défauts ne peut pas construire une carte de score statistiquement valide, et en construire une quand même produit un modèle qui encode du bruit sous une apparence de rigueur. La séquence qui fonctionne :

1. Consignez d'abord les règles de décision par écrit. Critères d'exclusion stricts et critères d'éligibilité, appliqués de manière cohérente. Ce n'est pas de la notation, mais cela apporte immédiatement l'essentiel des avantages de la cohérence.
2. Capturez les données dont vous aurez besoin plus tard. Chaque caractéristique que vous pourriez vouloir modéliser doit être enregistrée au moment de la demande, dans des champs structurés, dès maintenant — y compris pour les demandes que vous refusez. Un modèle construit uniquement sur les prêts approuvés est aveugle aux candidats que vous avez rejetés, et cette lacune n'est pas récupérable rétrospectivement.
3. Définissez ce qu'est un impayé et enregistrez le statut des arriérés de manière cohérente afin que la performance soit mesurable le moment venu.
4. Commencez par la notation comportementale sur les emprunteurs récurrents, là où les données sont les vôtres et arrivent le plus rapidement.
5. Élaborez la carte de pointage de la demande une fois qu'il existe un volume suffisant de prêts arrivés à maturité avec de véritables issues défavorables.
6. Recalibrez, et continuez à recalibrer.

Stratégie de seuil

C'est le seuil, et non le modèle, qui détermine le résultat opérationnel. Le déplacer revient à arbitrer entre volume et perte, et cet arbitrage est la véritable décision.

Chiffres illustratifs pour un portefeuille :

• Seuil 50 : taux d'approbation de 78 %, taux de défaut de 9,5 % sur les prêts approuvés
• Seuil 60 : taux d'approbation de 64 %, taux de défaut de 6,2 % sur les prêts approuvés
• Seuil 70 : taux d'approbation de 47 %, taux de défaut de 3,8 % sur les prêts approuvés
• Seuil 80 : taux d'approbation de 29 %, taux de défaut de 2,1 % sur les prêts approuvés

Il n'y a pas de ligne correcte. Le bon seuil est celui qui maximise le profit compte tenu de la marge du produit, du coût d'acquisition d'un client, du coût de recouvrement et de l'appétit du prêteur — et un produit à forte marge et à court terme peut rationnellement accepter un taux de défaut qui ruinerait un produit garanti à faible marge.

La population qui bascule est le prisme utile lorsqu'on modifie un seuil ou qu'on remplace un modèle : non pas combien de demandeurs sont concernés, mais lesquels le sont. Un nouveau modèle qui approuve le même nombre de prêts tout en remplaçant une partie des comptes en défaut par une partie de bons comptes améliore le portefeuille sans modifier le volume.

Évaluer si une carte de pointage fonctionne

Le pouvoir discriminant — la capacité du modèle à séparer les bons des mauvais dossiers — est généralement mesuré par le coefficient de Gini, statistique KS ou AUC. Plus la valeur est élevée, mieux c'est ; ces trois indicateurs évoluent ensemble, et ce qui est considéré comme acceptable dépend fortement du portefeuille et des données disponibles ; une version à dossier de crédit limité d'une scorecard de microcrédit n'atteindra pas le pouvoir discriminant d'un modèle mature de prêt garanti, et ne devrait pas être jugée à l'aune de celui-ci.

Deux échecs sont plus fréquents qu'une mauvaise discrimination au moment de la construction :

Dérive de population. Les demandeurs qui se présentent aujourd'hui diffèrent de l'échantillon de développement — nouveau canal, nouveau produit, nouvelle géographie, nouveau marketing. Le suivi de la stabilité de la population permet de détecter ce phénomène, et c'est la raison la plus fréquente pour laquelle une scorecard qui a bien validé se dégrade en production.

Dérive de calibration. Le classement fonctionne toujours, mais les taux de perte associés à chaque tranche ont évolué, généralement parce que les conditions ont changé. La scorecard continue de trier correctement, alors que le seuil est devenu erroné en silence.

Ces deux dérives sont détectées par le suivi, et le suivi est la partie du scoring que l'on construit en dernier et que l'on abandonne en premier.

Risques et limites

Discrimination par procuration. Un modèle qui exclut les caractéristiques protégées peut néanmoins discriminer par l'intermédiaire de variables corrélées à celles-ci — localisation, type de téléphone, structure des noms, employeur. Cela se produit sans que quiconque le veuille, et n'est détecté qu'en testant délibérément les résultats selon les groupes.

Explicabilité et décision défavorable. De nombreuses juridictions exigent qu'un demandeur refusé soit informé de la raison. Une scorecard à points peut répondre directement en indiquant quelles caractéristiques lui ont coûté le plus de points. Les modèles d'apprentissage automatique plus complexes ne peuvent pas toujours le faire sans travail supplémentaire, ce qui constitue une contrainte réglementaire réelle plutôt qu'un simple inconvénient technique.

Données autoréalisatrices. Les demandeurs que vous refusez ne génèrent aucune donnée de performance ; le modèle n'apprend donc jamais s'il avait raison à leur sujet, et la population qu'il observe se rétrécit avec le temps.

Manipulation du système. Une fois la règle connue, elle est exploitée — par les emprunteurs, par les intermédiaires et par le personnel ayant des objectifs de volume. Les caractéristiques faciles à manipuler se dégradent le plus vite.

Ruptures structurelles. Un modèle construit sur des données antérieures au choc ne décrit pas une population postérieure au choc. Les mouvements de change, l'effondrement d'un secteur, les changements de politique et les pandémies remettent tous en cause l'hypothèse selon laquelle le passé prédit l'avenir.

Fausse précision. Un score de 68 semble plus exact que « raisonnablement solvable ». Il ne l'est pas. L'estimation sous-jacente a un intervalle de confiance que personne n'affiche.

Les dérives du scoring de crédit en pratique

Acheter un modèle générique et l'appliquer sans modification. Une scorecard développée sur une population, un produit et un marché différents est une hypothèse de départ, pas une règle de décision.

S'appuyer sur les seuls prêts approuvés. L'inférence de rejet existe précisément parce que ce biais est grave et invisible.

Ne jamais recalibrer. Une grille de score est une photographie d'une population à un instant donné. Laissée à l'abandon pendant quatre ans, elle n'est plus qu'un élément décoratif.

Déroger constamment. Si les chargés de crédit dérogent à une grande partie des décisions, soit le modèle est erroné, soit ce sont les dérogations qui le sont, et personne ne suit laquelle des deux hypothèses est la bonne. Le taux de dérogation et la performance des dérogations sont les deux chiffres qui permettent d'y répondre.

Scoring sans base légale de protection des données. Les modèles fondés sur des données alternatives, en particulier, reposent sur des informations personnelles dont la collecte, le traitement et la conservation exigent une base légale. Mettre en conformité après le déploiement est bien plus difficile que de la prévoir dès la conception.

Confondre le score avec l'évaluation. Le score estime la volonté et la probabilité. Il ne vérifie pas l'identité, ne confirme pas l'objet du prêt, n'établit ni la valeur ni la force exécutoire de la garantie et ne vérifie pas que les documents de sûreté sont authentiques.