Intelligence artificielle et Credit Scoring

Aux US, de nombreuses sociétés proposent des applications de credit scoring basées sur l'IA aux banques/organismes de cérdit qui cherchent à mieux comprendre le risque associé à leurs emprunteurs.

Les méthodes traditionnelles de credit scoring prennent en compte les antécédents de crédit des emprunts potentiels, mais cela exclut parfois certains profils d’emprunteur selon ces critères historiques alors qu'ils/elles pourraient pourtant rembourser leurs emprunts.

Rappel contextuel: chaque consommateur américain voit associé à son numéro de sécurité social un credit score, dénotant sa capacité à rembourser un crédit. En plus de cela, chaque ajoute un système de calcul d'évaluation du risque client. En France, il n'existe pas de Credit Score national attaché à une personne, mais chaque banque possède des algorithmes permettant d'évaluer l'opportunité d'accorder un crédit à une personne.

Voici quelques exemples de sociétés ayant recours à l'IA dans le calcul de ces notes aux US.

L'intelligence artificielle pourrait permettre aux banques et aux créanciers d'évaluer la solvabilité des emprunteurs potentiels en utilisant des données alternatives, notamment celles des publications sur les réseaux sociaux ou des activités digitales : sites consultés et achats effectués dans les magasins de commerce électronique. Le comportement en ligne peut indiquer si une personne est susceptible de rembourser ses emprunts, et l’IA pourrait permettre aux banques et aux créanciers d’en tenir compte dans leurs évaluations de leurs emprunteurs potentiels.

Ce que les décideurs du secteur bancaire doivent savoir
Les solutions d'intelligence artificielle 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.

D'une manière générale, ces fournisseurs proposent des logiciels permettant aux banques d'exploiter sur le Web des informations sur les clients potentiels. Le logiciel peut s’appuyer sur les publications sur les réseaux sociaux d'un client ou les sites sur lesquels il est un utilisateur actif, dans son évaluation de la solvabilité du client. Le modèle d'apprentissage automatique (machine learning) devrait avoir été entraîné sur des jeux de données étiquetées (labelled data sets) indiquant les types de publications sur les médias sociaux ou de sites Web d’un client responsable et ceux d’un client à risque. Afin de produire un score, le logiciel utilise toutes les informations qu'il collecte sur le client via son algorithme et calcule si la banque prend un risque faible ou élevé si elle réalise une offre de crédit au dit client.
Dans certains cas, cela pourrait ouvrir les portes du crédit à personne affichant un mauvais profil selon les méthodes d’évaluation traditionnelles. Les notes de crédit, telles qu’elles sont étaient calculées jusqu’au milieu des années 2010 nécessitaient souvent un historique de crédit pour chaque client évalué, mais de nombreuses personnes sans antécédents de crédit, donc disqualifiées, sont pourtant en mesure de rembourser leurs prêts si elles ont accès au crédit. Cependant, les banques ne se sentent souvent pas prêtes à leur prêter, car elles n'ont pas d'historique de crédit.

LenddoEFL

LenddoEFL propose un logiciel appelé LenddoScore. La société indique que son logiciel peut aider les banques à déterminer la solvabilité d’emprunteurs potentiels grâce à l’analyse prédictive et au traitement du langage naturel. Lenddo annonce que son logiciel peut être utilisé pour atteindre des prospects qui sont qualifiés de mauvais risque avec les méthodes traditionnelles  se fondant sur l'historique de crédit.

LenddoEFL indique que les utilisateurs peuvent installer l'application de la société sur leurs smartphones. Le logiciel utilise le traitement du langage naturel pour analyser les publications des utilisateurs sur les réseaux sociaux et ce qu'elles tapent dans leur navigateur pour obtenir des indicateurs de responsabilité ou de prise de risque. Ensuite, cette information informe l’algorithme d’analyse prédictive qui en déduit une note de crédit, le LenddoScore. Les banques et les organismes de crédit peuvent ensuite utiliser les LenddoScores des utilisateurs pour mieux comprendre le risque qu’ils ne remboursent pas leurs emprunts.

Nous pouvons en déduire que le modèle d'apprentissage automatique du logiciel a été entraîné sur des milliers de data points clients, y compris les publications sur les réseaux sociaux et le comportement de navigation sur Internet. Ces données ont du être étiquetées et associées à un niveau de confiance ou de risque du point de vue des banques et des créanciers. Les données ont probablément été traitées via l'algorithme d'apprentissage automatique du logiciel. Cela a été utilisé pour entrainer l'algorithme à discerner les data points en corrélation avec la solvabilité. Le logiciel doit donc être alors capable de prédire quels prospects sont les plus susceptibles de rembourser leurs emprunts.

LenddoEFL ne met à disposition aucune étude de cas faisant état du succès de son logiciel.

Pas de retour d’expérience de cette plate-forme sur le web disponible au moment où cet article est rédigé.

ZestFinance

ZestFinance propose un logiciel appelé ZAML, qui, selon elle, peut aider les organismes prêteurs à déterminer la solvabilité des emprunteurs potentiels et à réduire les défauts de paiement en utilisant des analyses prédictives et un traitement en langage naturel.

Il est possible d'en déduire que le modèle de machine learning du logiciel a été entraîné sur des milliers de publications sur les réseaux sociaux, de géolocalisations, d'activités de navigation et autres points de données. Ces données ont été étiquetées pour rendre compte du niveau de risque du point de vue d'une banque ou d'un créancier. Les données seraient ensuite traitées via l'algorithme d'apprentissage automatique du logiciel. Cela aurai entraîné l'algorithme à discerner les data points en corrélation avec les types d'emprunteurs les plus et les moins susceptibles de rembourser leurs emprunts.

En théorie, le logiciel est, donc, alors en mesure de prédire si les demandeurs de prêt sont susceptibles de rembourser leur prêt ou non. Cela dit, il n’existe aucune vidéo démontrant explicitement le fonctionnement du logiciel.

ZestFinance indique avoir aidé Prestige Financial Services à réduire les pertes sur prêts et les défauts de paiement sans diminuer le taux d’acceptation des demandes de crédit. Prestige a utilisé le logiciel ZestFinance pour compléter ses méthodes de demandes de crédit traditionnelles. Selon l'étude de cas, Prestige a enregistré une baisse de 33% des pertes sur créances, ainsi qu'une augmentation de 14% des notations d'approbation des emprunteurs. ZestFinance a également inscrit Ford Credit parmi ses anciens clients.

Kreditech

Kreditech utilise un logiciel homonyme en interne, qui aide la société à déterminer la solvabilité d'emprunteurs potentiels ne disposant pas d'un historique bancaire complet, à l'aide de l'analyse prédictive et du traitement probable du langage naturel.

Nous pouvons en déduire que le modèle d'apprentissage automatique à l'origine du logiciel a été entraîné sur des centaines de milliers de data points clients issus des historiques de réseaux sociaux et de navigation Internet. Celles-ci impliqueraient des conversations sur les échanges monétaires, ainsi que sur des data points provenant de sites de commerce électronique et de traitement de paiements, tels que Amazon et Paypal, respectivement. Ces données auraient été qualifiées d'indicateurs positifs ou négatifs de responsabilité et de solvabilité. Les données étiquetées seraient ensuite traitées via l'algorithme d'apprentissage automatique du logiciel. Cela aurait entraîné l'algorithme à discerner les données en corrélation avec la solvabilité.

Un utilisateur pourrait ensuite alimenter le logiciel avec les publications de médias sociaux d'un emprunteur potentiel, par exemple, et l'algorithme le rechercherait à la recherche d'indicateurs de responsabilité ou de solvabilité. Par exemple, le logiciel pourrait passer au travers d'une conversation sur les médias sociaux de l'emprunteur potentiel et découvrir que celui-ci avait promis à un collègue de se faire rembourser à une certaine date. L'algorithme pourrait alors qualifier cette activité d'indicateur positif de responsabilité.

Kreditech n’indique aucune grande entreprise parmi ses clients, mais elle a levé 497,3 millions de dollars et est soutenue par Rakuten et JC Flowers and Co.

SAS

SAS propose un logiciel appelé Credit Scoring pour SAS Enterprise Miner, qui, selon elle, peut aider les banques et les agences financières à prévoir le risque de crédit à l'aide de l'analyse prédictive.

On peut en déduire que le modèle d'apprentissage automatique du logiciel a été entraîné sur des milliers de profils d'emprunteurs et d'historiques de crédit. Les données sont donc, probablement, ensuite traitées via l'algorithme d'apprentissage automatique du logiciel. Cela a entraîné l'algorithme à discerner les data points en corrélation avec un emprunteur présentant un risque plus élevé pour l'entreprise que les autres. Le logiciel serait capable de prédire le niveau de risque associé à un emprunteur potentiel.

SAS Institute indique avoir aidé le groupe Piraeus Bank à accélérer l'analyse des données et la génération de rapports. Le groupe Piraeus Bank a intégré les logiciels du SAS Institute à son système bancaire central afin de lui permettre d'accéder à leurs données. Selon l'étude de cas, le groupe Piraeus Bank a pu améliorer la vitesse d'analyse des données de 30%.
Le SAS Institute affirme que Bank of America et Honda figurent parmi ses clients.