AI

Les "Neural Networks" : AI au service du "credit scoring"

Par
FineDigit
le
25/3/2019

Véritable colonne vertébrale du système financier américain, le crédit scoring a été mis en place depuis les années 50, l’évaluation du crédit scoring se fait selon des modèles éprouvées et fiables. Cependant l’arrivée de l’AI devrait permettre de “délivrer” la notation bancaire, de toute subjectivité. AI / FINANCE / CREDIT, FineDigit l'agence FINTECH se devait d'être en point sur le sujet.


C’est une tendance méconnue en France mais courante dans la majorité des pays anglo-saxons, les agents économiques (personnes morales ou personnes physiques) ont accès à ce qu’il est convenu d’appeler le “crédit scoring”. Pour faire simple, cela permet à  tous les consommateurs de vérifier la notation que lui accorde sa banque en terme de solvabilité et de fiabilité financière. Mis en place depuis les années 50, l’évaluation du crédit scoring se fait selon des modèles éprouvées et fiables. Cependant l’arrivée de l’AI devrait permettre de “délivrer” la notation bancaire, de toute subjectivité.


Le credit scoring colonne vertébrale du système bancaire américain

Le credit score voit le jour aux États-Unis au début des années cinquante afin de permettre aux créanciers d'évaluer la solidité financière des GI qui rentraient au pays souvent les poches vides.

Aujourd'hui cette technique s’est véritablement institutionnalisée et s’est élargie à l’ensemble du monde anglo saxon. Aux États-unis, cette notation concerne tous les Américains ayant un numéro de sécurité sociale. Elle est établie sur la base de logiciels experts qui sont notamment fournis par Fico, une société spécialisée dans la « gestion décisionnelle ». Trois agences de notation privées se partagent le marché du “credit score” : Equifax, Transunion et Experian. Chacune de ces sociétés utilisent sa propre “fonction score”.

Les notes s'échelonnent de 300 (« bad », pire score possible) à 850 (« great », meilleur score possible).

Une note élevée (exemple : « good » entre 660 et 724) garantit un taux d'emprunt compétitif et un credit line (plafond de découvert mensuel) généreux. Ce score est aussi utilisé par les bailleurs immobiliers pour vérifier la viabilité de leurs locataires, les fournisseurs d'accès internet qui demanderont le versement d'une caution si la note est basse, les assureurs, etc.

 

Pour noter un individu, plusieurs paramètres sont pris en compte. Les plus importants sont :

  • L'utilisation de la réserve de crédit attachée à la plupart des cartes US : plus cette utilisation est élevée, plus la note sera basse, car le risque de crédit s'accroît. Se limiter à 30 % de la réserve (par émetteur) permet à un américain de bonifier sa note de credit scoring.
  • L'historique de crédit : paradoxalement et contrairement aux usages répandus en France, il est préférable d'avoir contracté plusieurs emprunts (auto, etc.) pour améliorer son credit score en démontrant sa capacité de remboursement.
  • La régularité des paiements effectués (loyer, factures, remboursements de cartes de crédit…).
  • Le type de crédit demandé.
  • Le nombre de recherches effectuées pour obtenir un prêt (credit inquiry).


Le credit score est un enjeu important pour les Américains (en outre, si un américain postule pour travailler dans une banque, celle-ci vérifiera systématiquement son credit scoring) qui savent jouer entre plusieurs cartes de crédit pour conserver la meilleure note possible. Le score individuel est accessible une fois par an sur un site officiel mais différents prestataires (ou applications) permettent d'effectuer des auto-évaluations.

 

Soft pulls et hard pulls : métriques centrales de l’évaluation de “credit scoring”


Les agence de notation distinguent deux types de tractions qui peuvent avoir des implications sur le credit scoring. Les “soft pulls” - par exemple lorsqu'un consommateur effectue chaque année une vérification de sa solvabilité lorsqu'il paye des impôts - ont peu d'influence sur son “credit scoring” global. Les “hard pulls”, provoqués par exemple pour une personne demandant une nouvelle hypothèque sur un bien immobilier, ont beaucoup plus de conséquences. Bien que des modèles mathématiques sophistiqués soient en place pour déterminer l’impact de toute demande de crédit scoring, l’évaluation a souvent un degré élevé d’interprétation.


L’utilisation de “Neural Networks” pour une attribution plus juste de la note de credit scoring.

Les agences de notation de crédit introduisent progressivement de nouvelles technologies prenant en compte les risques potentiels et les performances passées, afin d'appliquer des règles plus équitables. Pour éviter d’octroyer une “marge” de crédit à une personne susceptible de faire défaut sur un prêt, les institutions financières élaborent des modèles de risque de crédit fondés sur l’IA. Ces modèles utilisent un raisonnement prédictif couplé à des réseaux de neurones à auto-apprentissage (neural networks) afin de déterminer le risque total lié à un prêt donné.


Les neural networks (réseaux de neurones) apprennent de manière équivalente à l’être humain mais à l’infini. En utilisant une base de données stockée sur un système de fichiers virtualisés, les modèles de risque peuvent éviter de répéter des erreurs passées.

"Un neural network imite très fiablement la façon dont les humains pensent et raisonnent, alors que les modèles linéaires sont plus dogmatiques - dans un cas vous imposez une structure de données, dans l’autre (le neural network) vous laissez les données vous parler", a déclaré Eric VonDohlen, directeur des analyses chez Elevate agence de crédit en ligne, dans une interview avec American Banker.


L’AI protégera-t-elle les Etats Unis du risque de défaut de crédit généralisé ?


Cette technologie intègre parfaitement “l'apprentissage automatique” dans le processus d'évaluation du crédit. Il existe plusieurs outils déclinés de cette méthode : La technologie “NeuroDecision” est développée par le bureau de crédit Equifax. La technologie est modelée sur les réseaux de neurones du cerveau humain, ce qui lui permet d'évaluer les “interrelations” entre différents facteurs plutôt que de simplement restituer un “score” basé sur une formule statique.

D'autres agences d'évaluation du “credit score”, y compris Experian, explorent également des idées similaires.


Grâce à l’utilisation des “Neural Networks” et de l’AI, les emprunteurs les plus fiables, pourront ainsi bénéficier non seulement de meilleurs taux de crédits, mais aussi de réserves de crédit plus fiables, au détriment il est vrai, d’emprunteurs plus fragiles. On se souvient tous que la crise de 2008 a été provoquée par la faillite de deux institutions bancaires américaines : Bear sterns et Fanny May, spécialisées dans le crédit immobilier au particulier, et que le défaut de qualité du crédit immobilier américain a plongé les Etats-Unis puis le monde entier dans une crise sans précédents. La régulation par le marché, du crédit constitue donc un enjeu de taille dans le pays qui a la réputation de “vivre à crédit”; chaque habitant remboursant en moyenne 240 000 dollars d’intérêts, tout au long de sa vie.