Quand les algorithmes remplacent le banquier

Le difficile accès aux services financiers est perçu comme un obstacle majeur au développement des pays à bas revenus. La microfinance, notamment les microcrédits octroyés via des groupes d’emprunteurs, sur le modèle de la Grameen Bank de Muhammad Yunus, a cherché à combler ce vide, avec des résultats mitigés [1] . Depuis quelques années, le crédit digital se développe comme une alternative, en particulier en Afrique subsaharienne. Le plus fréquemment, l’offre émane d’un opérateur téléphonique allié à une institution financière : les prêts, de faible montant et à court terme, sont octroyés au client directement à travers l’écosystème de mobile money existant. M-Shwari, l’offre déployée au Kenya par Safaricom (M-Pesa) et Commercial Bank of Africa, est l’un des précurseurs. Mais d’autres business models existent, développés notamment par des FinTechs qui calculent un score de crédit et le revendent aux banques et autres originateurs.

Temps réel et automatisation

Ce modèle dominant présente différents avantages, à la fois par rapport au microcrédit et au crédit bancaire. Tout d’abord, les coûts de transaction peuvent être drastiquement réduits, grâce à l’utilisation du réseau d’agents assurant la conversion de la monnaie électronique émise par l’opérateur téléphonique en cash : ni le client ni le prêteur n’ont besoin de se déplacer. De plus, le crédit peut être octroyé en temps réel et sans intervention humaine : l’évaluation de la demande de prêt est automatique, grâce à l’utilisation d’un score de crédit. Enfin, ce score est généré à partir de données non conventionnelles auxquelles un credit bureau – quand il en existe un dans le pays – n’a traditionnellement pas accès. Ces scores alternatifs permettent à des populations ne disposant ni de collatéral ni d’un historique formel de transactions financières d’accéder au financement. Ces données non conventionnelles sont principalement liées à la manière dont l’emprunteur potentiel utilise son téléphone portable et son portefeuille de mobile money associé. Une manne d’informations dans ces pays où la pénétration du téléphone est de l’ordre de 80 %. Ainsi, en Tanzanie, seule 6,5 % de la population adulte est enregistrée dans un credit bureau, alors que 32,4 % utilise le mobile money.

Exploiter les données du mobile

Or des études récentes ont montré qu’il était possible de prédire la probabilité de défaut d’un prêt par l’usage que l’emprunteur fait de son mobile [2] . Les acteurs du crédit digital liés à l’industrie télécom utilisent ainsi des données comme les appels téléphoniques, les SMS, les rechargements de crédit téléphonique, la consommation de data sur l’Internet mobile, les transactions de mobile money effectuées… Mais il existe également des acteurs plus indépendants des opérateurs télécom – peu enclins à partager leurs données –, qui demandent au client d’installer une application sur leur smartphone, ce qui leur permet d’accéder non seulement aux données téléphoniques (appels, SMS, mobile money…), mais aussi aux informations présentes sur l’appareil lui-même (localisations GPS, contacts, données issues des réseaux sociaux). Par exemple, pour établir un score de solvabilité, l’entreprise Lenddo utilise des informations issues des réseaux sociaux fréquentés par l’emprunteur, ses contacts, sa fréquence d’interaction, ses centres d’intérêt, son historique de navigation et d’utilisation de la messagerie, ainsi que des données comme les applications installées sur son téléphone, son usage du wifi et même le niveau de charge de la batterie. D’autres, comme FirstAccess, combinent des données démographiques, financières et sociales. VisualDNA et Entrepreneurial Finance Labs (EFL) [3] se basent sur des analyses psychométriques d’après un test administré aux emprunteurs potentiels. Revolution Credit a recours à des vidéos d’éducation financière en ligne et des quizz distillés tout au long du parcours de demande de crédit. Enfin, l’historique des transferts d’argent (Axis Bank, Suvidha Infoserve) et des transactions sur des plates-formes de paiement (AMP Credit, Kopo Kopo) est également utilisé.

Des algorithmes sophistiqués

Ces acteurs du crédit digital, en particulier les FinTechs, ont recours à des techniques algorithmiques développées récemment, notamment dans le secteur de la publicité en ligne, pour personnaliser et optimiser leurs décisions d’octroi et les conditions des prêts. Si, en théorie, ces techniques peuvent aussi être utilisées par les prêteurs bancaires traditionnels, elles prennent tout leur sens dans un environnement riche en données comme celui du crédit digital. Par exemple, grâce à l’apprentissage supervisé, les algorithmes utilisés pour prédire la probabilité de défaut des emprunteurs peuvent être mis à jour fréquemment, pour s’adapter rapidement aux variations de l’environnement de crédit et au niveau de risque global. Des conditions dynamiques incitatives sont souvent intégrées dans les modèles de crédit : les emprunteurs qui remboursent en temps et en heure deviennent, par exemple, éligibles pour des prêts de plus gros montants. Des systèmes plus sophistiqués encore modulent les périodes de remboursement. La quasi-absence de régulation dans ce domaine laisse une très grande marge d’action aux acteurs en matière de tarification et de politique d’octroi.

Les limites du crédit digital

S’il permet l’inclusion financière de populations non bancarisées, le crédit digital soulève aussi des questions. Le taux d’intérêt – parfois qualifié de « frais d’accès » – est généralement élevé (7,5 % par mois, soit 138 % par an pour M-Shwari, qui n’est pas le plus cher). Le risque de surendettement est accru pour ces clients n’ayant souvent eu aucune expérience avec une institution financière. Les législations protégeant le consommateur sont encore balbutiantes, alors que les procédures pour obtenir le consentement de l’emprunteur butent sur les limites du digital : pour être informés sur leurs droits et sur l’usage fait de leurs données, les clients sont ainsi invités à se rendre sur un site web, alors même qu’ils n’ont pas toujours accès à Internet. Lire les termes du contrat de prêt sur un simple téléphone est tout aussi difficile.

Les modèles de scoring eux-mêmes ont des limites similaires à celles des méthodes de scoring traditionnelles comme les biais implicites liés au sexe et à l’origine ethnique. Ces biais auraient même tendance à être amplifiés par l’utilisation des données non conventionnelles. Ainsi, les algorithmes ne corrigent-ils pas nécessairement des biais liés au sexe (les femmes détiennent de fait moins d’actifs que les hommes, ne possèdent pas toujours de mobile…). Par ailleurs, il est important de garder à l’esprit que les populations exclues financièrement sont susceptibles d’avoir également une empreinte peu profonde dans le monde digital. Compléter les modèles non conventionnels par des données de solvabilité plus traditionnelles peut s’avérer nécessaire. Des techniques de machine learning ont été récemment développées pour rendre les algorithmes prédictifs plus « équitables » [4] , mais une utilisation trop naïve de ces modèles pourrait tout de même continuer d’exclure les populations qui y auraient pourtant le plus à gagner.

Enfin, des cas de fraude viennent perturber le modèle : emprunteurs qui multiplient les comptes, revente de cartes SIM rendues éligibles au crédit, manipulation des données comportementales pour « tromper » l’algorithme… Si des solutions techniques existent pour détecter ces comportements frauduleux, là encore, leur intégration dans les modèles de crédit digital reste délicate.

Si le crédit digital présente d’intéressants avantages par rapport au crédit traditionnel, il n’existe encore que très peu de travaux académiques sur ses effets. C’est un sujet qui doit être approfondi, en particulier pour mieux comprendre et affiner les algorithmes utilisés pour mesurer la solvabilité des clients.