Intelligence Artificielle et scoring automatique

Les bénéfices pour le secteur financier africain

Lesté par le manque de fiabilité des données, un niveau de fraude important et un taux de créances douteuses élevé, le secteur bancaire africain bénéficie pourtant d’un contexte porteur pour le développement de l’intelligence artificielle et des approches d’octroi automatique de crédits.

Évolution de la performance des modèles d’octroi

L'auteur

Revue de l'article

Notons en préambule qu’il est difficile de parler du secteur financier africain comme s’il s’agissait d’un bloc uniforme, tant la typologie des acteurs financiers en Afrique est diversifiée et tant de multiples poches de modernité et de conservatisme cohabitent, parfois au sein d’un même pays. Cet article traitera à titre principal des pays d’Afrique du Nord (du Maroc à l’Égypte) marqués par les transitions politiques, ainsi que des pays d’Afrique subsaharienne (francophones et anglophones), hors Afrique australe.

Un environnement en apparence défavorable

Dans un premier temps, il peut paraître assez paradoxal de parler de bénéfices attendus de l’intelligence artificielle (IA), alors que les banques africaines sont confrontées dans leur quotidien à de nombreux défis a priori beaucoup plus terre à terre (problème de gouvernance, collusion d’intérêt, coûts d’exploitation…) et que les normes réglementaires Bâle II et III ne sont pas partout, tant s’en faut, transposées et appliquées. Les pratiques de scoring restent assez rares dans les faits, et les processus d’instruction des demandes de crédit demeurent souvent longs, collégiaux et coûteux. De même, la qualité des données peut être variable et l’accès à des Open Data externes demeure très limité. Dans notre échantillon, le pays le mieux noté par le Global Open Data Index de 2017 est la Tunisie, en restant toutefois au 66e rang mondial. Les autres pays de la zone sont moins bien notés ou absents de la liste. Les ressources de type Open Data demeurent donc inaccessibles aux banques africaines.

Pourtant, ce paradoxe n’est qu’apparent : les banques africaines ont encore plus que les banques occidentales tout à gagner avec l’IA et les approches d’octroi automatiques. En revanche, la source de ces bénéfices n’est pas du tout la même qu’en Occident et de nombreuses précautions doivent être prises.

Mieux exploiter les signaux faibles

Penchons-nous d’abord sur les données exploitables en machine learning, qui peuvent manquer d’intégrité. Parfois, les entreprises ne disposent pas d’états financiers fiables et/ou certifiés par des commissaires aux comptes indépendants. Certains pays ne disposent même pas de registre d’état civil avec un identifiant unique. Face à ces difficultés, des solutions de contournement existent : les états financiers peuvent ainsi n’avoir qu’une valeur déclarative et le chiffre d’affaires déclaré gagne à être reconstitué à partir des mouvements bancaires, en tenant compte de la part effective de l’activité réellement déclarée. Les banquiers africains savent lire entre les lignes et détecter certains signaux faibles pour évaluer le plus justement possible la solvabilité réelle de leurs clients. Certaines start-up – à l’instar de la société Branch au Kenya – fondent pour une grande part leurs scores sur les données collectées sur les mobiles de leurs clients. Le machine learning peut permettre de systématiser cette exploitation des signaux faibles, et ce d’autant plus aisément que les données peuvent être bien plus librement exploitées que dans les pays occidentaux. Parmi ces signaux faibles, on peut mentionner le standing du quartier de résidence, l’établissement de scolarisation des enfants, ainsi que les écarts entre les chiffres officieux et officiels des déclarations d’activité.

Corriger les effets procycliques

Par ailleurs, les historiques de calibration des algorithmes et autres fonctions scores peuvent être perturbés par les transitions politiques (printemps arabes) et les crises intérieures, notamment au Sahel. La hausse des taux de défaillance observée dans les années post-crise pourrait induire un biais pessimiste, empêchant l’octroi des crédits. Après tout, les algorithmes de scoring ou le machine learning ne font que prédire demain à l’aune du passé. Mais dans ce domaine aussi, l’objectif n’est pas infranchissable, les algorithmes décisionnels peuvent en effet tenir compte du cycle économique pour redresser les modèles prédictifs : il ne s’agit que de leur donner le caractère « Through the cycle » requis par le Comité de Bâle.

Réduire la fraude et les NPL

Les bénéfices attendus de l’IA sont encore plus nets en matière d’organisation et de lutte contre la fraude. Le secteur financier africain supporte en effet une base de coût parmi les plus élevées du monde, celle-ci étant estimée à près de 400 points de base par la Banque Mondiale en Afrique subsaharienne. L’automatisation des processus d’instruction de crédit et d’octroi permet ainsi d’accélérer grandement les processus d’octroi, en évitant la tenue de comités d’engagement coûteux en temps et en organisation. Le délai d’accord moyen d’un financement de PME peut donc ainsi être ramené de deux mois dans les banques kenyanes à quelques jours, sur la base d’un scoring automatique. Les approches automatiques permettent ainsi aux banques de financer plus largement des secteurs comme les PME caractérisés par des tickets nombreux mais de montant peu élevé. La Banque Mondiale soutient d’ailleurs plusieurs programmes d’appui en ce sens, que ce soit via des enveloppes de financement dédiées aux PME ou par ses programmes de renforcement de capacité du secteur financier favorable à la mise en place d’approches plus objectives et plus automatiques.

Les banques africaines souffrent également de taux de défaillance élevés dans leurs portefeuilles bancaires. Ces taux de créances douteuses élevés reflètent pour une bonne part des problèmes de contrôle interne et de collusion d’intérêts entre les emprunteurs et leur gestionnaire de compte, voire de franche corruption. Plus généralement, les gestionnaires de compte peuvent faire preuve d’une bienveillance excessive à l’égard des clients qui leur sont proches. Pour limiter ces risques, les banques africaines prônent une certaine collégialité dans la prise de décision. Mais cette collégialité ne garantit pas l’objectivité et ralentit le processus de financement. Les algorithmes de machine learning garantissent à l’inverse une forte objectivité et permettent une instruction du dossier de crédit de manière quasi instantanée, ce qui peut représenter un avantage réel sur la concurrence.

Des modèles auto-apprenants

Au fil des années, les algorithmes décisionnels peuvent ensuite mûrir et voir leur performance prédictive s’améliorer. Si, au début, ces algorithmes sont calés sur la connaissance du terrain, au fil du temps, des signaux faibles et différentes approches multicritères vont permettre de mieux coller aux réalités nationales et régionales. Les projets de type « usine à crédits à destination des TPE-PME » en cours dans de nombreuses banques africaines ont ainsi tout à gagner à mettre en place des approches d’analyse financière automatiques. Par ailleurs, la performance prédictive de ces modèles s’améliore d’autant plus rapidement que les défaillances ne sont pas rares et que les tickets à financer sont souvent modestes, mais très nombreux. Cette phase d’apprentissage doit toutefois se faire sous la semi-supervision des experts locaux, pour que les variables soient correctement nettoyées et lues avant d’être intégrées dans les algorithmes. L’évolution des performances de prédiction dans les approches d’analyse financière automatique déployées depuis 2013 par Azerrisk Advantage au Maghreb et au Machrek est présentée dans le graphique.

En conclusion, en matière d’IA comme dans d’autres domaines, l’Afrique est une terre de contrastes et de surprises. Les approches d’IA ne sont donc pas réservées à un cénacle de pays dits avancés. Bien au contraire, à travers des expériences réussies dans des pays africains divers, les méthodes d’octroi de crédit fondés sur des algorithmes automatiques ont fait leur preuve pour le plus grand bénéfice des banques africaines, notamment dans le secteur du leasing, dans la réduction des coûts et délais d’instruction, comme dans la réduction des risques de fraude et de corruption. Ces bénéfices de l’IA devraient encore s’accroître au fil du développement de la banque sur mobile et de l’arrivée des Open Data. Ces évolutions devraient en particulier faciliter l’accès des PME africaines au crédit, avec un effet d’entraînement majeur pour les économies africaines.

 

Sommaire du dossier

Intelligence artificielle : jusqu’où les machines peuvent-elles assister les financiers ?

Sur le même sujet