Qu’apporte l’utilisation du Big Data dans l’analyse de solvabilité d’un emprunteur potentiel ?
Les différences avec les approches de scoring traditionnelles tiennent à la nature des informations utilisées et à la manière dont elles sont interprétées. Depuis des décennies, les établissements utilisent d’une part l’historique de crédit d’une personne comme un indicateur indirect de sa volonté de rembourser, et d’autre part des informations sur son niveau de revenus pour évaluer sa capacité à rembourser. Pour évaluer ces deux aspects – volonté et capacité de remboursement –, l’industrie financière utilise généralement les informations fournies par un credit bureau qui les tient lui-même d’un réseau d’institutions financières. Dans bien des cas, ces informations transmises aux credit bureaux ne sont pas fiables : elles peuvent être périmées ou partielles. Parfois, elles sont limitées aux incidents de paiement. Ces informations sont ensuite traitées par des modèles statistiques très simples, voire sur la base du jugement d’agents de crédit. Le recours aux credit bureaux fonctionne tant que l’emprunteur potentiel a, sous une forme ou sous une autre, un historique de crédit ainsi qu’un revenu stable. Que se passe-t-il pour les autres ? C’est une question qui se pose dans tous les pays, émergents comme développés. Le Big Data contribue à résoudre ce problème.
Comment cela fonctionne-t-il ?
Comme je le disais précédemment, les sources d’informations que nous utilisons sont très différentes. Elles révèlent directement des informations sur le client, sans qu’il y ait besoin d’un intermédiaire de type credit bureau. Nous demandons à l’emprunteur potentiel de partager un certain nombre d’informations contenues dans ses profils sur les réseaux sociaux, dans ses relevés de compte, dans sa consommation téléphonique, etc. Nous utilisons aussi des informations fournies par les services publics. Cela représente une très grande quantité d’informations primaires hétérogènes qu’il faut pouvoir exploiter et modéliser. Nous comparons notre travail à une mosaïque : beaucoup de toutes petites images qui, par elles-mêmes, n’apprennent rien, mais qui forment une image instructive une fois assemblées. Nous utilisons des outils statistiques, connus sous le terme d’« apprentissage automatique » (machine learning). Nous octroyons nous-mêmes les prêts, de sorte que nous pouvons en constater l’impact en direct. Ce retour nous permet d’affiner en continu notre technologie. C’est ainsi que nous pouvons découvrir des schémas explicatifs de la solvabilité d’une personne. Par ailleurs, notre approche fonctionne même si toutes les données ne sont pas disponibles. Enfin, elle est en temps réel, disponible en ligne à toute heure, sans intervention humaine.
Combien d’informations utilisez-vous ?
Cela peut aller jusqu’à 20 000 données.
Que vous apprennent les données issues des réseaux sociaux ?
L’essentiel des données que nous exploitons provient du profil de la personne et non de ses amis car on ne peut recevoir des informations d’eux sans qu’ils l’aient décidé. Nous utilisons par exemple les données liées à la localisation du client, ses activités, ses centres d’intérêt… À travers les réseaux sociaux, nous pouvons aussi valider l’identité numérique de la personne et prévenir la fraude. Les réseaux que nous utilisons dépendent des pays. Si le client accepte de partager l’information, nous pouvons aussi accéder à d’autres types de comptes, comme PayPal ou Amazon. L’utilisation des sites de e-commerce par le client donne ainsi des indications intéressantes sur son pouvoir d’achat et permet de valider son adresse physique. Dans tous les cas, la même règle s’applique : aucune donnée n’est prédictive à elle seule et seule la combinaison d’un grand nombre est instructive pour les décisions de crédit.
La 2e Directive sur les services de paiement (DSP 2) vient d’introduire un statut de « third party provider » octroyant le droit d’accéder aux données du compte bancaire d’un client qui l’autoriserait. Cela va-t-il vous faciliter votre travail de collecte d’informations ?
La DSP 2 facilitera l’accès au compte dans la plupart des pays européens en effet, mais en Allemagne, nous avions déjà un système assez performant qui permettait de le faire. La nouvelle Directive va généraliser ces pratiques et renforcer la confiance des clients dans ce mécanisme. En effet, autant il est entré dans les habitudes des internautes de se connecter via Facebook à diverses applications (via l’outil Facebook Connect) et de partager par exemple ses « like », autant il n’est pas encore naturel de le faire avec ses données bancaires. Par le passé, ces informations étaient enfermées au sein d’institutions spécifiques ; aujourd’hui, l’idée est de laisser le consommateur partager ses propres données historiques comme il l’entend, en échange d’autres services à valeur ajoutée. Dans le futur, ce sera aussi le cas des données financières.
Vous êtes actifs dans des pays émergents, où le taux de bancarisation est faible. Qu’offrez-vous plus spécifiquement à ces populations ?
Au-delà de l’évaluation du risque de crédit, nous devons résoudre la question du déboursement des prêts octroyés, car nos clients n’ont pas tous des comptes bancaires. La souscription se fait en ligne ou sur mobile, ce qui ne pose pas de problème : dans les pays où nous opérons, la pénétration d’Internet est très importante. Mais il nous faut ensuite trouver un canal pour transférer le cash. Au Mexique, par exemple, nos clients reçoivent des coupons qu’ils échangent dans nos magasins partenaires, qui assurent également la collecte des remboursements.
Vous êtes présents dans certains pays développés comme l’Espagne ou l’Australie. Vous concentrez-vous là aussi sur la population sous-bancarisée ?
Je n’emploierais pas ce terme. Sur les marchés développés, le taux de pénétration des comptes bancaires est très élevé ; pour autant, l’accès à un crédit équitable et facile n’est pas toujours assuré. En Australie, par exemple, il existe des solutions de financement, mais elles ne sont pas très responsables, car elles se font sans mesure de la solvabilité de l’emprunteur et à des taux très élevés. Nous proposons une solution pour ces personnes-là.
Vos clients ne sont-ils pas réticents à donner accès à leurs données personnelles ?
La confidentialité des données est extrêmement importante pour nous. Ce que nous offrons nous semble honnête : les clients qui acceptent d’ouvrir leurs comptes reçoivent en retour l’accès à une meilleure offre de prêt, voire à une offre tout court. C’est transparent : le client a le choix de partager ou non ses données, ce qui me semble très différent de ce que les institutions financières font aujourd’hui, en transmettant, dans le dos du client, des données aux credit bureaux qui les stockent.
Qu’en est-il du taux de défaut sur votre portefeuille ?
La question ne se pose pas en ces termes. Il s’agit plutôt de savoir où l’on place le curseur : si l’on vise un taux de prêts non performants très bas, on sera amené à accepter très peu de dossiers de crédit et il sera donc difficile d’être rentable. Inversement, si l’on n’est pas très regardant sur la qualification des emprunteurs, les pertes seront plus élevées. Cela revient à choisir à quel coût on veut acquérir de nouveaux clients. La réponse est différente selon le type de prêt et le marché. Nous utilisons un modèle d’optimisation du rendement financier. La différence avec la concurrence se joue finalement sur la qualité de notre modèle de scoring : si l’on entrait les mêmes données dans un autre modèle que le nôtre avec un même niveau de tolérance, on obtiendrait un taux de défaut sensiblement supérieur.
Vous intéressez-vous au marché français ?
Non. La France est l’un des pays les plus régulés en matière de services financiers. Le principal problème concerne la limitation des taux d’intérêt. Sur les segments de marché sur lesquels nous opérons, nous avons besoin de prévoir des taux d’intérêt élevés pour des risques élevés qui sinon ne recevraient pas de crédit.
