L’environnement actuel (inflation, crises sanitaires, tensions géopolitiques) et l’émergence de nouveaux risques met à l’épreuve la capacité des banques à se prémunir contre leurs risques et à disposer d’éléments pour les anticiper et les gérer. Se baser sur des données historiques et les éléments publiés par ses clients, comme les rapports annuels, ne leur suffit plus pour évaluer la solvabilité de leurs partenaires ou prospects. Car les facteurs macroéconomiques et géopolitiques sont susceptibles de remettre en cause de manière rapide et inattendue la stabilité de clients, prospects ou contreparties en apparence sains.
Les banques doivent donc s’attacher à revoir leurs systèmes d’alerte précoce (Early Warning System, EWS) actuels. Car les méthodes, indicateurs et sources de données utilisées jusqu’à présent pour évaluer le risque de crédit ou identifier les signaux de détresse, deviennent rapidement obsolètes ou non pertinents dans le contexte actuel. La solution ? Faire évoluer leur EWS vers une approche forward looking, en capacité de s’adapter à des scénarios émergents et de simuler leurs impacts.
Sous le regard attentif de la BCE
L’enjeu n’est pas seulement opérationnel, il devient réglementaire. En 2021, la Banque Centrale Européenne (BCE) a souligné les disparités significatives dans la qualité des systèmes d’alerte précoce1. Plus récemment, les EWI (Early Warning Indicator, indicateur permettant de détecter l’affaiblissement de la situation financière d’un client ou d’un portefeuille vis à vis d’un seuil de déclenchement d’alerte défini par l’établissement) ont fait partie d’un chapitre des lignes directrices de l’Autorité bancaire européenne « Loan Origination & Monitoring »2. Comme la BCE est particulièrement vigilante à la bonne application de l’ensemble des directives de ce texte, cela se traduit se traduit par de nombreuses missions de contrôle par leurs équipes de supervision au sein des établissements bancaires.
Un investissement pour réduire les provisions pour pertes
Les arguments stratégiques en faveur de l’élaboration et de la mise en œuvre d’un EWS sont également clairs : un suivi efficace des risques permet de réduire à la fois les pertes de crédit et les exigences en matière de fonds propres. L’expérience montre qu’un système d’alerte précoce efficace pourrait réduire les provisions pour pertes sur prêts de 10 à 20 % et le capital réglementaire requis jusqu’à 10 %3.
Un EWS efficace doit permettre d’identifier les emprunteurs présentant un risque de non-performance (High Hit Ratio) ou des signaux de défaillance avant que l’événement ne se produise. Il doit, par exemple, permettre une affectation efficace et fiable des emprunteurs dans différentes catégories de risque, dans les Watchlist et de déclencher d’autres actions et scénarios d’escalade en fonction de la nature et de la gravité du risque.
Un impact positif sur l’organisation
Avec une telle approche, les EWS ne sont donc plus uniquement des outils de détection précoce d’alertes tels qu’ils avaient été pensés lors de leur développement initial. Ils deviennent de réels leviers stratégiques pour une gestion proactive des risques, en servant trois objectifs principaux d’un établissement bancaire :
– ils renforcent la résilience de la banque, en facilitant la mise en place de meilleures capacités d’anticipation, de prévention des risques et de prise de décision ;
– ils participent à la digitalisation, l’industrialisation et l’automatisation des process de gestion des risques, via la prise en compte de technologies telles que l’intelligence articificielle (IA) et le Machine Learning dans les différents modèles sous tendant l’EWS. La croissance exponentielle de ces technologies ces dernières années offre des perspectives importantes en la matière ;
– ils contribuent à la transformation des organisations pour une gestion des risques centrée autour de données de qualité, de process standardisés et de systèmes d’information interfacés et connectés vers l’extérieur.
Voici un certain nombre de bonnes pratiques, pour mettre en musique cette stratégie contribuant à renforcer l’efficacité de EWS et assurer sa pérennité dans la durée.
Le nerf de la guerre : la gouvernance
L’implication du management au niveau des équipes opérationnelles (1re ligne de défense ou LoD1) et des équipes de suivi des risques (2e ligne de défense ou LoD2) dès la conception de l’EWS est clé pour permettre la mise en place d’indicateurs et de contrôles adaptés et l’acculturation de l’ensemble de la chaîne hiérarchique. Le suivi des risques identifiés par l’EWS doit également être intégré et piloté à différents niveaux de granularité (portefeuille, sous portefeuille, groupe de clients) lors de comités de pilotage des risques, et dans les comités de suivi plus opérationnels (par client). En résumé, une organisation et une gouvernance partagées et coordonnées aux différents niveaux de la banque doivent servir de socle pour la gestion de l’EWS.
À intégrer aux processus existants
Afin d’identifier les signaux faibles et prendre des mesures de mitigations en amont, l’EWS doit être intégré à l’ensemble de la chaîne d’octroi et de suivi du risque de crédit et enrichir les dispositifs et processus de suivi des risques existant, tels que le processus Watchlist ou le processus de recouvrement. Les alertes remontées via l’EWS devront par exemple être revues lors du processus de renouvellement de crédit. La déclinaison du dispositif pourra ensuite être adaptée en fonction du secteur ou du type de clients concerné : EWI automatisés sur le marché Retail ; EWI doublés d’une analyse d’expert pour le WholeSale.
Des indicateurs EWI à co-construire et régulièrement revoir
Lors de la définition ou lors de la revue de la gouvernance des EWI, l’une des premières étapes consiste à identifier les métriques que l’on souhaite piloter et qui sont pertinentes en fonction de l’exposition au risque de crédit de la banque. Les experts métier doivent ainsi converger vers un ensemble d’EWIs qui répondent à plusieurs impératifs : pertinence, disponibilité des données, adéquation avec le champ d’application. Dans cette phase, la priorisation des EWIs est donc extrêmement importante : un nombre limité d’indicateurs réellement efficaces peut offrir davantage d’informations pertinentes qu’un échantillon plus large d’indicateurs moins efficaces.
De même, une combinaison large d’EWIs en apparence peu significatifs pourra permettre de générer une alerte pertinente, qu’un EWI très significatif mais employé seul n’aurait pas pu détecter.
Lorsque la liste des indicateurs est validée, ceux-ci doivent être pilotés en les comparant aux seuils définis. Mais ils doivent également faire l’objet de revues régulières par les experts métiers dédiés en s’appuyant sur la gouvernance mise en place. L’ambition ? Réévaluer leur pertinence, et si besoin de les ajuster.
Données & SI : les pierres angulaires
Un système d’information (SI) peu agile, ne permettant pas d’agréger et d’analyser les données ou n’offrant pas la possibilité aux entreprises d’avoir une vue plus complète sur leurs données ne permettra pas le développement d’un EWS efficace. Comme nous l’avons évoqué précédemment, les données qui vont alimenter l’EWS et permettre la génération d’alertes précoces doivent être disponibles rapidement et être de qualité.
Dès lors, l’accès à des sources de données fiables et diversifiées, aussi bien internes qu’externes est clé pour sécuriser la qualité des alertes générées. Le système pourra notamment s’appuyer sur des indicateurs dérivés de la combinaison de sources de données traditionnelles et non traditionnelles. Ceci implique une parfaite interconnexion de l’ensemble du système d’information de la banque, de façon à pouvoir entrecroiser les données financières et transactionnelles avec des données externes.
Le système d’information doit être capable d’intégrer et exploiter (découverte en continu, intégration, transformation et remédiation des données) ces données, structurées et non structurées, à travers des canevas organisés et supervisés par les métiers dans une ontologie commune.
Enfin, le système doit disposer d’un versioning et d’une traçabilité organisée basés sur des règles pour traiter et prioriser les flux de données dans le cadre de batchs programmés. Les EWI s’appuyant sur la piste d’audit des événements, analyses et décisions, il est clé de maintenir une traçabilité exhaustive des données affectant les contreparties (prospects, clients) au sein du système d’information.
Penser un modèle prédictif
La plupart des EWS actuels utilisent des modèles unidimensionnels traditionnels ayant une faible capacité prédictive, et s’appuient sur des architectures de données legacy peu flexibles (par exemple, règles métiers codées « en dur », données saisies directement dans le code source d’une application). Cela limite la capacité à faire évoluer leur dispositif EWS et les EWI sous-jacents et à y intégrer de nouvelles données.
Conséquence : un nombre important de faux positifs constatés... et de nombreux contrôles manuels à effectuer pour vérifier la pertinence, la complétude et la précision du signal détecté. Par ricochet, une augmentation du coût/temps de gestion associé au process de détection des signaux d’alertes précoces et une perte d’efficacité opérationnelle en mobilisant des collaborateurs inutilement ! La BCE a par ailleurs critiqué l’utilisation de déclencheurs manuels ad hoc mis en œuvre par les banques et souligné la nécessité d’une approche plus systématique du suivi des alertes.
Un EWS performant devra privilégier à la fois des prédictions simples répondant à des hypothèses et scénarios déterminés (par exemple arbre de décision) et un modèle prédictif plus élaboré qui croise des données venant de sources différentes et qui utilise des techniques de modélisation plus avancées. Une tendance commune que nous observons sur le marché est une utilisation croissante d’analyses de données avancées sur les tendances (marché, secteur d’activité, etc.) s’appuyant sur des technologies d’IA ou de Machine Learning pour faciliter la génération d’alertes précoces sur une détérioration potentielle du crédit et intégrer de nouvelles sources de données telles que l’analyse d’articles de presse sur les mouvements de marchés ou les réactions collectives des investisseurs. L’intégration de l’IA peut non seulement permettre d’améliorer de manière significative la production des indicateurs et alertes, dans leur qualité intrinsèque mais aussi dans leur exhaustivité. Un système adossé à un IA entrainé à identifier et intégrer les informations provenant de sources externes (articles de presse, sanctions internationales, etc.) permettra de :
– réduire drastiquement le délai de mise à jour des scénarios ;
– rendre le modèle plus flexible et modulaire pour permettre de prendre en compte des changements de paramètres et l’intégration régulière de nouvelles données ;
– mieux tenir compte des évolutions sectorielles ou du contexte macroéconomique.
La gestion du modèle soutenant l’EWS est donc clé et nécessite de s’appuyer sur la gouvernance du risque de modèle (model risk management) en place au sein de la banque en définissant clairement les responsabilités entre les différents acteurs et notamment la propriété du modèle et de sa validation. La gouvernance du modèle doit également s’inscrire dans le processus de back-testing des modèles de gestion des risques de la banque afin de régulièrement contrôler la pertinence des résultats et réviser les outputs du modèle si nécessaire.
Faciliter l’appropriation par les métiers
Afin de garantir l’utilisation de l’EWS au sein de l’organisation, il est impératif qu’il soit perçu comme un levier contribuant à une meilleure allocation des ressources de la banque (en fonction des profils de risque clients) et un outil facilement exploitable.
Pour faciliter cette appropriation, l’EWS doit fonctionner comme du self-service analytics, en permettant à chaque utilisateur d’accéder, visualiser et explorer les données de manière simple et en autonomie (c’est à dire sans recours à un administrateur fonctionnel ou technique). Les tableaux de bord de contrôle et des indicateurs de suivi des risques doivent être facilement paramétrables, donnant la possibilité de modéliser différents scénarios (hausse de matières premières, inflation de X %, etc.) et de les appliquer de manière simulée sur l’ensemble de leur portefeuille ou sur des segments choisis.
La communication et la conduite du changement autour de ces leviers doivent également contribuer à l’appropriation et à l’adoption par les utilisateurs de l’EWS aux différents niveaux de l’organisation.
