Pourquoi la catégorisation de données est-elle fondamentale à la décision de crédit ?

Dans le cadre du Credit Scoring, il n’est pas obligatoire de catégoriser la donnée pour obtenir des résultats orientant la prise de décision. En effet, une approche basée sur des variables purement financières et calculées sur des données non catégorisées peut être utilisée pour construire un score de crédit. Celles-ci vont par exemple rendre compte de signaux tels que l’évolution du solde bancaire, la volatilité des dépenses, le nombre de jours de découvert, etc.

Cette approche purement financière présente cependant ses limites. Par exemple, chaque mois, la somme des entrées et des dépenses des consommateurs est souvent égale ou proche de zéro. Pour autant, cela ne signifie pas toujours que le budget de la personne est limité. Un montant non dépensé peut simplement être épargné, et sans catégorisation il est difficile de faire la part entre consommation et épargne. Finalement, l’interprétation purement financière des données Open Banking limite la finesse des profils de risque, car elle ne va pas permettre de comprendre en détail le comportement bancaire du candidat à l’emprunt. Son raisonnement restera purement comptable.

Pour aller plus loin dans l’analyse de risque, la catégorisation intervient alors pour donner du sens aux flux financiers. Chez Algoan, nous capitalisons sur la donnée Open Banking pour fournir l’une des analyses de risque les plus puissantes du marché. Grâce à cette catégorisation de la donnée Open Banking, nos modèles de prédiction du risque de crédit sont alimentés par des variables plus prédictives et ont appris à construire des profils de risque plus fins.

Nos algorithmes permettent d’assigner chaque transaction bancaire à l’une de nos 90 catégories, pour une précision de près de 99%. Cette granularité des catégories permet de valider  3 grands critères propres à la décision de crédit et à son automatisation :

• La solvabilité du candidat l’emprunt (affordability) :
  La catégorisation permet d’identifier parmi toutes les transactions bancaires les revenus et les dépenses incompressibles (logement, crédits…). Cela permet alors de fournir des indicateurs clés de l’analyse de solvabilité : le revenu, le taux d’endettement, le reste-à-vivre, etc.
• L’identification d’événements crédit significatifs (red flags) :
  La catégorisation permet de détecter les demandeurs déjà en situation de défaut sur des créances ou de stress financier et ainsi d’éviter des situations de surendettement.
  
• La propension à rembourser (creditworthiness) :
  La catégorisation nourrit les variables de notre score de crédit, qui estime la probabilité pour un demandeur de rembourser ses échéances de crédit.

Notre catégorisation permet ainsi de prendre une décision de crédit 100% Open banking, et ce en respectant les directives de l’AU-005 de la CNIL qui liste les éléments utilisables dans le cadre de la décision de crédit.

La fiabilité et la complémentarité de ces indicateurs permettent aux institutions financières de diviser leur risque crédit par deux par rapport à des méthodes de catégorisation et de scoring traditionnelles. On peut le dire, une nouvelle ère pour la décision de crédit !

Dans notre prochaine newsletter, nous reviendrons sur la méthode que nous avons développée pour construire des algorithmes de catégorisation et d’enrichissement de la donnée Open Banking sur la base du Machine Learning, abonnez-vous à notre newsletter sur LinkedIn !