Klarna et le scoring des emprunteurs sans historique : ce que les autres prêteurs peuvent en apprendre

En 2020, Klarna traitait déjà plusieurs centaines de millions de transactions par an en Europe et en Amérique du Nord. Une fraction significative de ses utilisateurs actifs ne disposait d'aucun score FICO ou Experian exploitable : jeunes adultes, primo-accédants au crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →édit, immigrés récents, freelances aux revenus variables. Pour un établissement bancaire traditionnel, ces profils sont soit refusés d'emblée, soit orientés vers des produits à taux pénalisants. Pour Klarna, ils représentaient une part substantielle du volume commercial, et donc un problème à résoudre.

La particularité de la situation tient à la structure même du modèle BNPL ("buy now, pay later") : chaque transaction génère un signal immédiat sur le comportement de remboursement, le panier moyen, la fréquence d'achat, la catégorie marchande et même le moment de la journée où l'utilisateur passe commande. Klarna n'avait pas besoin de demander un relevé bancaire de six mois ; elle le construisait elle-même, transaction après transaction.

Ce que Klarna a fait concrètement

Le dispositif repose sur trois couches distinctes, que l'on peut reconstituer à partir des communications publiques de l'entreprise et des dépôts réglementaires européens.

La première couche exploite les données propriétairesdonnées propriétairesDonnées collectées directement auprès de vos clients et prospects via vos propres canaux : votre source la plus fiable et la plus conforme en matière de privacy.Voir la définition complète → de la plateforme. Chaque décision de crédit BNPL, même de faible montant (un achat à 40 euros remboursable en trois fois), alimente un historique comportemental interne. L'algorithme observe la régularité des remboursements précédents, les tentatives de paiement échouées, les retours produits excessifs (signal de fraude documenté), et le ratio entre montant accordé et montant effectivement utilisé. Ces variables n'apparaissent dans aucun fichier de bureau de crédit traditionnel.

La deuxième couche intègre les données bancaires ouvertes via les APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → PSD2. Depuis l'entrée en vigueur de la directive en 2018, Klarna peut, avec le consentement explicite de l'utilisateur, accéder aux relevés de compte courant en temps réel. Ce queles données transactionnelles permettent de déduire va au-delà du solde moyen : flux de revenus réguliers ou irrirrLe taux de rendement interne est le taux d'actualisation qui annule la valeur actuelle nette d'un projet. Il exprime le rendement annualisé attendu d'un investissement.Voir la définition complète →éguliers, présence de prélèvements récurrents (loyer, abonnements), comportement d'épargne résiduelle en fin de mois. Pour un profil sans score FICO, ces données remplacent avantageusement trois années de relevés Experian.

La troisième couche concerne la modélisation. Klarna a progressivement abandonné les scorecards logistiques simples au profit de modèles gradient boosting, puis de couches d'apprentissage profond pour les segmentssegmentsDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → les plus atypiques. L'enjeu n'était pas seulement la précision prédictive, mais la vitesse : une décision BNPL doit tomber en moins de deux secondes au moment du passage en caisse, ce qui impose des contraintes d'inférence que peu d'acteurs bancaires traditionnels connaissent.

Un point rarement mentionné dans les analyses de marché : Klarna a investi tôt dans la documentation d'explicabilité de ses modèles, notamment pour satisfaire aux exigences de la BaFin en Allemagne et de la FCA au Royaume-Uni, deux régulateurs qui demandent qu'un refus de crédit soit justifiable en termes compréhensibles pour le consommateur. Cela a conduit à des architectures hybrides où le modèle de deep learning oriente la décision, mais un scorecard lisible en assure la justification réglementaire.

Les résultats : ce que l'on sait et ce que l'on ne sait pas

Les chiffres publiés par Klarna dans ses rapports annuels montrent un taux de perte nette sur créances ("net credit loss rate") maintenu sous 0,6 % du volume de transactions brutes sur la période 2021-2023, dans un contexte de forte expansion géographique. C'est un niveau compétitif par rapport aux émetteurs de cartes de crédit américains, dont le taux de charge-off moyen dépassait 3 % sur la même période selon les données de la Réserve fédérale.

Sur le segment spécifique des emprunteurs thin-file, Klarna n'a pas publié de décomposition isolée des performances. Toute estimation précise serait spéculative. Ce que l'on peut affirmer sans extrapolation : l'entreprise a augmenté son taux d'acceptation sur les nouveaux utilisateurs sans historique externe tout en maintenant ses ratios de perte globaux, ce qui indique que les signaux alternatifs apportent une discrimination réelle, pas seulement un relâchement des critères.

La valorisation de Klarna, revenue à 6,7 milliards de dollars en 2022 après le pic de 45 milliards en 2021, reflète davantage les conditions de marché que la qualité du crédit. Il serait inexact de lire l'évolution boursière comme un signal sur la pertinence du modèle de scoring.

Ce qui se transfère à d'autres contextes fintech

Quatre mécanismes sont directement transposables, à condition d'adapter les hypothèses au profil de chaque plateforme.

Le premier : la valeur des données propriétaires est proportionnelle à la fréquence d'interaction. Un prêteur personnel qui voit ses clients une fois tous les deux ans génère beaucoup moins de signal comportemental qu'une plateforme de paiement quotidien. Avant de modéliser quoi que ce soit, un CDO doit cartographier honnêtement la richesse temporelle de ses données maison.

Le deuxième : l'open bankingopen bankingCadre réglementaire (PSD2 en Europe) obligeant les banques à partager les données clients via des API standardisées, avec consentement, transformant les données bancaires en actif compétitif. via PSD2 (ou son équivalent CCPA-compatible en Californie) change l'équation d'accès, mais le consentement reste une contrainte active.Les tensions entre valeur des données partagées et droits des utilisateurs ne se résolvent pas par la technique : elles exigent une architecture de consentement granulaire et auditable, ce que peu de fintechs ont construit correctement à ce jour.

Le troisième : le choix de l'architecture de modèle dépend moins de la performance pure que des contraintes réglementaires locales. Un modèle non interprétable qui excelle sur l'AUC-ROC mais qui ne peut pas justifier un refus devant la CNIL ou la Consumer Financial Protection Bureau (CFPB) est inutilisable en production.

Le quatrième point de divergence concerne l'échelle. Klarna traite des volumes qui permettent d'entraîner des modèles sur des dizaines de millions d'exemples par segment. Une fintech plus petite, avec moins de 500 000 dossiers actifs, devra recourir à du transfer learning ou à des données synthétiques avec prudence : l'extrapolation hors distribution reste le risque principal, et les régulateurs en ont pris conscience.

Les prê

Le parcours complet sur ce secteur :Data dans Fintech.