+150 XP

Underwriting du client thin-file grâce à la donnée alternative

# Underwriting du client thin-file grâce à la donnée alternative

Maria conduit pour une application de VTC, vend des objets faits main en ligne et prend des extras en traiteur le week-end. Elle gagne correctement sa vie. Mais quand elle demande un prêt de 5 000 $ pour acheter une meilleure voiture, le système du prêteur renvoie une page blanche : pas de score de crédit, « historique insuffisant ». En langage de crédit, Maria est une cliente thin-file, quelqu'un qui a trop peu de données de crédit traditionnelles pour être scoré par les modèles conventionnels.

Elle n'est pas seule. La Banque mondiale estime que plus d'un milliard d'adultes dans le monde n'ont pas accès au crédit formel, et même aux États-Unis, des dizaines de millions de personnes sont « credit invisible » ou non scorables. Pour un prêteur fintech, ces gens ne sont pas de mauvais risques. Ce sont des risques non mesurés. L'opportunité consiste à les mesurer autrement.

Pourquoi le dossier traditionnel échoue

Un score de crédit conventionnel (aux États-Unis, un FICO ou un VantageScore) se construit surtout à partir de votre historique avec le crédit lui-même : cartes de crédit, prêts immobiliers, crédits auto, et la fiabilité de vos remboursements. C'est un relevé d'emprunts passés.

Cela crée un piège de l'œuf et de la poule. Il faut un historique de crédit pour obtenir du crédit, et il faut du crédit pour construire un historique. Les jeunes, les immigrés récents et les travailleurs de la gig economy qui encaissent en liquide ou via de multiples plateformes passent directement à travers les mailles.

La solution n'est pas de baisser les standards. C'est de trouver d'autres signaux qui prédisent réellement le remboursement.

La boîte à outils de la donnée alternative

La « donnée alternative » désigne toute information sur un emprunteur qui ne figure pas dans un rapport de crédit traditionnel. Quatre catégories font l'essentiel du travail dans l'underwriting fintech.

Données de cash-flow

C'est la source la plus solide et la plus défendable. Avec l'accord du client, le prêteur se connecte à son compte bancaire (généralement via un fournisseur d'open banking, un service d'API qui permet à un client de partager ses données bancaires en toute sécurité) et analyse les mouvements d'argent réels.

Ce qui compte :

  • Stabilité des revenus : quelle est la régularité des entrées ? Les revenus de Maria varient d'une semaine à l'autre, mais lissés sur 90 jours ils sont stables et en croissance.
  • Coussin de trésorerie : le solde tient-il jusqu'à la fin du mois, ou tombe-t-il à zéro le 20 ?
  • Charges récurrentes : loyer, factures, mensualités de prêts existants, tout est-il payé à temps ?
  • Signaux d'alerte : découverts fréquents, comportements de jeu d'argent, prélèvements rejetés.

L'underwriting par cash-flow fonctionne parce qu'il mesure directement la capacité de remboursement, et non par approximation. Les régulateurs américains ont signalé leur ouverture : voir la déclaration interagences sur l'usage de la donnée alternative du Consumer Financial Protection Bureau.

Données de paiement de loyer et de factures

Des millions de personnes paient leur loyer et leur électricité de façon fiable chaque mois, sans que ces paiements n'apparaissent jamais dans un rapport de crédit. Les déclarer (via des services qui transmettent les données de loyer et de factures aux bureaux de crédit) peut transformer un emprunteur invisible en emprunteur scorable. Cela récompense exactement le comportement qui intéresse les prêteurs : payer ses obligations à temps.

Données télécoms et données d'appareil

Sur les marchés où la banque formelle est peu développée, le comportement téléphonique est devenu le premier jeu de données alternatif sérieux. La fréquence de rechargement, la régularité de paiement des factures et l'ancienneté du compte sont corrélées au remboursement. Les historiques de mobile money (par exemple, sur les marchés d'Afrique de l'Est bâtis sur des plateformes comme M-Pesa) permettent aux prêteurs d'évaluer des personnes qui n'ont jamais eu de compte bancaire.

Utilisez cette catégorie avec prudence. Certains signaux d'appareil sont prédictifs mais juridiquement risqués, comme expliqué plus bas.

Données psychométriques

Certains prêteurs soumettent aux candidats de courts questionnaires mesurant la conscienciosité, le rapport au risque ou l'honnêteté. La théorie : les traits de personnalité prédisent le remboursement en l'absence d'historique financier. Les preuves sont mitigées et l'approche est controversée, donc traitez la psychométrie comme un signal complémentaire, pas comme un socle.

🎬 [VIDEO: "How Alternative Data Is Changing Credit Scoring" - youtube.com - un panorama clair du cash-flow et des données non traditionnelles dans le crédit moderne]

La partie difficile : rester dans les règles du fair lending

C'est là que la donnée alternative devient dangereuse. Plus de données, c'est plus de manières de discriminer par accident.

Deux lois américaines fixent le cadre :

  • ECOA (Equal Credit Opportunity Act) : interdit la discrimination en matière de crédit fondée sur des caractéristiques protégées : race, couleur, religion, origine nationale, sexe, situation matrimoniale, âge et perception d'aides publiques.
  • FCRA (Fair Credit Reporting Act) : encadre la collecte, l'usage et la contestation des données de consommateurs, et impose exactitude et accès du consommateur.

Deux notions comptent avant tout.

Disparate treatment et disparate impact

Le disparate treatment consiste à utiliser directement une caractéristique protégée. Aucun prêteur sérieux ne le fait volontairement.

Le disparate impact est plus subtil et c'est là que la donnée alternative dérape : une variable d'apparence neutre finit par pénaliser un groupe protégé. Exemple : utiliser le code postal ou le lieu d'achat comme variable peut agir comme proxy (variable de substitution) de la race, parce que les quartiers sont souvent ségrégués. Le modèle ne « voit » jamais la race, mais il recrée le même biais.

C'est pourquoi les données brutes d'appareil et de localisation sont risquées. Une variable comme « marque du téléphone » ou « quelles applications vous utilisez » peut discrètement corréler avec le revenu, l'âge ou l'origine ethnique.

Adverse action et explicabilité

Sous l'ECOA, si vous refusez un crédit vous devez donner au demandeur des motifs précis (un adverse action notice). « Notre IA a dit non » est illégal. Vous devez pouvoir dire quelque chose comme « stabilité de revenus insuffisante sur la période examinée ».

Cette exigence tue les modèles boîte noire, sauf si vous savez les expliquer. D'où l'appui des prêteurs sur des techniques d'explainable AI comme les valeurs SHAP, qui attribuent la décision d'un modèle aux variables d'entrée individuelles.

python
# Simplifié : expliquer pourquoi un demandeur thin-file a été refusé
import shap

# model = modèle de risque crédit entraîné ; X_applicant = variables d'un demandeur
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_applicant)

# Classer les variables selon leur contribution à la décision
top_reasons = sorted(
    zip(X_applicant.columns, shap_values[0]),
    key=lambda x: abs(x[1]),
    reverse=True
)[:4]

for feature, impact in top_reasons:
    print(f"{feature}: {impact:+.3f}")
# ex. cashflow_volatility_90d: +0.41  -> a poussé vers le refus

La sortie doit se traduire en motifs en langage clair que le demandeur peut comprendre et contester.

Construire un modèle défendable, étape par étape

Voici comment une fintech évaluerait réellement Maria.

1. Consentement et connexion. Maria autorise le prêteur à consulter 90 jours de transactions bancaires via l'open banking. Un consentement explicite et révocable est à la fois une obligation légale et un facteur de confiance.

2. Construire les variables de cash-flow. Le système calcule l'entrée nette moyenne, le coefficient de variation des revenus, le solde minimum, le nombre de découverts et la régularité du paiement du loyer.

3. Filtrer les variables au regard du risque de proxy. Avant l'entraînement, l'équipe teste chaque variable candidate pour sa corrélation avec des caractéristiques protégées, puis supprime ou contraint celles qui sont risquées. Les variables dérivées de la localisation font l'objet d'un examen renforcé.

4. Entraîner et tester l'équité. Le modèle est évalué non seulement sur sa précision mais sur les écarts de résultats entre groupes (par exemple, en comparant taux d'approbation et taux de défaut). Si un groupe protégé est approuvé à un taux beaucoup plus faible sans écart de risque correspondant, c'est un signal de disparate impact à investiguer.

5. Envelopper d'explicabilité. Chaque décision génère des codes de motifs classés pour les adverse action notices.

6. Surveiller après le lancement. Les modèles dérivent. Une variable équitable l'an dernier peut devenir un proxy à mesure que les populations évoluent. Le suivi fair lending est continu, pas un audit ponctuel.

Pour Maria, le résultat : des entrées régulières sur 90 jours, zéro découvert et des loyers payés avec constance produisent une approbation que son dossier FICO vide n'aurait jamais permise.

Vérification des acquis

1. Pourquoi la leçon décrit-elle les clients thin-file comme Maria comme des « risques non mesurés » plutôt que comme de « mauvais risques » ?

2. Quel est le problème fondamental de « l'œuf et la poule » du scoring de crédit conventionnel décrit dans la leçon ?

3. Selon la leçon, quelle est la bonne réponse stratégique à l'échec des dossiers traditionnels pour les clients thin-file ?

CHOIX MULTIPLES

4. Sélectionnez TOUTES les réponses correctes expliquant pourquoi la donnée de cash-flow est considérée comme un signal d'underwriting solide pour les clients thin-file.

Sélectionnez toutes les réponses correctes.

CHOIX MULTIPLES

5. Sélectionnez TOUTES les réponses correctes sur la notion de « donnée alternative » dans l'underwriting fintech.

Sélectionnez toutes les réponses correctes.

Là où les équipes se trompent

Courir aveuglément après le pouvoir prédictif. Une variable peut être très prédictive et rester illégale si elle sert de proxy à une classe protégée. Le caractère prédictif est nécessaire, pas suffisant.

Négliger la qualité des données. Les données bancaires sont désordonnées. Classer à tort un virement entre particuliers comme un revenu gonfle la capacité de remboursement et crée des pertes réelles. Une catégorisation robuste des transactions n'a rien de glamour mais reste indispensable.

Trop collecter. Aspirer tous les signaux disponibles élargit à la fois l'exposition juridique et le risque en matière de vie privée. Collectez ce que vous pouvez justifier. Sous des régimes comme le RGPD et diverses lois d'États américains, la minimisation des données est une attente, pas une élégance.

Aucune voie de revue humaine. Les décisions thin-file se situent près de la frontière. Une file de revue manuelle pour les cas limites rattrape les défaillances du modèle et rassure les régulateurs sur le fait que le système n'est pas entièrement automatisé de manière nuisible.

Le business case

L'underwriting thin-file n'est pas de la charité. C'est un avantage concurrentiel. Les clients que les banques traditionnelles refusent constituent un marché vaste et mal servi. Un prêteur capable de tarifer correctement leur risque capte des prêts rentables que personne d'autre ne fera, tout en construisant une fidélité tôt dans la vie financière du client.

La discipline consiste à équilibrer trois choses en même temps : précision prédictive, défendabilité réglementaire et confiance du client. Ratez-en une, les deux autres s'effondrent.

Points clés

  • Thin-file ne veut pas dire risque élevé. Cela veut dire non mesuré. La donnée de cash-flow mesure directement la capacité de remboursement et constitue la source alternative la plus défendable.
  • Prédictif n'est pas synonyme d'autorisé. Toute variable servant de proxy à une caractéristique protégée (code postal, type d'appareil, habitudes d'achat) peut créer un disparate impact illégal même si le modèle ne voit jamais la race ou le genre.
  • L'explicabilité est une obligation légale, pas un luxe. Les adverse action notices de l'ECOA impliquent que vous traduisiez chaque refus en motifs précis et en langage clair.
  • Consentement, minimisation des données et suivi continu de l'équité sont des obligations permanentes, pas des cases à cocher le jour du lancement. Les modèles dérivent, et l'équité aussi.

Articles liés

Les articles récents du blog qui s'appuient sur cette leçon.

Précédent

Lire le ledger de transactions : ce que révèlent les données de paiement et de comportement

Suivant

Construire des pipelines de détection de fraude et de KYC/AML