Tout le monde connaît Dun & Bradstreet pour ses rapports de crédit. Mais que se cache-t-il vraiment derrière ces rapports ? Voilà 30 ans que nous développons nos cartes de scores. Et ce n’est pas une mince affaire ! Notre objectif ? Prédire quelles entreprises feront potentiellement faillite ou accuseront des retards de paiement. Le tout en se basant sur la masse de données et d’informations compilées dans la vaste base de données de D&B.
Durant cette période, nous avons investi lourdement pour améliorer le pouvoir prédictif, la pertinence et la logique de nos systèmes de notation. Ces efforts ont porté leurs fruits : désormais, nos systèmes de notation évaluent les risques de manière automatisée dans pas moins de 41 pays du monde. Ces systèmes évaluent tout type d’entreprise, des petits indépendants aux grandes multinationales. Et le tout, indépendamment de la disponibilité ou non de données financières.
Chez D&B, nous développons depuis des années les cartes de scores en nous aidant des technologies dernier cri en matière d’apprentissage automatique. Depuis peu, nous y avons aussi intégré l’intelligence artificielle pour la Belgique.
Découvrez aussi : Comment améliorons-nous nos scores au fil des ans depuis une décennie ?
Pourquoi les scores de crédit sont-ils importants ?
Les scores de crédit tels que nous les connaissons ont été développés le siècle dernier aux États-Unis avec pour but premier de faciliter la prise de décisions portant sur les crédits à la consommation. Là où, auparavant, des décisions étaient prises uniquement sur la base d’une évaluation de la solvabilité réalisée par un humain, les cartes de scores appuient ce processus grâce à des évaluations numériques qui reflètent la solvabilité d’un prospect ou d’un client. Dès lors, il est possible de mieux cartographier les risques et de permettre ainsi aux prêteurs de prendre des décisions plus rigoureuses en moins de temps sur l’octroi d’un prêt et d’un crédit. En fonction des scores, certaines entreprises sont même allées plus loin et ont automatisé toute une partie de leur processus d’évaluation.
Apparition de l’IA dans le domaine des scores de crédit
Au siècle dernier déjà, notre secteur s’est penché sur la façon d’appliquer l’intelligence artificielle (IA) – sous la forme de réseaux de neurones (ou réseaux neuronaux artificiels) – au développement de scores de crédit. Ces réseaux sont des modèles informatiques inspirés de la structure et du fonctionnement des cellules cérébrales humaines. Ils sont conçus pour apprendre et reconnaître des schémas complexes dans les données. Au départ, l’idée était que le « pouvoir » de ces systèmes puisse accroître la capacité prédictive des scores de crédit. Malheureusement, force était de constater à l’époque que le pouvoir prédictif de ces réseaux neuronaux artificiels n’était pas suffisamment grand. Surtout si l’on se penchait sur la complexité et la compréhensibilité de ce type de modèles. L’utilisation des réseaux neuronaux artificiels pour l’évaluation du crédit est donc passée à la trappe.
Toutefois, avec l’arrivée des médias sociaux et des entreprises de la « nouvelle économie », l’intérêt pour l’application de l’IA à l’évaluation du crédit s’est à nouveau accru. Une part non négligeable des investissements de ces entreprises dans l’IA consiste à la rendre intelligible (« xAI », ou intelligence artificielle explicable).
Lisez aussi : L’IA explicable au service de la notation de crédit de demain
Face à cette évolution, nous avons commencé à chercher comment utiliser l’IA pour développer les systèmes de notation. Nous avions deux objectifs principaux en tête : d’abord, nous voulions accroître le pouvoir prédictif de nos systèmes d’évaluation. Ensuite, nous voulions nous assurer que notre système serait gérable, transparent et compréhensible.
L’IA appliquée à nos scores de crédit – un plus grand chiffre d’affaires et moins de risques
En 2019, nous avons atteint nos deux objectifs grâce au développement de notre tout premier système de score de crédit intégrant une couche d’IA. Nous ne souhaitions pas que les réseaux neuronaux artificiels génèrent directement nos scores. À la place, l’IA a été encastrée entre deux couches : une « couche logique », qui assure le contrôle et l’orientation de l’IA, et la couche traditionnelle de la carte de score, basée sur les résultats de l’IA.
Cette approche, que l’on appelle « AI Layered Scoring » nous permet d’affiner davantage l’évaluation du risque de crédit. Nous avons amélioré notre capacité à détecter les entreprises entraînant une perte sur crédit par rapport aux entreprises fiables.
Qu’en est-il dans la pratique ?
En guise d’illustration, voici un exemple concret sur la base d’un système que nous avons développé pour un client. L’objectif de ce système était d’anticiper avec le plus de précision possible les potentiels mauvais payeurs. Imaginons : nous souhaitons anticiper longtemps à l’avance 60 % des mauvais payeurs sur une période donnée. Avec l’apprentissage automatique traditionnel pour le développement de scores, environ 24 % des clients ont obtenu un score « faible », pour atteindre ces 60 %. Grâce à notre nouvelle méthode, il suffit d’attribuer une mauvaise note à 5 % des clients pour identifier ces 60 %.
La différence entre les deux (24 % par rapport à 5 %) indique une potentielle amélioration considérable : il est possible de réaliser du chiffre d’affaires avec 19 % d’entreprises en plus, sans augmenter le risque de retard de paiement. Bref : un plus grand chiffre d’affaires, moins de risques et donc un meilleur rendement.
Ces scores finaux vous aident à prendre des décisions quant à de potentiels partenaires commerciaux. Avec une abondance de données, l’essentiel est la facilité d’utilisation. Nous comprenons mieux que quiconque que la propension à prendre des risques varie d’une organisation à l’autre. Notre module de score personnalisé offre une solution idéale. Envie d’en savoir plus sur l’AI Layered Scoring et la manière dont il peut aider votre entreprise ? Contactez-nous ci-dessous.
