Mémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi»

Transcription

1 Mémo technique MODELES GENERIQUES DE SCORE DE CREDIT ou Le scoring de crédit «prêt à l emploi» 46, rue de la Tour Paris tél. (33) fax (33)

2 Sommaire 1. SYNTHESE : CE QU IL FAUT SAVOIR 1 2. PRESENTATION GENERALE ET ENJEUX 2 3. DESCRIPTION DES MODELES DE SCORE GENERIQUES3 3.1 Principe de fonctionnement Liste des modèles Soft Computing disponibles Modèles de score d octroi pour les particuliers Modèles de score de comportement (=surveillance récurrente pour les dossiers ouverts disposant d un historique) pour les particuliers Modèles de score d octroi et de comportement pour les TPE/PME 5 4. LE MARCHE Les utilisations MISE EN ŒUVRE OPERATIONNELLE : PROCESSUS, COUTS, LIMITES ET BENEFICES POUR L ENTREPRISE Processus Cadrage du contexte de mise en œuvre du modèle de score : Adaptation du modèle au contexte identifié : Aide à la définition des éléments de la politique de crédit impactés par le score : Aide à la définition des rapports et des procédures de suivi du score : Limites essentielles FICHE D IDENTITE 10 30/04/2004 Mémo Scoring.doc I

3 1. Synthèse : ce qu il faut savoir 1. Les modèles génériques de score de crédit sont des grilles de score de crédit «toutes prêtes» qui n ont pas été développées spécifiquement pour un organisme de crédit particulier. Tout organisme de crédit peut alors les contracter, sans avoir recours à une modélisation statistique du risque de crédit sur son portefeuille de clients ou de prospects. 2. Chaque modèle générique est adapté à un contexte précis de risque de crédit, à savoir : a. Un produit ou un groupe de produits particulier (prêt à la consommation, carte de crédit, compte courant bancaire, crédit immobilier, prêts et crédits aux TPE/PME, etc.), b. Une clientèle définie (particuliers ou TPE/PME), c. Une utilisation particulière (octroi ou surveillance) 3. Les modèles génériques sont élaborés en s inspirant de différents modèles développés statistiquement pour le contexte de risque de crédit identifié. Chaque modèle générique constitue une sorte de généralisation des éléments communs observés au travers de différents modèles élaborés pour des organismes de crédit différents, mais toujours pour le même contexte de risque de crédit. L évaluation et l assemblage des tendances et orientations communes aux différents modèles collectés (caractéristiques, modalités, pondérations, ) requièrent une importante expérience du développement de modèles de score de crédit. 4. Les modèles génériques de score de crédit sont généralement utilisés par des organismes : a. Ne disposant pas des données historisées nécessaires au développement statistique d un score (implantation sur un nouveau marché, nouveau produit de crédit, etc.) b. Ne disposant pas du volume ou de la qualité de données requises pour le développement statistique d un score (portefeuille limité, niche, faible qualité/diversité/représentativité des données disponibles, données inaccessibles, etc.) c. Ne disposant pas du temps nécessaire au développement statistique d un score 5. Les modèles génériques de score de crédit comportent certaines limitations significatives, comparativement aux modèles développés statistiquement et spécifiquement pour le portefeuille de l organisme utilisateur, spécialement en terme de pilotage dans la politique de crédit. 6. Les modèles génériques de score de crédit proposés par Soft Computing sont rarement livrés en l état au client. Ils servent de base de travail et sont ajustés pour tenir compte des contraintes opérationnelles du client (extraction ou ajout 30/04/2004 Mémo Scoring.doc 1 Synthèse : ce qu il faut savoir

4 de variables ou de modalités, changement des bornes des modalités, ajustement des pondérations, ). 7. La mise en œuvre opérationnelle de modèles de score de crédit est extrêmement sensible. Elle doit se faire de façon incrémentielle et demande un suivi très rigoureux et des ajustements réguliers. 8. L utilisation de modèles génériques de score de crédit est souvent une étape transitoire, dans l attente de la constitution d un historique de dossiers dont le volume et la qualité permettent le développement de modèles statistiques, qui viendront remplacer les modèles génériques. 2. Présentation générale et enjeux L utilisation de modèles de score de crédit est devenue incontournable pour la quasi-totalité des organismes de crédit, compte tenu de leur apport en terme de productivité, d efficacité et d objectivité, ainsi que de pilotage et de contrôle de la politique de crédit. Mais les portefeuilles de chaque organisme de crédit sont sensiblement différents, en terme de profil de population, de données disponibles ou de risque à estimer. Le développement statistique des scores de crédit, à partir de l analyse des données spécifiques à chaque portefeuille, permet de disposer de modèles optimisés pour le contexte opérationnel spécifique de l organisme de crédit utilisateur. Cependant, les exigences sur les données d étude requises pour le développement d un score statistique sont relativement élevées et ne peuvent être satisfaites sur tous les portefeuilles. Dans de tels cas de figure, l organisme de crédit désireux d implémenter des scores de crédit sera alors amené à contracter, auprès d un prestataire spécialisé, un modèle «clé en main» qui, même si il n a pas été développé spécifiquement sur ses données, est adapté à son portefeuille et à son risque de crédit. Un tel modèle de score est dit générique, par opposition à un modèle spécifique, puisqu il est «généralisable» à différents portefeuilles de crédit. Seul un prestataire spécialisé, disposant de sources variées et représentatives des différents contextes de crédit, ainsi que d une importante expérience dans le développement et la mise en œuvre de modèles de score de crédit, pourra justifier de sa capacité à produire des scores génériques. Les enjeux d un modèle de score génériques sont de retrouver au mieux les capacités et la puissance d un modèle de score statistique spécifique : 30/04/2004 Mémo Scoring.doc 2 Présentation générale et enjeux

5 1. Capacité à fournir une note qui discrimine fortement entre les «Bons» et les «Mauvais» dossiers, conformément à la définition de «Bons» et de «Mauvais» dossiers établie par l organisme créditeur, 2. Stabilité à travers le temps, 3. Utilisation exclusivement des données disponibles opérationnellement dans le processus décisionnel de l organisme de crédit, Capacité à simuler et anticiper l impact du score sur la population traitée, en terme de distributions, d exceptions, de seuils, de taux de défaut et d acceptation associés, etc. 3. Description des modèles de score génériques 3.1 Principe de fonctionnement Chaque modèle de score est constitué de 10 à 15 caractéristiques telles que «Age de l emprunteur», «CSP de l emprunteur», etc. Chacune de ces caractéristiques est décomposée en différentes modalités, chaque modalité identifiant un ensemble de valeurs pouvant être prises par la caractéristique en question. En face de chacune de ces modalités se trouve une pondération en nombre entier positif. Ainsi pour une caractéristique telle que «Age de l emprunteur» les modalités et les pondérations peuvent prendre la forme suivante :! < 24 ans 0! 24 ans -< 33 ans 31! 33 ans -< 45 ans 41! 45 ans -< 60 ans 51! 60 ans et plus 60! NON DONNE 0! NON INFORMATION 33 Le score de chaque dossier traité se calcule en additionnant les pondérations attribuées à ce dossier compte tenu des valeurs qu il présente pour chacune des caractéristiques du modèle de score. Plus le score obtenu est élevé, plus il est estimé que le risque de devenir «Mauvais» est faible, relativement à la définition «Bon»/«Mauvais» retenue pour le modèle. Exemple : 30/04/2004 Mémo Scoring.doc 3 Description des modèles de score génériques

6 Le modèle de score générique utilisé pour le calcul du score ci-dessous est destiné à évaluer le risque de d impayés graves (3 mensualités cumulées impayées ou plus) sur des demandes de crédit revolving, de la part de particuliers. Caractéristiques du modèle Sujet 8 Age de l emprunteur 52 ans 51 Situation maritale Concubinage ou PACS 19 Statut résidentiel Locataire 24 Lieu de résidence Provence-Alpes-Côte d'azur 20 Ancienneté à l'adresse actuelle 9 ans 17 Nature du contrat de travail ET Ancienneté à CDI ET 25 ans 56 l emploi actuel de l emprunteur CSP de l emprunteur Agent de Service 31 CSP du conjoint Agent de Sécurité et de 11 Surveillance Nature du contrat de travail ET Ancienneté à CDD ET 5 mois 0 l emploi actuel du conjoint Revenu du ménage ET Nombre de personnes 2200 ET 2 personnes 67 du ménage Pourcentage actuel des remboursements 0% 89 mensuels du ménage SCORE FINAL Liste des modèles Soft Computing disponibles Soft Computing propose onze modèles génériques de score de crédit, respectivement pour les contextes de risque de crédit suivant : Modèles de score d octroi pour les particuliers # Score d octroi de prêt immobilier pour les particuliers (estimation du risque d impayés graves dans les 4 ans qui suivent l ouverture du prêt) # Score d octroi de crédit revolving pour les particuliers (estimation du risque d impayés graves dans les 12 mois qui suivent l obtention du crédit) # Score d octroi de prêt amortissable affecté ou non affecté pour les particuliers (estimation du risque d impayés graves dans les 12 mois qui suivent l obtention du crédit) # Score d octroi de prêt automobile pour les particuliers (estimation du risque d impayés graves dans les 12 mois qui suivent l obtention du crédit) 30/04/2004 Mémo Scoring.doc 4 Description des modèles de score génériques

7 3.2.2 Modèles de score de comportement (=surveillance récurrente pour les dossiers ouverts disposant d un historique) pour les particuliers # Scores de comportement pour compte courant (estimation du risque de découvert non autorisé dans les 6 mois qui suivent l évaluation)! Clients ayant eu au moins un «découvert non autorisé» au cours des 24 derniers mois précédents l évaluation! Clients ne possédant pas de prêt dans l établissement, et n ayant pas eu de «découvert non autorisé» au cours des 24 derniers mois précédents l évaluation! Clients possédant au moins un prêt dans l établissement, et n ayant pas eu de «découvert non autorisé» au cours des 24 derniers mois précédents l évaluation # Scores de comportement pour compte revolving (estimation du risque d impayés graves dans les 6 mois qui suivent l évaluation)! Clients avec un impayé en cours mais toujours en gestion courante! Clients sans impayé en cours Modèles de score d octroi et de comportement pour les TPE/PME # Score d octroi de crédit court terme (estimation du risque d impayés graves dans les 12 mois qui suivent l évaluation) # Score de comportement sur court terme (estimation du risque d impayés graves dans les 12 mois qui suivent l évaluation) 4. Le marché 4.1 Les utilisations Les modèles de score génériques sont généralement utilisés comme des solutions aux problématiques suivantes : # Développement d une offre de crédit sur un nouveau marché (nouveau pays, nouvelle population, etc.). Les caractéristiques d un dossier ou d un compte qui sont prédictives de son risque de crédit peuvent grandement varier d un pays à l autre, et plus généralement d une clientèle à une autre. 30/04/2004 Mémo Scoring.doc 5 Le marché

8 Si un organisme de crédit lance une offre de crédit sur une nouvelle clientèle, il ne dispose alors pas, par définition, de données historisées sur cette clientèle, et donc de la capacité à développer un score statistique spécifique pour cette population. Plutôt que d utiliser sur cette nouvelle clientèle un modèle de score développé statistiquement sur une autre population, il peut s avérer plus adapté, plus sûr et plus efficace d utiliser un score générique élaboré pour la clientèle en question. Les modèles de score génériques dont dispose Soft Computing sont adaptés au marché français. Ils permettent donc à des organismes de crédit étranger de monter en France une offre de crédit gérée par des modèles de score # Développement d une nouvelle offre de crédit. Les caractéristiques d un dossier ou d un compte qui sont prédictives de son risque de défaut varient aussi grandement suivant le produit de crédit concerné. Si un organisme de crédit lance un nouveau produit de crédit, il ne dispose alors pas de données historisées sur ce produit, et donc de la capacité à développer un score statistique spécifique pour ce produit. Pour mettre en œuvre sur cette nouvelle offre une politique de crédit basée sur des scores, il devra donc avoir recours à des modèles de score génériques, élaborés spécialement pour ce produit. Les modèles de score génériques dont dispose Soft Computing couvrent une gamme importante de produit de crédit. # Volume de données historisées trop faible pour constituer un fichier de développement d un modèle de score statistique. Le développement statistique d un score requiert de disposer d au moins 400 ou 500 dossiers «Mauvais» et 400 ou 500 dossiers «Bons», dont le profil historique est disponible un certain nombre de mois avant cette classification récente en «Bons» et «Mauvais». Il peut arriver assez fréquemment que ces quotas ne soient pas atteints pour les dossiers mauvais, spécialement pour certains produits de crédit (leasing, prêts au TPE/PME, etc.) et/ou des organismes de crédit de petite taille. Le développement de score statistique risque alors de fournir des modèles peu fiables et peu stables. L utilisation de modèles de score génériques s offre alors comme une alternative pour les organismes de crédit concernés. # Diversité des données historisées trop limitée comparativement aux données disponibles opérationnellement. 30/04/2004 Mémo Scoring.doc 6 Le marché

9 Certains organismes de crédit ne sauvegardent et/ou n archivent qu une partie limitée des données disponibles sur un dossier à un instant donné. Si ils souhaitent développer un score statistique, ces organismes devront alors limiter les caractéristiques candidates à l entrée dans le modèle de score aux variables régulièrement archivées et historisées. Cette limitation amènera alors à se priver d un nombre significatif de caractéristiques disponibles dans le processus décisionnel, et prédictives du risque. L efficacité et la puissance prédictive du modèle de score obtenu s en trouveront alors grandement réduites. Dés lors, un modèle de score générique peut s avérer plus efficace et plus discriminant qu un tel modèle statistique, même si il n a pas été développé spécifiquement pour le portefeuille et la population sur lesquels il sera appliqué. # Qualité et fiabilité des données historisées trop limitée pour qu elles servent de source au développement statistique d un modèle de score. Un des principes bien connus du développement statistique d un score est «garbage in, garbage out», qui traduit le fait que la qualité, la fiabilité et la stabilité d un modèle de score développé statistiquement sont directement liées à la qualité des données analysées. Pour des organismes disposant de données d étude fortement dégradées (mal codées, peu renseignées, largement frauduleuses, ), l utilisation de modèles de score génériques fournira alors des modèles plus efficace qu un modèle développé statistiquement sur ces données d étude. # Mise en œuvre extrêmement urgente d un modèle de score de crédit. Un modèle de score générique peut être implémenté extrêmement rapidement dans la mesure où il ne requiert aucune extraction de données, aucune préparation d une matrice de travail, et aucune analyse statistique de données, à l opposé du développement d un modèle de score statistique. Le cadrage du contexte opérationnel et métier du client et l adaptation du modèle de score générique à ses besoins peut être effectué très rapidement. Ceci peut parfois être un critère d orientation vers l utilisation temporaire d un modèle de score générique. 30/04/2004 Mémo Scoring.doc 7 Le marché

10 5. Mise en œuvre opérationnelle : processus, limites et bénéfices pour l entreprise 5.1 Processus Cadrage du contexte de mise en œuvre du modèle de score : # Description des objectifs économiques et opérationnels de la mise en œuvre du modèle de score, # Identification du produit et de la population sur lesquels le modèle de score sera appliqué, # Définition du risque de crédit («Bon»/«Mauvais») à estimer par le modèle, # Recensement des caractéristiques et des agrégats disponibles au sein du processus décisionnel pour être utilisé par le modèle de score, # Investigation de la qualité, de la fiabilité, du taux de remplissage et du degré de disponibilité de ces caractéristiques et agrégats, # Détermination de la capacité du système décisionnel à utiliser opérationnellement le modèle de score dans le cadre des objectifs à atteindre (décision en temps réel, ), # Détermination des capacités à produire régulièrement les rapports pertinents de suivis des scores, # Préparation éventuelle d un échantillon de dossier, même limité et récent (sans recul d observation), pouvant être scoré par le modèle en vue d effectuer des simulations Adaptation du modèle au contexte identifié : # Ajout, suppression ou modification des :! Caractéristiques! Modalités! Pondérations du modèle générique retenu comme base de travail pour le contexte de risque de crédit identifié, sur la base des conclusions élaborées suite aux investigations de la phase précédente, # Echange des nouvelles versions du modèle proposé avec le client, pour un regard et une validation opérationnelle et métier, jusqu à obtention d un modèle jugé équilibré par les deux parties (efficace, fiable, stable, lisible et intuitif, implémentable, ), 30/04/2004 Mémo Scoring.doc 8 Mise en œuvre opérationnelle : processus, limites et bénéfices pour l entreprise

11 # Approbation par le client de la version définitive du modèle de score qui sera livrée Aide à la définition des éléments de la politique de crédit impactés par le score : # Application éventuelle du modèle sur l échantillon de simulation préparé lors de la phase 1, # Etude de la distribution de score obtenue et des taux d acceptation obtenus suivant la note de score retenue comme seuil d acceptation, # Etude de cette distribution de score et d autres tests effectués sur l échantillon de simulation pour recommander des orientations et certains éléments des règles de décisions et de traitements exceptionnels devant encadrer le score, # A défaut de disponibilité d un échantillon de validation, exposition d une méthodologie progressive et incrémentielle d identification et de contrôle du score seuil et des règles de décisions, permettant de satisfaire à terme les objectifs économiques du client Aide à la définition des rapports et des procédures de suivi du score : # Présentation de la liste des rapports à générer et à implémenter pour effectuer un suivi pertinent de l efficacité du modèle de score ou de ces composants à travers le temps, # Exposition des procédures (fréquence, sources, ) de mise en œuvre de ces rapports, de la façon de les interpréter et des différentes types d actions et d ajustements qu ils peuvent susciter en fonction des résultats obtenus. 5.2 Limites essentielles Comme exposé en 5.2, l absence dans la plupart des cas de données sur les dossiers du portefeuille qui sera traité par le modèle de score livré ne permet pas de simuler l impact futur du score dans le processus décisionnel. Il s avère alors impossible de déterminer de façon précise des éléments importants tels que des scores seuils ou des modalités de traitement exceptionnel, permettant d optimiser les objectifs économiques de l organisme utilisateur, dés la mise en œuvre du système de score. L identification de ces éléments devra alors se faire de façon expérimentale et progressive, suivant une méthodologie rigoureuse, qui sera détaillée à chaque fois par Soft Computing et permettra de fiabiliser et optimiser ces éléments de la politique de crédit au plus vite. 30/04/2004 Mémo Scoring.doc 9 Mise en œuvre opérationnelle : processus, limites et bénéfices pour l entreprise

12 6. Fiche d identité Raison sociale : Soft Computing Forme juridique : SA au K de ,20 (RCS : B : NAF : 721 Z, Conseil en systèmes informatiques) Société cotée au nouveau marché de la bourse de Paris depuis le 26 avril 2000 (Code ISIN FR ) (Reuters : SFTC.LN, Bloomberg : SOFT NM) Date de création : 1984 Effectif : 280 personnes (prévision de recrutements pour 2004 : 50 personnes) Activité : Conseil et solutions pour transformer l information en performance notamment appliqués à la Gestion de la Relation Client et du Risque. Dirigeants : Président directeur général : Eric FISCHMEISTER Directeur Général : Gilles VENTURI Secrétaire Général : Arnaud MALLAT DESMORTIERS Directeur Général Adjoint : René LEFEBURE Directeur d activité Conseil : Fabrice OTANO Directeur d activité Datamining : Didier RICHAUDEAU Directeur d activité Ingénierie : Jean-François KLEINFINGER Contact presse : Adresse : Soft Computing Valérie Parent vpr@softcomputing.com 46, rue de la Tour Paris Téléphone : Site Web : 30/04/2004 Mémo Scoring.doc 10 Fiche d identité

13 Ouvrages de références : Titre : «Gestion de la relation Client» «Le datamining» Panorama des produits et conduite de projets Auteurs : Gilles Venturi et René Lefébure Gilles Venturi et René Lefébure Collection : EYROLLES réédition en 2004 EYROLLES /04/2004 Mémo Scoring.doc 11 Fiche d identité