Pour un directeur des risques, le scoring n’est pas un exercice analytique mais un levier qui alimente directement le coût du risque, le taux d’acceptation et la capacité du portefeuille à traverser un cycle moins favorable. Un système de scoring crédit bien construit permet de décider plus vite, moins cher et de façon reproductible, tout en défendant chaque décision devant l’audit interne et le régulateur. Le problème se situe rarement dans l’algorithme lui-même ; bien plus souvent, il vit dans les données, dans le processus autour du modèle et dans la question de savoir qui saura le faire tourner pendant des années.
D’après notre expérience, le difficile dans ces projets est de réunir trois mondes à la fois : l’ingénierie des données, la modélisation du risque et la conformité. En scoring, nous n’exploitons pas d’implémentation achevée en propre que nous pourrions citer en référence ; ce que nous apportons est tout aussi concret : les personnes et les compétences qui construisent de tels systèmes. Nous combinons des ingénieurs data et des spécialistes IA/ML du groupe RITS (nos équipes IA/ML et data, centrées sur les données et le machine learning) avec notre expérience des projets pour le secteur financier.
Pourquoi a-t-on besoin d’un scoring crédit et d’une évaluation du risque ?
L’évaluation du risque met de l’ordre dans une décision autrement subjective et difficile à défendre. Au lieu de nous fier à l’intuition d’un analyste, nous ramenons le risque client à une valeur mesurable et reproductible, et c’est seulement ensuite que nous bâtissons la politique de crédit par-dessus. La banque y gagne plusieurs choses à la fois : des délais de décision plus courts, une cohérence entre les agences et les canaux, une piste d’audit claire et la capacité de piloter l’appétence au risque par des seuils de cut-off plutôt qu’en corrigeant les dossiers à la main. C’est cette reproductibilité, et non l’issue d’une décision isolée, qui fait la différence à l’échelle du portefeuille.
Quelles données alimentent les modèles de scoring, et qu’en est-il de leur qualité ?
Un scoring ne vaut que les données dont il apprend et sur lesquelles il tourne. Avant que quiconque ne touche à un modèle, nous posons la couche de données, car c’est là que se cachent la plupart des problèmes ultérieurs. En pratique, nous travaillons avec plusieurs types de sources :
- les données internes de la banque - historique des comptes, des transactions, des remboursements et des impayés,
- les données de registres externes - bureaux d’information sur le crédit et sur les entreprises,
- les données comportementales et déclaratives - activité dans les canaux digitaux, données du formulaire de demande,
- les données macro et sectorielles - le contexte dans lequel évolue le portefeuille.
Le plus grand risque n’est pas l’absence de données mais leur incohérence, leurs trous et les changements silencieux de définition entre les systèmes. Nous construisons donc des contrôles de qualité des données, un dictionnaire de variables et une surveillance de la complétude comme partie intégrante de la solution, pas après coup. Un modèle entraîné sur des données sales paraît bon sur le papier et échoue en production.
Règles ou machine learning, et qu’en est-il de l’explicabilité ?
Ce n’est pas un choix binaire. Les règles métier donnent un contrôle total et une interprétabilité immédiate : elles conviennent parfaitement aux politiques dures et aux cut-off réglementaires. Les modèles ML, eux, captent des relations impossibles à écrire à la main et améliorent généralement la séparation entre clients. Sur les projets de scoring, nous combinons le plus souvent les deux approches : une couche de règles pour les conditions dures et un modèle statistique ou ML là où la qualité de prédiction décide.
L’explicabilité est ici critique. En crédit, une décision doit être justifiée au client et au superviseur : nous privilégions donc les modèles et les outils qui montrent pourquoi un client a obtenu un score donné. En pratique, cela veut dire des grilles de score transparentes et, quand le ML intervient, des techniques comme SHAP et une description claire des variables. Dans ce domaine, un modèle inexplicable est un risque plutôt qu’un avantage.
Comment valider et surveiller les modèles de scoring après le go-live ?
Un modèle n’est pas un projet qui s’achève mais un système qui vit. Le portefeuille se déplace, les comportements clients dérivent, et une bonne année peut endormir l’équipe juste avant une moins bonne. Nous traitons donc la validation et la surveillance comme un processus continu, pas comme une validation ponctuelle. Dans cette couche, nous suivons généralement :
- le pouvoir discriminant (Gini, KS, AUC) sur des données out-of-time, pas seulement sur l’échantillon d’apprentissage,
- la stabilité de la population et des variables (PSI) dans le temps,
- la concordance entre prédiction et réalité (calibrage, backtesting),
- des seuils d’alerte qui signalent tôt la dégradation du modèle.
Nous concevons cela pour que l’équipe risques voie la santé du modèle en temps réel et dispose de bases solides pour décider d’un réentraînement avant que la dégradation ne frappe le coût du risque.
Comment gérez-vous la conformité, les biais et la supervision humaine ?
Le scoring tourne sur des données concernant des personnes : la conformité et l’éthique ne sont donc pas une option mais une condition limite. Nous veillons à ce que le modèle ne s’appuie pas sur des attributs sensibles ni sur leurs proxys cachés, et nous le testons pour détecter des biais entre groupes de clients. En parallèle, nous tenons une documentation complète : d’où viennent les données, comment le modèle a été construit et comment il a été validé, car c’est cela qui passe en audit.
Nous concevons séparément l’humain dans la boucle de décision. Le système automatisé peut recommander et trancher les cas évidents, mais les décisions limites et les refus qui exigent une justification restent chez un expert, avec un contexte clair à l’écran. Ce dispositif associe la vitesse de l’automatisation à la responsabilité qu’attend le superviseur.
Comment branchez-vous le scoring sur le processus crédit et les systèmes de la banque ?
Le meilleur modèle n’apporte rien tant qu’il ne fait pas partie d’un vrai processus de décision. Nous regardons donc le scoring de bout en bout : de la demande au moteur de décision, puis aux systèmes core et au reporting. Nous exposons le modèle comme un service doté d’une API, pour que la décision tombe en quelques millisecondes et revienne dans le processus avec sa justification. Nous le relions au moteur de règles, au système de demandes et à l’entrepôt de données, en conservant le versionnage des modèles et l’enregistrement complet de chaque décision. L’objectif est simple : un scoring comme partie reproductible du processus, pas comme un tableur lancé à côté.
Quelles compétences fournissons-nous pour un projet de scoring ?
Nous construisons l’équipe autour de l’étape concernée et du manque dans votre propre équipe, pas « au cas où ». Sur les projets data et risque, nous affectons généralement ces rôles :
- des ingénieurs data - construisent la couche de données, les pipelines et les contrôles de qualité,
- des data scientists / spécialistes ML - conçoivent, entraînent et valident les modèles,
- des ingénieurs MLOps / DevOps - déploient les modèles et la surveillance en production,
- des développeurs backend - branchent le scoring sur le moteur de décision et les systèmes de la banque.
Cette équipe travaille en modèle de renfort d’équipe ou d’équipe dédiée, sous votre supervision et dans votre cadre de conformité, en complétant les compétences exactement là où elles manquent.
Comment faisons-nous chez RITS ?
Nous le faisons comme partenaire nearshore depuis la Pologne, en combinant des compétences data et IA avec l’expérience du secteur financier. Nous ne vendons pas une « boîte » de scoring, parce qu’un bon scoring est toujours taillé sur le portefeuille, la politique et les données d’une banque donnée. Nous pourvoyons les rôles et co-construisons la solution avec votre équipe risques : des ingénieurs data du groupe RITS et des spécialistes IA/ML (nos équipes IA/ML et data) construisent la couche de données et les modèles, pendant que nous veillons sur l’explicabilité, la validation et l’intégration dans le processus. Nous vérifions les compétences avant le démarrage et travaillons dans un fuseau horaire proche : l’équipe participe donc aux revues et aux réunions sans longue montée en charge.
Par où commencer avec le scoring et l’évaluation du risque ?
Partez d’une seule décision de crédit et de ses données, pas du choix d’un algorithme. Déterminez exactement ce que vous voulez prédire (par exemple le risque de défaut sur un produit donné), quelles données vous avez réellement et dans quelle qualité, et comment la décision doit s’insérer dans le processus et la supervision. Cela définit le périmètre du modèle, les exigences de validation et les rôles nécessaires. Si vous pesez la meilleure manière d’assembler l’équipe, vous trouverez une comparaison dans notre article sur les modèles de collaboration IT.
Vous construisez un scoring crédit ou rafraîchissez votre évaluation du risque client ? Parlons-en - nous accorderons une équipe et une approche à votre portefeuille et à vos exigences prudentielles.