Comment les données de niveau transactionnel aident les prêteurs à voir plus et à risquer moins

L’IA dans le domaine du crédit est souvent représentée de manière trompeuse comme un remède miracle qui accélère les processus d’octroi de crédit existants ou comme une couche numérique fonctionnant comme une boîte noire qui, en réalité, ne passerait jamais les vérifications de conformité. Ces représentations sont loin de la vérité sur ce qui façonne l’avenir de l’évaluation du risque de crédit à la pointe de l’industrie.

L’IA qui est vraiment en train de changer l’avenir de l’octroi de crédit et de l’évaluation du risque de crédit provient d’une combinaison puissante de code déterministe, d’apprentissage automatique et de données de niveau transactionnel. Cette distinction est importante sur le plan pratique et juridique ; cela signifie un système où chaque décision est explicable et où l’accès au crédit est élargi de manière responsable, plutôt que de reproduire les biais existants.

C’est à propos d’une technologie qui aide un emprunteur digne de confiance à échapper au rejet et qui réduit les risques en faveur de plus d’opportunités pour les institutions financières. Voici pourquoi cette voie est worth poursuivre et comment y parvenir.

Un changement radical est urgentement nécessaire

Les modèles traditionnels d’octroi de crédit sont basés sur une approche relativement simple : l’historique d’un emprunteur, y compris son comportement passé, capturé dans les scores de bureau et les déclarations, est une mesure suffisamment fiable de sa solvabilité. Au cours du dernier siècle, cette approche, définie par des indicateurs retardés, était suffisante, principalement parce que les données n’étaient pas facilement disponibles.

Cela a tout changé maintenant. Les modèles traditionnels d’octroi de crédit et d’évaluation du risque de crédit sont rétrospectifs, s’appuyant lourdement sur un moment unique qui ne reflète pas nécessairement l’image complète de la santé financière d’un emprunteur potentiel. Il y a plus de deux décennies que la gestion des données numériques a dépassé l’analogique, où l’information instantanément accessible a longtemps été la norme. Un dossier de crédit qui met des mois à atteindre le bureau d’un underwriter est un signe que le modèle actuel est une façon archaïque de traiter l’information.

Et, de manière cruciale, cette infrastructure de données obsolète et souvent inexacte ne fait qu’augmenter la menace de l’emprunteur invisible, que l’industrie financière ne doit pas ignorer. Les marchés ont changé de manière spectaculaire au cours des cinquante dernières années. Maintenant, les PME en phase de démarrage constituent une grande partie du secteur privé aux États-Unis, et la plus grande partie en Europe. Ils sont de plus en plus considérés comme la colonne vertébrale de l’économie future, mais les défaillances infrastructurelles dans l’évaluation du risque de crédit les laissent sur le bord de la route.

Et les personnes, à titre individuel, subissent également les conséquences. Au Royaume-Uni, une étude a constaté que les banques pourraient rejeter 80% des demandeurs de prêt ayant des profils de crédit minces – qui sont en réalité à faible risque. Cela représente 4 milliards de dollars (£3 milliard) de prêts à faible risque perdus. Les experts pointent du doigt les données traditionnelles des bureaux de crédit comme principal coupable.

C’est exactement ce que les systèmes de niveau transactionnel résolvent. Au lieu de s’appuyer sur des indicateurs retardés tirés de dossiers historiques qui pourraient être obsolètes depuis des mois, ces systèmes analysent le présent. Les underwriters et les prêteurs disposent de véritables informations sur les comportements et la santé financière d’un emprunteur potentiel, et non pas des semaines ou des mois plus tard. Comment ? Les systèmes de niveau transactionnel, qui extraient des informations telles que les flux de trésorerie, les modèles de paiement, la dynamique des dépenses et les revenus directement du compte bancaire.

Cela donne aux underwriters un flux continu de données fiables et pertinentes pour évaluer pleinement le comportement financier et la santé d’un emprunteur. Et il y a des résultats significatifs liés à cette approche. Les taux d’approbation des prêteurs augmentent de 10 à 35%, sans prendre de risques supplémentaires. Ils accélèrent également les décisions de prêt de jusqu’à cinq fois et réduisent les pertes de portefeuille de 15 à 40%.

Il est important de noter que ce n’est pas une situation dans laquelle les prêteurs prennent soudainement des risques avec des emprunteurs à haut risque. Plus d’emprunteurs ne signifient pas nécessairement plus de risques. Ce qui se passe, c’est que plus d’emprunteurs sont rendus visibles – les PME et les particuliers – en tandem avec une méthodologie qui est explicable de A à Z.

Bien sûr, l’IA ne peut pas suppléer au jugement humain, ni ne le devrait. Les analystes de crédit et les underwriters sont toujours nécessaires dans le processus à venir. Le rôle de l’IA devrait être d’élargir la confiance, la capacité, l’explicabilité et la précision sans sacrifier la responsabilité et l’input humain. Après tout, les finances sont un domaine très sensible en termes de confiance des consommateurs : les gens veulent savoir qu’il y a un humain impliqué.

Ce que l’analyse de niveau transactionnel révèle

Comprendre ce que l’IA analyse est tout aussi important que savoir pourquoi il est utile de l’intégrer dans le processus d’octroi de crédit en premier lieu.

Un score de bureau indique à un underwriter qu’une personne ou une entreprise a historiquement payé ses dettes. Mais cela n’habilite pas les underwriters et les prêteurs à lire entre les lignes dans chaque cas. Puisqu’il s’agit en fin de compte d’un simple instantané, s’appuyer exclusivement sur des indicateurs tels que les scores de bureau laisse les analystes aveugles aux modèles plus larges qui racontent l’histoire complète d’un emprunteur.

Prenons le cas des modèles de revenus saisonniers. Pour de nombreuses PME, le revenu n’est pas une ligne plate, mais plutôt un cycle de pics et de creux qui se rétablissent. Ces cycles sont parfaitement normaux dans divers secteurs, mais déclenchent des alarmes lorsqu’ils sont pris hors de leur contexte – comme c’est souvent le cas dans un document qui capture l’instant mais rien au-delà.

Les données de transaction alimentées directement à partir du compte bancaire offrent une vision de la résilience globale d’une entreprise : comment elle récupère le revenu et gère les intervalles entre les pics et les creux. Cela fournit beaucoup plus d’informations sur la résilience d’une entreprise, ainsi que la possibilité d’être proactif plutôt que de prendre une vision rétrospective des perspectives financières d’un emprunteur. Les données traditionnelles ne distinguent pas nécessairement entre une entreprise qui navigue de manière responsable dans un quart slow et une qui perd constamment de l’argent sans fin en vue. Les données de niveau transactionnel le font.

Elles peuvent également relier les points autour de la concentration des fournisseurs qui pourraient autrement être manqués jusqu’à beaucoup plus tard dans un modèle d’octroi de crédit traditionnel. Les entreprises avec des bases de fournisseurs ou de clients étroites ont un profil de risque complètement différent de celles avec une base plus large. Un dossier de crédit ne capture pas pleinement les vulnérabilités attachées à cela, ce qui peut faire ou défaire la décision d’un prêteur.

Et les cycles de conversion de trésorerie, le temps qu’il faut aux entreprises pour transformer l’inventaire en argent, sont mis en lumière par l’analyse transactionnelle, et non seulement par le bilan. Une PME avec un revenu plus modeste mais un cycle de conversion de trésorerie bien géré pourrait être beaucoup plus résiliente à long terme par rapport à un homologue plus important avec un cycle de conversion de trésorerie lent.

La même logique s’applique aux modèles de revenus variables, qui deviennent plus courants au milieu de l’économie du gig et de la montée en puissance du freelancing et des startups. Il est plus difficile pour les emprunteurs et les demandeurs de prêt issus de ces pools d’éviter le rejet lorsque la variabilité du revenu est un signal rouge au premier regard. L’analyse transactionnelle, cependant, identifie le modèle sous-jacent et les tendances plus larges autour de leurs habitudes de dépenses, de fréquence de paiement, d’entrées et de sorties, et de leurs habitudes financières générales.

C’est précisément là que la nature en temps réel de l’analyse transactionnelle numérique est critique. Les indicateurs nécessaires pour obtenir une lecture complète du risque et de la viabilité du remboursement ne sont généralement pas statiques. Un instantané unique est moins précis car il n’est pas continu. La combinaison d’un indicateur manqué plus tôt et d’une action retardée est là où la plupart des pertes de portefeuille et les risques supplémentaires sont trouvés.

Rendre les données démocratiques et assurer une utilisation responsable de l’IA

Suivi correctement, l’approche d’analyse de niveau transactionnel facilite également un processus d’octroi de crédit plus équitable et plus transparent. Les paramètres traditionnellement utilisés, tels que les bilans et les données de bureau, mettent en évidence l’historique d’un emprunteur avec le système de crédit formel. Cela fonctionne de manière satisfaisante pour ceux qui ont une longue histoire avec ce système. Pour ceux qui n’en ont pas, y compris les freelancers et les jeunes PME, cela les rend invisibles.

Les données de niveau transactionnel sont toutes sur la visibilité. Elles voient ce que les métriques traditionnelles négligent car elles voient comment l’argent est géré et comment les comportements fluctuent d’instant en instant. Les underwriters accèdent à une couche beaucoup plus profonde de compréhension de la solvabilité d’un emprunteur. À cause de cela, les données sont structuralement conçues pour être plus démocratiques.

Une clause importante : none de cela signifie que l’IA conduit automatiquement à un système plus équitable. Les algorithmes sont formés sur des données historiques et des décisions de prêt. Les biais qui existent dans les données utilisées pour former l’IA le rendent donc susceptible de biais. Si, historiquement, certains groupes ont été exclus des décisions de prêt, un modèle mal conçu ne fera que reproduire ce biais et cette discrimination.

Malheureusement, il y a eu des cas documentés de discrimination perpétuée en raison d’une mauvaise transparence et d’un manque d’audit des systèmes d’IA – une étude récente a constaté que les femmes étaient régulièrement attribuées des scores de crédit plus bas que les hommes.

Les choix de conception entourant l’infrastructure de données et la gestion des flux de travail en lien avec l’IA déterminent si l’équité devient une garantie. L’IA doit être mise en œuvre de manière responsable, et cela inclut l’intégration de la transparence, de la traçabilité, de la responsabilité et de la sécurité à chaque étape. Quelles données sont utilisées, et leurs sources et destinations dictent ce que l’IA de niveau transactionnel voit et génère des informations sur. Des normes constantes d’exactitude des données sont directement liées à la fiabilité de ces outils. Enfin, la traçabilité et l’explicabilité sont les canaux nécessaires pour identifier où un modèle va mal ou a besoin d’amélioration, et ce qu’il fait correctement.

Ces traits ne sont plus des options facultatives. Les régulateurs exigent en fait des architectures auditable, transparentes qui expulsent le risque de biais et de discrimination. La directive européenne sur le crédit à la consommation 2 (CCD2), par exemple, établit des normes explicites pour la prise de décision automatisée de crédit, y compris les droits des emprunteurs à l’explication et à l’examen humain. En fait, cette réglementation vient de subir des révisions qui la rendront significativement plus stricte plus tard cette année.

Alors que la rapidité est un facteur important, elle n’est pas le seul facteur déterminant. L’exactitude, l’équité, la transparence et la visibilité sont également importantes pour les institutions financières qui veulent suivre les marchés et les réglementations en évolution. L’IA de niveau transactionnel, construite dans des cadres architecturaux qui ont la traçabilité et la responsabilité ancrées dans leur cœur, leur permet de le faire.