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

L’IA dans le domaine du crédit est souvent mal représentée comme un remède miracle qui accélère les processus d’octroi de crédit existants ou comme une fonction numérique à boîte noire qui, en réalité, ne passerait jamais les contrôles de conformité. Ces descriptions ne pourraient pas être plus éloignées de la vérité de ce qui révolutionne 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 du prêt provient d’une combinaison puissante de code déterministe, d’apprentissage automatique et de données au niveau transactionnel. Cette distinction est importante sur le plan pratique et juridique ; cela signifie un système où chaque décision est explicables et où l’accès au crédit est élargi de manière responsable au lieu de répéter les préjugés existants.

Il s’agit de technologies qui aident à la fois le profil d’un emprunteur digne de confiance à échapper au rejet et à réduire les risques en faveur de plus d’opportunités pour les institutions financières. Voici pourquoi cette voie est digne d’être poursuivie et comment le faire.

Un changement est urgentement nécessaire

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

Tout cela a changé maintenant. Les modèles traditionnels d’octroi de crédit et de notation 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 les informations instantanément accessibles ont été la norme depuis longtemps. Un dossier de crédit qui met des mois pour arriver à la boîte de réception d’un souscripteur est un signe que le modèle actuel est une façon dépassée de traiter les informations.

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 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 la notation de crédit les laissent sur le côté.

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 milliards de livres sterling) de prêts à faible risque perdus. Les experts font référence aux données traditionnelles de bureau comme principal coupable.

C’est précisément ce que l’IA au niveau transactionnel traite. 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 souscripteurs et les prêteurs sont dotés d’une véritable compréhension du comportement et de la santé financière d’un emprunteur potentiel en ce moment, et non des semaines ou des mois plus tôt. Comment ? L’IA au niveau transactionnel, qui extrait des informations telles que les flux de trésorerie, les modèles de paiement, la dynamique des dépenses et le revenu directement du compte bancaire.

Cela donne aux souscripteurs 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 risque supplémentaire. 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 où 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 – PME et particuliers – en tandem avec une méthodologie qui est explicables de A à Z.

Bien sûr, l’IA ne peut pas suppléer le jugement humain, ni ne le devrait. Les analystes de crédit et les souscripteurs 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 au niveau transactionnel révèle

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

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

Prenez le cas des modèles de revenus saisonniers. Pour de nombreuses PME, le revenu n’est pas une ligne plate mais une ligne qui a des pics et des creux qui se rétablissent en cycles. Ce sont des modèles parfaitement normaux dans divers secteurs mais qui déclenchent des alarmes lorsqu’ils sont sortis de leur contexte – comme c’est souvent le cas dans un document qui capture le moment mais rien au-delà.

Les données de transaction alimentées directement à partir du compte bancaire fournissent une lentille dans la résilience globale d’une entreprise : comment elles récupèrent le revenu et gèrent les lacunes 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 de l’emprunteur. Les données traditionnelles ne distinguent pas nécessairement une entreprise qui navigue de manière responsable et avisée dans un trimestre lent par rapport à une entreprise qui perd constamment de l’argent sans fin en vue. Les données au niveau transactionnel le font.

Cela peut également relier les points autour de la concentration des fournisseurs qui pourraient autrement être manqués jusqu’à beaucoup plus tard dans le modèle d’octroi de crédit traditionnel. Les entreprises avec une base de fournisseurs ou de clients étroite ont un profil de risque complètement différent de celles avec une base plus large. Un dossier de crédit ne reflète 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 cash, sont mis en lumière avec l’analyse transactionnelle, et non seulement avec un bilan. Une PME avec un revenu plus modeste mais un cycle plus serré 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 d’une économie du travail en plein essor et d’une augmentation du travail indépendant et de startups. Il est plus difficile pour les emprunteurs et les demandeurs de prêt de ces piscines d’éviter le rejet lorsque la variabilité du revenu est un drapeau rouge au premier abord. L’analyse transactionnelle, cependant, identifie le modèle sous-jacent et les tendances plus larges autour de leurs habitudes de dépenses, de fréquence de paiement, de revenus par rapport aux dépenses et d’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. Une photo unique est moins précise car elle n’est pas continue. La combinaison d’un indicateur qui a été manqué tôt et d’une action retardée est là où la plupart des pertes de portefeuille et des risques supplémentaires se trouvent.

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

Suivie correctement, l’approche d’analyse au niveau transactionnel facilite également un processus d’octroi de crédit plus équitable et plus transparent. Les paramètres longtemps 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 suffisamment adéquate pour ceux qui ont une longue histoire avec ce système. Pour ceux qui n’en ont pas, y compris les travailleurs indépendants et les jeunes PME, cela les rend invisibles.

Les données au niveau transactionnel sont toutes sur la visibilité. Cela voit ce que les métriques traditionnelles négligent car cela voit comment l’argent est géré et comment les comportements fluctuent d’instant en instant. Les souscripteurs ont accès à une couche beaucoup plus profonde de compréhension intrinsèque de la solvabilité de l’emprunteur. À cause de cela, les données sont structuralement conçues pour être plus démocratiques.

Une réserve essentielle : cela ne signifie pas que l’IA conduit automatiquement à un système plus équitable. Les algorithmes sont formés sur des données historiques et des décisions de prêt. Les préjugés qui existent dans les données utilisées pour former l’IA la rendent donc susceptible de préjugés. Si, historiquement, certains groupes ont été exclus des décisions de prêt, un modèle mal conçu ne fera que reproduire ce préjugé et cette discrimination.

Malheureusement, il y a eu des cas enregistrés 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 systématiquement 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’instillation de la transparence, de l’auditabilité, de la responsabilité et de la sécurité à chaque étape. Quelles données sont utilisées, et leurs sources et destinations dictent ce que l’IA au niveau transactionnel voit et génère des informations sur. Des normes de précision des données cohérentes 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 préjugé et de discrimination. La directive sur le crédit à la consommation 2 (CCD2) de l’UE, par exemple, établit des normes explicites pour la décision de crédit automatisée, y compris les droits des emprunteurs à l’explication et à l’examen humain. En fait, cette réglementation vient d’être révisée de manière à la rendre beaucoup plus stricte plus tard cette année.

Alors que la vitesse est un facteur important, ce n’est pas le seul facteur déterminant. La précision, 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 au niveau transactionnel, construite dans des cadres architecturaux qui ont l’auditabilité et la responsabilité ancrées dans leur cœur, leur permet de le faire.