Comment Credit.fr a optimisé son algorithme d’acceptation avec Altares

La tendance est positive en matière de défaillances des PME et ETI. Selon un rapport de l’Observatoire des PME (Bpifrance) publié en mars 2018, 3 803 défaillances ont été comptabilisées en 2016, sur un total de plus de 3,8 millions de sociétés. Il s’agit du meilleur résultat sur les huit dernières années. Les PME et ETI ont représenté 6,5% de l’ensemble des défaillances, contre 8,5% au plus fort de la crise.

Des disparités apparaissent toutefois selon le profil des sociétés. Près de la moitié des entreprises en difficulté dégagent moins d’un million d’euros de chiffre d’affaires ou ne publient pas de documents comptables et 40% génèrent entre 1 et 5 millions d’euros. “Les PME-ETI en dépôt de bilan sont donc essentiellement des PME de taille modeste”, souligne le rapport.

Score générique

C’est un enseignement majeur pour les plateformes de crowdlending, qui ciblent des entreprises de petite ou moyenne taille, et une incitation à l’amélioration continue de leurs outils d’analyse crédit. A ses débuts en 2014, la plateforme Credit.fr, reprise par Tikehau Capital en juin 2017, s’est rapprochée d’Altares, fournisseur de données sur les entreprises, pour travailler sur ce sujet. La société compte une équipe permanente en data science de cinq collaborateurs, dont deux profils seniors.

“Entre le moment où nous avons créé la société en septembre 2014 et celui où notre plateforme a été opérationnelle, nous avons travaillé pendant 8 mois avec les équipes d’Altares pour définir le meilleur score. Nous sommes partis d’un score générique puisque nous n’avions pas de track record en matière de risque, raconte Thomas de Bourayne, président de Credit.fr”.

“Cela nous a permis grâce à de bons outils d’aide à la décision – moteur de règles, moteur de score (notamment le score de défaillance Altares, ndlr) – de donner une réponse d’éligibilité en douze secondes sur notre plateforme”, ajoute le dirigeant. L’algorithme rejette automatiquement 75% des dossiers présentés. Les 25% restants font l’objet d’une analyse manuelle et seulement 1% des dossiers sont financés.

Système de règles à dire d’expert

Avec des résultats probants puisque la plateforme n’a pas connu de défaut au cours des 24 premiers mois. Les données BtoB utilisées dans le cadre du scoring sont à la fois des données historiques (Insee, Bodacc…), des données privées (indicateur Paydex notamment), des données ouvertes et des données comportementales (500 000 clics trackés par an).  

De l’aveu de Catherine Chevalier, responsable data science chez Altares, cet algorithme d’acceptation en temps réel mis en place au démarrage a été pensé comme “un système de règles à dire d’expert”. Il a été la résultante d’un échange entre les équipes d’Altares et celles de Credit.fr, la plateforme excluant de son spectre certains profils d’emprunteur (comme le secteur agricole). Une dizaine de critères ont été retenus, dont le secteur d’activité, le score de défaillance Altares, le code postal, la diffusion ou non à l’INSEE, etc.

Après trois ans d’utilisation de ce score générique, la décision a été prise d’optimiser le travail de l’arbre de décision en s’appuyant sur toutes les données d’acceptation et de refus emmagasinées depuis trois ans. Objectif : augmenter le taux d’agrément automatique, via l’identification et le reclassement des dossiers à faible risque, tout en maintenant le niveau de risque pour limiter les impayés (à 1%).

ROI évalué à +50%

Mesure du risque et capital de données ont constitué les deux piliers de cette stratégie d’optimisation. Comment a-t-elle été mise en oeuvre ? “La petite clé qui a servi à améliorer cet algorithme a consisté à prendre les 40 000 dossiers étudiés sur Credit.fr et à regarder dans notre base de données de 10 millions d’entreprises quelles étaient les sociétés qui avaient des caractéristiques équivalentes à celles de ces 40 000 dossiers”, explique Catherine Chevalier, qui est intervenue lors du récent salon Big Data Paris.

Cette méthode a permis de limiter le marché potentiel de la plateforme à 3 millions d’entreprises vers lesquelles la mesure du risque en fonction des critères de l’algorithme (plus de 1 000) a été déplacée. Cette base offre une mesure/observation précise du risque sur les segments à l’origine des règles de l’algorithme, tandis que les “seuls” dossiers déposés pendant 2 ans permettent seulement une approximation imprécise du risque.

Le ROI est évalué à +50% (tant en termes de dossiers acceptés en automatique que de dossiers financés) pour “un coût inférieur à un budget de Google Adwords”. Ainsi, suivant les hypothèses déduites de l’historique, Credit.fr estime pour un nombre équivalent de dossiers reçus (43 705) à 16 390 le nombre de dossiers étudiés (contre 10 926 pour l’algorithme initial), à 489 le nombre de dossiers acceptés pour un montant cumulé de 34,2 millions d’euros (contre 326 pour un montant de 22,8 millions). Le nombre d’impayés s’établit dans une fourchette de 4 à 6, contre 2 à 4 précédemment.

Partenariat privilégié avec Linxo

La mise en production de cet algorithme optimisé est intervenue le 5 avril. Par ailleurs, la plateforme poursuit plusieurs initiatives en matière d’analyse crédit. Elle travaille sur l’intégration de données non conventionnelles dans son score à la suite du programme de R&D avec le labo Rexfi (CNAM, ESCP, ENA). Un programme pour lequel Credit.fr a reçu un financement de Bpifrance, comprenant une avance remboursable de 200 000 euros. Par ailleurs, au travers d’un partenariat privilégié avec l’agrégateur Linxo, la société planche sur l’accès aux relevés de comptes bancaires des demandeurs dans le processus d’octroi. Enfin, Credit.fr étudie comment intégrer les données FIBEN (Fichier bancaire des entreprises, géré par la Banque de France) dans son score.