White paper scores_generiques

46, rue de la Tour 75116 Paris – tél. (33) 01 73 00 55 00 – fax (33) 01 73 00 55 01 – www.softcomputing.com
Mémo technique
MODELES GENERIQUES
DE SCORE DE CREDIT
ou
Le scoring de crédit
« prêt à l’emploi »

30/04/2004 Mémo Scoring.doc I
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............................................ 3
3.2 Liste des modèles Soft Computing disponibles.................. 4
3.2.1 Modèles de score d’octroi pour les particuliers .................4
3.2.2 Modèles de score de comportement (=surveillance
récurrente pour les dossiers ouverts disposant d’un historique) pour
les particuliers..........................................................................5
3.2.3 Modèles de score d’octroi et de comportement pour les
TPE/PME 5
4. LE MARCHE 5
4.1 Les utilisations ............................................................. 5
5. MISE EN ŒUVRE OPERATIONNELLE : PROCESSUS,
COUTS, LIMITES ET BENEFICES POUR L’ENTREPRISE 8
5.1 Processus .................................................................... 8
5.1.1 Cadrage du contexte de mise en œuvre du modèle de
score : 8
5.1.2 Adaptation du modèle au contexte identifié : ..................8
5.1.3 Aide à la définition des éléments de la politique de crédit
impactés par le score : ..............................................................9
5.1.4 Aide à la définition des rapports et des procédures de suivi
du score : ................................................................................9
5.2 Limites essentielles....................................................... 9
6. FICHE D’IDENTITE 10

30/04/2004 Mémo Scoring.doc 1
Synthèse : ce qu’il faut savoir…
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

Présentation générale et enjeux
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 :

Description des modèles de score génériques
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 :

Description des modèles de score génériques
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
l’emploi actuel de l’emprunteur
CDI ET 25 ans 56
CSP de l’emprunteur Agent de Service 31
CSP du conjoint Agent de Sécurité et de
Surveillance
11
Nature du contrat de travail ET Ancienneté à
l’emploi actuel du conjoint
CDD ET 5 mois 0
Revenu du ménage ET Nombre de personnes
du ménage
2200€ ET 2 personnes 67
Pourcentage actuel des remboursements
mensuels du ménage
0% 89
SCORE FINAL 385
3.2 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 :
3.2.1 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)

Le marché
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
3.2.3 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.

Le marché
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.

Le marché
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.

Mise en œuvre opérationnelle : processus, limites et bénéfices pour l’entreprise
5. Mise en œuvre opérationnelle :
processus, limites et bénéfices
pour l’entreprise
5.1 Processus
5.1.1 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
5.1.2 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,…),

Mise en œuvre opérationnelle : processus, limites et bénéfices pour l’entreprise
# Approbation par le client de la version définitive du modèle de score qui sera
livrée.
5.1.3 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.
5.1.4 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.

Fiche d’identité
6. Fiche d’identité
Raison sociale : Soft Computing
Forme juridique : SA au K de 635 367,20 (RCS : B 330 076 159 : 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 0000075517)
(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 : Soft Computing
Valérie Parent
vpr@softcomputing.com
Adresse : 46, rue de la Tour
75116 Paris
Téléphone : 01 73 00 55 00
01 73 00 55 01
Site Web : http://www.softcomputing.com

Fiche d’identité
Ouvrages de références :
Titre : « Gestion de la relation Client »
Panorama des produits et conduite de projets
« Le datamining »
Auteurs : Gilles Venturi et René Lefébure Gilles Venturi et René
Lefébure
Collection : EYROLLES – 2000- réédition en 2004 EYROLLES – 1998- 2001

White paper scores_generiques

Recommandé

Recommandé

Contenu connexe

Similaire à White paper scores_generiques

Similaire à White paper scores_generiques (20)

White paper scores_generiques