06 Scoring Process

Présenté par : TASSINE NAILA ROUJDI ASSIA ABOUNASR AYMANE MOUSSAOUI SALMA

AVANT-PROPOS

PLUSIEURS TYPES DE RISQUES PEUVENT AFFECTER LA SURVIE D’UNE BANQUE. PARMI CES RISQUES, ON TROUVE NOTAMMENT LE RISQUE DE MARCHÉ, D’OPTION, DE CRÉDIT, OPÉRATIONNEL, ETC. LE RISQUE DE CRÉDIT, APPELÉ ÉGALEMENT RISQUE DE CONTREPARTIE, EST LE RISQUE LE PLUS RÉPANDU. S’IL EXISTE PLUSIEURS TYPES DE RISQUES DE CRÉDIT, CELUI DE NON REMBOURSEMENT EST UN RISQUE MAJEUR. LE SYSTÈME BANCAIRE MAROCAIN UTILISE DES MÉTHODES CLASSIQUES POUR FAIRE FACE AUX RISQUES CRÉDIT. PARMI CES MÉTHODES, LE DIAGNOSTIC FINANCIER ET LA PRISE DE GARANTIE OCCUPENT SANS DOUTE UNE PLACE CENTRALE. CETTE SITUATION ENGENDRE DES EFFETS NÉFASTES SUR LE GONFLEMENT DES IMPAYÉS CE QUI PEUT METTRE EN CAUSE LA SURVIE MÊME DE LA BANQUE.

OR, IL EXISTE

ACTUELLEMENT DES MÉTHODES SOPHISTIQUÉES DESTINÉES À LA GESTION DU RISQUE CRÉDIT DONT LA MÉTHODE DU SCORING.

DANS CET ARTICLE, NOUS ESSAYERONS DE METTRE EN ÉVIDENCE LA DÉMARCHE PRATIQUE POUR LA CONCEPTION

1

ET LA VALIDATION D’UNE MÉTHODE SCORE

1

PLAN

Introduction.

I.

Historique du crédit scoring.

II.

Les différentes étapes de réalisation du crédit scoring.

III.

Les méthodes scoring.

IV. Règle de décision.

1

V. Portée et limites.

Conclusion.

INTRODUCTION Selon le langage courant, le terme score peut signifier «classement », « résultat », etc. En statistique, c’est l’idée de « classement » qui est surtout retenue. Le scoring (statistique) se présente en effet comme un ensemble de méthodes conduisant à un classement d’individus au sein de groupes préalablement définis. Une méthode de scoring se présente en effet comme une technique statistique permettant de classer un individu dans l’un des quelques groupes définis à priori et ce au vu de certaines caractéristiques de cet individu. Il s’agit bien d’une méthode de classement statistique car elle est basée d’abord sur un traitement statistique des données issues d’un échantillon d’individus.

1

Les techniques de scoring sont appliquées dans plusieurs domaines comme la médecine, l’informatique, la gestion des entreprises, banques, etc. Dans ce dernier domaine, cinq principaux types de score sont utilisés :

Le score d'appétence qui estime l'intérêt qu'un client porte à un produit bancaire. Le score comportemental qui estime le risque de non remboursement tout au long de la durée d'emprunt. Le score d'octroi qui estime le risque d'un nouveau dossier de crédit. Le score de recouvrement qui estime le montant susceptible d'être récupéré dans un cas de non remboursement. Le score d'attrition qui estime la probabilité qu'un client quitte la banque.

Problématique : Pour une banque, la gestion du risque que représente le crédit est un aspect fondamental de leur activité. On ne prête pas à tout le monde, il faut des garanties de la part des demandeurs de crédit. Le problème, c’est que bien souvent ces garanties présentées par les demandeurs ne sont pas suffisantes, la banque a besoin de plus de données pour pouvoir se décider à prêter de l’argent, d’où le besoin de faire un scoring.

1

Comment les banques donnent un accord de crédit? Et qu’elles sont les différentes étapes de

réalisation d’un scoring (outil d’aide à la décision) ?

I. Historique du crédit scoring : Le Crédit Scoring est le processus d’assignation d’une note (ou score) à un emprunteur potentiel pour estimer la performance future de son prêt (Flaman, 1997).

1

Le Crédit Scoring utilise des mesures quantitatives de performance et les caractéristiques des prêts précédents pour prédire performance des prêts futurs avec des caractéristiques similaires. Le Crédit Scoring n’approuve, ni ne rejette une demande de prêt, il peut plutôt prédire la probabilité d’occurrence de mauvaise

performance (défaut) telle que définie par le préteur (Caire et Kossmann, 2003). Ce principe de discrimination a été introduit dans les modèles statistiques par Fisher (1936). Durand (1941) était le premier à utiliser ces techniques de discrimination pour départager les bons et les mauvais demandeurs de crédit en utilisant certaines caractéristiques de ces derniers. Selon Durand l'évaluation d'un dossier de crédit, lors d’un achat d’une voiture d'occasion à titre d’exemple. Les paramètres les plus importants de son examen étaient comme suit : -Le poste tenue par le demandeur; -Le nombre d'années passées dans la position actuelle; -Le nombre d'années passées à l'adresse actuelle; -Comptes bancaires, contrats d'assurancevie; Sexe; -Le montant du versement mensuel. Selon DUNHAM en 1938 Lors de l'évaluation d'un dossier de crédit, cinq facteurs jouent un rôle important : -La banque doit croire en Position (poste) tenue.

1

-La finalité du crédit demandé doit être claire (Compte de résultat).

-La disposition d'une capacité de remboursement suffisante (État financier). -Les garanties ou sûretés réelles offertes doivent permettre de limiter les risques. -La relation opérationnelle doit être solide. Et il a soutenu que l’importance de ces critères divers devrait être déterminée sur la base de l'expérience. Tableau 1: L'histoire du scoring crédit en 10 dates Dates

Evènements

2000 1ere utilisation du crédit en Assyrie, à Babylone et en Egypte av. JC

1851 1ere utilisation de la notation (classement) crédit par John Bradstreet, pour ses commerçants demandeurs de crédit, USA

1909 John M. Moody publie la 1ere grille de notation pour les obligations commerciales négociées sur le marché marché, USA

1927 1er « crédit bureau » crée en Allemagne

1941 David Durand professeur de Gestion au MIT écrit un rapport, et suggère le recours aux statistique pour assister la décision de crédit, USA.

1958 1ere application du scoring par American Investments

1

1967- Altman crée le « Z-score » à partir de l'analyse discriminante mutivariée. 70

Réglementation des « crédits bureaux » par le credit reporting act, USA

1995 L'assureur d'hypothèques Freddy Mac & Fannie Mae adopte le créditscoring, USA

2000 Moody's KMV introduit le RiskCalc pour le scoring des ratios financiers (financial ratio scoring - FRS)

2004 Bâle II recommande l'utilisation des méthodes statistiques de prévision du risque de crédit

Source : tableau inspiré de Rayon Anderson, « The crédit scoring Toolkit »

II. Les différentes étapes de réalisation du crédit scoring: La mise en place d’un système de scoring passe par un certain nombre d’étapes qu’il convient de réaliser. La mise en place d’un système de crédit scoring dans une banque passe à priori par les étapes suivantes : • Extraire dans les dossiers de crédits accordés dans le passé un échantillon de « bons clients » et de « mauvais clients »

1

NB : On ne cherche pas à respecter la structure de la population entre « bons » et « mauvais » clients. On considère plutôt pour le besoin de la modélisation un échantillon plus ou moins également réparti.

• La collecte de l’information : Analyse préliminaire des données issues de l’échantillon choisi (élimination des erreurs et incohérences, recodage des variables, sélection des variables explicatives, etc.) Pour un objectif de Bâtir un fichier contenant toutes les informations connues sur les refusés ainsi que les bons et mauvais payeurs. • Utilisation de la moitié des données de l’échantillon pour modéliser le score de risque (explication de la probabilité d’être un mauvais client comme une fonction de ses caractéristiques) • Utilisation de l’autre moitié des données de l’échantillon pour valider le modèle de scoring spécifié. • Fixation d’un seuil de score en déca duquel un client est considéré comme « mauvais ». NB : Ce seuil est généralement fixé à travers un calcul économique.

1

• Application du modèle adopté sur les nouvelles demandes de crédits.

III. Les méthodes scoring: Les techniques de scoring sont nombreuses mais l'objectif reste identique ; augmenter l'efficacité des prises de décision. Cela passe obligatoirement par une meilleure anticipation des incidents de paiement, une adaptation de l'offre de crédit, un travail sur la réduction du risque et une planification de son évolution. Les méthodes de scoring les plus utilisées par les banques, à cause de leur simplicité d’interprétation et leur grande fiabilité, sont généralement de type linéaire tel que la probabilité discriminante linéaire. Il existe d’autres méthodes non linéaires et non paramétriques comme les réseaux de neurones et les arbres de décision qui sont également utilisés dans le domaine du crédit scoring. On peut aussi citer les systèmes experts qui sont basés sur les règles de décision d’octroi de crédit déduites des caractéristiques du demandeur par les responsables du crédit. Ces règles vont permettre d’identifier et de mesurer le risque de défaut des emprunteurs et elles vont être intégrées dans le système opérationnel de décision.

1. Le scoring par le modèle d'analyse discriminante :

1

Sur une population de n individus, on observe une variable qualitative Y à k modalités et p variables quantitatives Xi, i = 1,…, p. La variable Y permet de diviser la population en k groupes disjoints.

L'analyse discriminante permet de mettre en évidence la différence entre classes et de trouver une règle de décision basée sur la connaissance de Y et des Xi, permettant d'affecter un nouvel individu (pour qui Y est inconnue) dans le groupe qui lui est le plus proche. L'analyse discriminante est utilisée dans l'octroi de crédit par les banques en prenant pour Y la variable qualitative ayant pour modalités : bon payeur et mauvais payeur. Les différentes méthodes d’analyse discriminante parta gent les mêmes objectifs :  Un objectif descriptif Mettre en évidence les variables qui permettent de séparer au mieux les groupes d’individus. Déterminer si les différences entre les groupes sont significatives…  Un objectif décisionnel Construire une règle d’affectation des nouveaux individ us à l’un des groupes. L’analyse discriminante à but décisionnel repose sur le concept de probabilité.

2. Le scoring par le modèle linéaire :

Le modèle de probabilité linéaire est un modèle vise à expliquer une variable par d’autres variables :

1

y = b1x1 +b2x2 +...+BnXn +u

Tel que : Yi est une variable à expliquer (Yi =0 si le client i est un mauvais client et Yi= 1 si le client i est un bon client). Xn=variables explicatives possibles qui peuvent être quantitatives (âge, nombre d’enfants, salaire, etc.) ou qualitatives (propriétaire ou locataire, marié ou non marié). U= le terme d’erreur du modèle. b représentent les paramètres du modèle. Définition du score :

Yi = b’x + u, -Le score noté Yi synthétise les caractéristiques du client i au regard de la variable à expliquer. -Plus la valeur du score Yi est élevée, plus le client i a de chance d’être un bon client. Remarque: une probabilité est comprise entre 0 et 1. Or, dans le modèle linéaire, cette probabilité estimée peut être en dehors du segment [0, 1], ce qui pose problème…

APPLICATION DU CRÉDIT SCORING AUX ENTREPRISES.

1

L'exemple le plus célèbre d'application de cette technique est le modèle de 1968 d'Altman nommée «Zscore », qui permette de classer un client dans le groupe faillite, ou non faillite. Sa fonction discriminante finale est:

Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6X4 + 1.0 X5 X1: Fond de roulement / actif total X2: Bénéfices non répartis / actif total X3: Bénéfices avant intérêt et impôt / actif total X4: Valeur au marché de l'avoir / valeur au livre de la dette X5: Ventes / actif -Le risque encouru par la banque varie dans le sens contraire de Z, avec 3 comme valeur critique tel que résumé par la figure.

-Si le Z- score est supérieur à 3, l’entreprise a peu de risque de faire défaut et s’il se situe entre 2,7 et 3, l’entreprise est à risque. Pour un score compris entre 1,8 et 2,7, la probabilité de faire défaut est importante et l'entreprise est jugée à haut risque. Enfin pour un score inférieur à 1,8 la probabilité d’un problème financier est très élevée.

1

Etapes de la construction d’un score :

 Construire un modèle : -Choisir un modèle (exemples : linéaire ou logistique) -Séparer les bases de données historiques en deux échantillons : un échantillon d’apprentissage (pour estimer le modèle) et un échantillon test (pour tester le modèle) -Sélectionner les variables explicatives du modèle et est imer les paramètres du modèle à partir de l’échantillon d’apprentissage -Interpréter des paramètres estimés (signe des paramèt res) • Construire une règle de décision fondée sur le modèle -Déterminer un seuil pour la règle de décision • Mesurer la qualité d’ajustement du modèle sur un écha ntillon tests

3. Le scoring par système d'experts :

1

Le système expert vise à reproduire le raisonnement de l’expert humain par une modélisation de son analyse de la demande de crédit. Un ensemble de règles est créé (base de connaissance) et permet de déduire une décision sur la base des données du dossier de crédit (base de faits), un système expert est donc un logiciel capable de répondre à des questions, en effectuant un raisonnement à partir de faits et de règles connues. Il

peut servir notamment comme outil d'aide à la décision. Un système experts est composé de trois parties : Base de connaissances

système expert Moteur d inférences

-

Interfaces

Base de connaissances :

Une base de connaissances représentant à la fois du savoir-faire et l’expertise nécessaires pour résoudre un problème. Les unités de raisonnement s’écrivent sous la forme de règles libellées de la façon suivante : si "situation" alors "action" -

Base de faits :

Mémoire renfermant à tout instant les informations connues sur le problème en cours, qui s’enrichit au fur et à mesure par les réponses de l’utilisateur, Moteur d’inférences :

1

-

Constitué par les algorithmes chargé d’exploiter les connaissances et les faits pour mener un raisonnement. Il exploite les connaissances en effectuant des déductions logiques et, à partir des mêmes hypothèses que les experts, propose des résultats identiques, deux interfaces indispensables à la bonne communication homme-machine (l’une facilite le dialogue avec l’utilisateur en cours de session, l’autre permet à l’expert du domaine de consulter ou d’enrichir la base de connaissances du système).

4. Le scoring par réseaux de neurones :

1

Le neurone formel est une modélisation mathématique visant à reprendre le fonctionnement d'un neurone biologique. Le fonctionnement de ce neurone formel est basé sur une règle de calcul assez simple : on cherche à évaluer la valeur d'une sortie y, à partir de plusieurs entrées x, qui elles-mêmes sont pondérées par des coefficients appelés synapses ou poids synaptiques w. Selon cette description, chaque neurone est relié à d'autres par des connexions.

Les réseaux de neurones, dans le cadre du crédit scoring, permettent de mettre en relation les inputs (la base de données qui est composée des dossiers de crédits) et les outputs (le résultat du crédit : bons payeurs ou mauvais payeurs) sans supposer que cette relation est linéaire.

1

LA figure illustre le traitement des dossiers de crédit par les réseaux de neurones pour étudier la présence ou non du risque de crédit :

Classification des scores de crédit avec les réseaux de neurones : Exemple : Un fichier de données contient les observations d’individus sollicitant un crédit. L’information comprend les détails depuis la demande de crédit avec le solde, durée, paiements, etc. La variable cible est Dossier de Prêt, qui est catégorielle par nature. Les clients sont classés soit en Bon ou Mauvais risque de crédit. Le but est de prévoir précisément les risques de crédit des clients (Bon ou Mauvais). Dans le cadre de la classification, il est optimale d’avoir une répartition homogène des modalités de la variable cible. En effet, si une modalité, par exemple ‘Bon’ de notre variable cible Dossier de Prêt, est sur représentée, la modalité ‘Mauvais’ risque d’être mal modélisée. Un autre problème subsiste dans ce type de jeu de données : l’évaluation des modèles sur ces données. A titre d’exemple, prenons un jeu de données constitué à 90% de ‘Bon’ dossier et de 10% de ‘Mauvais’ dossier. Un modèle ayant tendance à toujours classifier en ‘Bon’ dossier aura une performance de 90% sur l’ensemble de nos données.

5. Le scoring par arbre de décision :

1

Les arbres de décision constituent une méthode récente et efficace d’exploration de données, en vue de la prédiction d’une variable qualitative à l’aide de variables de tout type (qualitatives et/ou quantitatives). Cette flexibilité constitue un avantage par rapport à

certains outils de classification, prévus pour des prédicteurs d’un seul et même type. Il s’agit d’une méthode itérative, dite de partitionnement récursif des données. En effet, la méthode construit des classes d’individus, les plus homogènes possible, en posant une succession de questions binaires (de type oui/non) sur les attributs de chaque individu. Les arbres de décision ont été développés dans les années 1960 (AID10 de Morgan et Sonquist) et sont très utilisées en marketing. Au départ, ces méthodes n'étaient pas utilisées par les statisticiens, qu'à partir de 1984. À partir de là, les arbres de décision sont devenus un des outils les plus importants du Data Mining et ceci à cause de la lisibilité des résultats et de la simplicité des interprétations.

1

Le principe des arbres de décision est de prédire une variable Y quantitative (arbre de régression) ou qualitative, dans notre cas bon ou mauvais payeur, (arbre de décision, de classification, de segmentation) à l'aide de variables explicatives quantitatives ou qualitatives (le type de prêt ou le sexe du client, mais aussi l'âge du client, les éventuels retards antérieurs, le type de garanties ou même le nombre de lignes téléphoniques…)

IV. Règle de décision : Une fois un modèle ou plusieurs modèles de scoring sont estimés, il convient d’analyser leurs performances avant de les valider pour être utilisés comme outil d’aide à la décision. La performance est mesurée par les taux d’erreur de classement. L’analyse de performances, à l’issue de laquelle une méthode de scoring est validée, permet notamment • D’améliorer un modèle en comparant plusieurs de ses variantes (ajout ou retrait de variables explicatives, etc.) • De choisir entre plusieurs types de modèles candidats

1

L’analyse des performances d’un modèle gagnerait à être conduite sur un jeu de données différent de celui

qui a été utilisé pour l’estimation. On doit en effet, lorsque cela est possible, distinguer entre l’échantillon d’apprentissage et l’échantillon de test ou de validation. Ce dernier doit nécessairement contenir les valeurs réelles de la variable cible (appartenance aux groupes). D’une manière générale, il s’agit de comparer entre les valeurs réelles de la variable cible avec celles prédites par le modèle. La règle de décision repose sur le choix d’un score limit e (seuil) noté Z. -Si Zi inférieur à Z, alors la décision est « non ». -Si Zi supérieur à Z, alors la décision est « oui ». • Choisir un score limite Z revient à choisir une probabilité limite notée p : p= F(Z ) -Si la probabilité estimée du client i d’être « un bon client » est inférieure à la probabilité limite, c’est à dire si p i
1

En pratique, pour une valeur du score limite donnée, de bons clients auront un score inférieur au score limite et de m auvais clients auront un score supérieur au score limite.

-Encore une fois, le modèle n’est pas parfait ! -Si on fixe une valeur basse pour le score limite, on acceptera tous les bons clients mais aussi beaucoup de mauvais. -Si on fixe une valeur trop élevé pour le score limite, on n’acceptera pas de mauvais clients mais très peu de bons clients. -Pour déterminer la valeur optimale du score limite, il faut effectuer au préalable une analyse de rentabilité des bons clients et des mauvais clients. La valeur optimale du score limite est la valeur qui maximise le profit de la banque.

V. Portée et limites:

1

En pratique, on pourrait utiliser d’autres méthodes plus ou moins subjectives pour apprécier la probabilité d’appartenance d’un individu à un groupe donné. Par rapport à ces méthodes, les techniques statistiques de scoring présentent un certain nombre d’avantages et inconvénients dont les principaux :

CONCLUSION

1

Le succès des décisions de crédit/prêt est essentiellement influencé par deux facteurs : la qualité des données de base (exhaustivité, exactitude, crédibilité) et la qualité de la décision rendant le modèle (pour les offres individuelles, le processus de prise de décision).Toutefois, alors que le premier est un critère assez technique, ce dernier est beaucoup plus complexe ; dans une large mesure, elle dépend encore sur les connaissances et l’expérience des experts commerciaux façonner et mettre en œuvre le processus de prise de décision.

SOURCES : http://www.essai.rnu.tn/cours_ESSAI/coursScoring.pdf http://ekonomia.fr/838/credit-scoring-comment-lesbanques-donnent-un-accord-de-credit/ http://www.memoireonline.com/08/11/4751/Scoringcredit-une-application-comparative-de-la-regressionlogistique-et-des-reseaux-de-neurone.html http://longin.fr/Cours/Cours_Management_bancaire/rese rve/Seance_03/Documents/MB_POL_S3_Le_scoring.pdf

1

http://maths.cnam.fr/IMG/pdf/Scoring2013_cle09f1ab.pdf

1