Risque crédit des entreprises : L’utilité des données non-traditionnelles

Google+ Pinterest LinkedIn Tumblr +

L’évaluation du risque crédit des entreprises, en particulier des PME représente un défi de taille pour les organismes financiers. En effet, le manque de données disponibles ou l’absence d’antécédents en matière de crédit empêchent souvent les organismes financiers de prendre une décision éclairée.

Par Ozgur Ererdem, Analytics Business Development Manager, Experian

Cela peut être particulièrement problématique, notamment pour les entreprises nouvellement créées, donc sans historique. Même dans les situations où de solides bases de données sont disponibles, la nécessité d’améliorer constamment les modèles de risque soulève de réels défis pour les institutions financières.

Dans ce contexte, de nouvelles méthodologies innovantes utilisent l’intelligence artificielle et le machine learning pour collecter, classer et analyser de multiples sources de données issues du Web. Cela permet de créer de nouveaux modèles de gestion prédictive du risque crédit des entreprises qui vont bien au-delà de la méthode « traditionnelle » de notation basée sur des ensembles de données internes et externes, notamment financières.

La technologie pour donner du sens aux données alternatives

Les solutions disponibles sur le marché intègrent des technologies de pointe et des capacités analytiques avancées pour transformer les processus décisionnels des PME, et ce tout au long de leur parcours. Elles sélectionnent, recueillent et analysent automatiquement les données web publiques pertinentes pour fournir des indications plus détaillées sur l’activité des PME, telles que la présence de l’entreprise dans les annuaires professionnels, dans les médias en ligne et les réseaux sociaux, son appartenance à des associations commerciales ou industrielles ou à des organismes professionnels, ou ses liens avec les institutions universitaires et les agences gouvernementales, ou encore les commentaires et notes formulés par ses utilisateurs/clients sur le Web. Toutes ces informations non structurées peuvent ensuite être converties en insights exploitables à l’aide d’algorithmes sophistiqués de text mining et d’analyse des sentiments permettant de créer des « clusters » provisoires puis en scores et finalement en indice représentant chacun différents degrés de risque crédit des entreprises.

Ces résultats peuvent être utilisés de manière indépendante ou combinée, c’est-à-dire que les résultats et modèles existants sont croisés pour en optimiser la précision.

La génération et la combinaison des scores se font alors en quelques secondes seulement et sont mises à disposition via des interfaces standards API interrogeables par le système décisionnel de nos clients, en temps réel.

Quels bénéfices pour les PME et les organismes prêteurs ?

Les technologies analytiques de données Web ont nécessité plusieurs années de développement et permettent aujourd’hui aux organismes financiers de transformer leurs processus d’acceptation des demandes des PME en étant plus précis et rapides, permettant d’approuver plus rapidement les demandes des meilleurs clients, de réduire les process manuels et de fournir des indicateurs d’alerte proactifs sur la propension du client à acheter, à se tourner vers la concurrence ou à faire défaut.

Share.