smart data et data science au service du ......1 retour d’expérience optimisation d’un...

1

Retour d’Expérience

Optimisation d’un algorithme d’acceptation automatiquede dossiers d’octroi

SMART DATA ET DATA SCIENCE AU SERVICE DU CROWDLENDING : COMMENT ACCROÎTRE LES FINANCEMENTS TOUT EN RÉDUISANT LES RISQUES DE DÉFAILLANCE ?

2

S o m m a i r e

1) Présentation des enjeux

2) Environnement de départ, outils utilisés au départ

3) Méthodologie et outils pour atteindre la cible

4) Résultats et gains chiffrés

5) Next steps

6) Q&R

33

P R E S E N T A T I O N D E S E N J E U X

44

Credit.fr

En quelques mots

NOTRE ADN :

MANAGEMENT DU RISQUE ET AGILITÉ

Création Acquisition par

TIKEHAU CAPITAL

Mars 2015 Juin 2017

16 employées 6M€ en levée de fonds

Crédits aux TPE/PME

20 000€

à

2 500 000€

1ère

Fintech de

France à être

reliée avec la

Banque de

France (Fiben)

Taux de défaut

parmi les plus bas

d’Europe

1 min : pour ouvrir un

compte prêteur

N°1En nombre d’entreprises financées

4 jours : durée moyenne

pour obtenir le déblocage

des fonds

55

NOS

EMPRUNTEURS

Projets financés

Taux moyen

Montant financé

Durée moyenne

326

7,36%

69 942 €

43 705

22 801 050 €

Montant moyen

Demandes de prêt

Capital remboursé

Intérêts versés

4 159 769 €

1 104 703 €44 mois

66

Partenariat avec Hello Bank!

Signé en septembre 2016

8 janvier 2018 : lancement

du FPS TIKEHAU CREDIT.FR pour les

investisseurs institutionnels (30 M€)

NOS

PRÊTEURS

16 830

20 %

Prêteurs

Financés par des holdings

ou trésorerie d’entreprise

7

E n j e u x / O b j e c t i f s d u p r o j e t

dossiers reçus

dossiers étudiés

dossiers acceptés

Impayés

Profit

Enjeux

Atteindre l’objectif de croissance 2020 pour prendre la

place de leader français.

Objectifs

Augmenter le taux d’agrément automatique et

maintenir le niveau de risque pour limiter les impayés.

Retour sur investissement

Moins cher qu’un budget de Google Adwords, la

modification de l’algorithme d’octroi permettrait

d’accroître le volume d’acceptation tout en maintenant

le niveau de risque.

CYCLE ON-BOARDING

8

E n v i r o n n e m e n t d e d é p a r t , o u t i l s u t i l i s é s a u d é p a r t

9

M é t h o d o l o g i e e t o u t i l s p o u r a t t e i n d r e l a c i b l e

10

10

P O U R A T T E I N D R E L A C I B L E

Pas d’IA sans DatasciencePas de Datascience sans DATA …

Pas de science sans L’EXPERTISE des METIERS

11

11

I m p l é m e n t a t i o n

d e l a s o l u t i o n

p o u r u n e

r é p o n s e e n

t e m p s r é e l

M o d é l i s a t i o n d e

l ’ a c c e p t a t i o n

e t d u r i s q u e

S i m u l a t i o n

i t é r a t i v e d e s

R O I

M a i t r i s e r

l ’ e n s e m b l e d e s d a t a s e x i s t a n t e s

S ’ a p p u y e r s u r l e r e t o u r

d ’ e x p é r i e n c e

E v a l u e r l e p o t e n t i e l d u m a r c h é

D A T A S C I E N C E A L T A R E S

A i d e r C r e d i t . f r à o p t i m i s e r s o n a l g o r i t h m e d ’ o c t r o i

… La data, source de performance, est au cœur du projet

12

12

D A T A C O M P O R T E M E N T A L E 500 000 balises trackées

S C R A P I N G 15 millions de mots-clés

700 000 logos

700 000 pages sociales

C R O W D S O U R C I N G Catalogue de 4 000 produits

10.000 pages entreprises

D A T A D I G I T A L E 1,8 millions de sites web

2, 5 millions d’e-mails

D A T A H I S T O R I Q U E 15 millions d’entreprises (RNCS, INSEE)

15 millions de comptes annuels

10 millions d’entrées au BodaccD A T A O N B O A R D I N G 3,2 millions de cookies

C O L E C T E E T

T R A I T E M E N T D E

D O N N E E S

BtoB

N O T R E L E G I T I M I T E D A T A , B I G D A T A

3 0 a n s d e s a v o i r f a i r e

D A T A I N T E R N A T I O N A L E 255 millions d’établissements

18 millions de liens capitalistiques

228 millions de dirigeants

O P E N D A T A4,2 millions de marques déposées,

designs et brevets…

D A T A P R I V É E 3,6 milliards d’éléments de bilan

500 000 mises à jour quotidiennes

40 millions de paydex

*

*

*

* Sources utilisées dans le cadre de ce REX

*

131313

Ensemble desdemandes

100%

75% des demandessont en rejet automatique

25% des demandessont acceptées automatique

demandesen rejet manuel

1% dossiers

financés

1. L’algorithme initial, au démarrage de la plateforme digital de Credit.fr, repose sur de l’expertise et sur un ensemble de règles qui utilise largement le score de

défaillance Altares

2. Après 3 ans de fonctionnement, les données récoltées permettent de

d’avoir une base de connaissancepour faire évoluer l’algorithme et de conserver le niveau de risque actuel en augmentant le nombre de dossiers acceptés et donc d’optimiser le travail

de l’arbre de décision

No Go GoALGO

Niveau de Risque +++

Risque -Risque +

O P T I M I S A T I O N D E L ’ A L G O R I T H M E D ’

A C C E P T A T I O N T E M P S R E E L

Analyse manuelle

des dossiers

141414


demandesen rejet automatique

Demandesacceptées en automatique


1% de dossiers financés

No Go GoALGO

Risque -Risque +

Niveau de Risque +++

Majoritairement

Mais il reste des

entreprises avec un

Niveau de risque + ou un

niveau de risque -

Solution :Identifier et reclasser automatiquement les dossiers à

faible risque

O P T I M I S A T I O N D E L ’ A L G O R I T H M E D ’ A C C E P T A T I O N

Analyse manuelle des

dossiers

ISO Impayé

Mesure du risque

151515

La solution consiste à déplacer la mesure du risque de l’ensemble des dossiers déposés auprès de Crédit.fr vers 3 millions d’entreprises qui reflètent le marché potentiel de la plateforme

Une base de 3 millions d’entreprises permet une mesure/observation précise du risque sur les segments à l’origine des règles de l’algorithme

Tandis les « seuls » dossiers déposés pendant 2 ans permettent seulement une approximation imprécise du risque

On peut ainsi mettre en œuvre une technique statistique simple et fiable, de test de moyenne, sur un grand nombre de critères (plus d’un millier) et la base des 3 millions d’entreprise pondérés pour être représentative de l’ensemble des dossiers


161616


Baisse des demandes en rejet automatique

Augmentation de 50% des

demandesacceptées en automatique


+50% de dossiers financés

No Go GoNEW ALGO

Risque –Risque +


+ 50 %ISO IMPAYÉ

AVANT/APRÈS : objectif rester à

1%

17

R é s u l t a t s e t g a i n s c h i f f r é s

18

S I M U L A T I O N D U R O I : s u i v a n t l e s h y p o t h è s e s d é d u i t e s d e l ’ h i s t o r i q u e

+ 50 %

Retour sur investissement

Moins cher qu’un budget de Google Adwords la modification de l’algorithme

d’octroi permet d’accroitre le volume d’acceptation tout en maintenant le

niveau de risque.

43 705 dossiers reçus

10 926 dossiers étudiés

326 dossiers acceptés22.8 M€

2 à 4 Impayés

Profit

43 705 dossiers reçus

16 390 dossiers étudiés

489 dossiers acceptés34.2 M€

4 à 6 Impayés

Profit

19

N E X T S T E P S

2020

PROCHAINES

ETAPES

Mise en place du nouvel algorithme avec les équipes d’Altares

Intégration des données non conventionnelles suite au programme de R&D avec le labo Rexfi (CNAM / ESCP / ENA)

Travail avec LINXO pour l’accès aux relevés de comptes bancaires dans le processus octroi

Intégration des Fiben dans le score Credit.fr

1

2

3

4

21

Q u e s t i o n s R é p o n s e s

# b e d a t a

F R A N C E

55, avenue des Champs-

Pierreux

92000 NANTERRE

+33 (0)825 80 58 02

P A Y S - B A S

Otto Reuchlinweg 1032,

3072 MD ROTTERDAM

MANAGEO

290 avenue Galilée

13594 Aix en Provence

B E L G I Q U E

Avenue Charles-Quint 576,

1082 BRUXELLES,

M A G H R E B

Inforisk Altares Africa

42 Bd Abdelmoumen

CASABLANCA

w w w . a l t a r e s . c o m

smart data et data science au service du ......1 retour d’expérience optimisation d’un...

Documents