Les data sciences sont un sujet dans l’air du temps, mais quels sont les champs d’application et les perspectives ouvertes dans le métier de credit manager ? Infolegale vous propose de faire le point sur la question.
Data et amélioration des performances
Première précaution sémantique : l’expression « intelligence artificielle » s’apparente davantage à un buzzword qu’à une réalité concrète particulièrement dans le contexte éminemment stratégique du credit management. En effet, cette expression s’avère impropre puisque cette technologie ne va pas remplacer le credit manager mais plutôt venir en appui à son activité quotidienne.
Et s’il demeure improbable que le métier de credit manager soit réellement menacé par l’émergence des data sciences, ces dernières apportent des outils indispensables au credit manager pour lui permettre de prendre de meilleures décisions.
En premier lieu, il faut savoir que le scoring est utilisé depuis longtemps notamment dans les secteurs du marketing et de la finance. En effet, comme le note Grégoire Gauriot, Data scientist à Infolegale : « une fois traduits en problématiques mathématiques, les enjeux business deviennent des problèmes de data science classiques ».
Concrètement, les data sciences reposent sur un principe simple : tirer profit de la puissance des technologies pour augmenter le champ d’analyse.
Dans cette optique, 2 axes d’amélioration sont généralement privilégiés :
- L’augmentation des capacités d’analyse : plus de données collectées et analysées
- L’identification de nouveaux critères d’évaluation
Enfin, la conséquence de ces principes de base est de faire reposer l’analyse, non plus sur les capacités humaines, mais sur la puissance de calcul des ordinateurs.
Une conséquence directe : cette démarche implique la captation de la connaissance par ces derniers. C’est ce que l’on appelle le « machine learning ».
Les champs d’application et les perspectives ouvertes
Dans le contexte du credit management, la situation est relativement simple : l’expert est le credit manager. Il dispose d’une vision fine de la probabilité de défaillance de ses clients. En revanche, il va forcément être limité par ses propres capacités d’analyse.
Par exemple, au contraire d’un ordinateur, un credit manager ne peut pas capter des centaines d’informations différentes sur une société et, en parallèle, améliorer au fil de l’eau sa capacité de prédiction sur cette même société. En d’autres termes, ces technologies permettent à la fois de contribuer à une meilleure analyse prédictive de la solvabilité des entreprises, tout en améliorant en permanence leur capacité d’analyse.
Comment ? En définissant des modèles de calcul capables d’évoluer en permanence. Selon Grégoire Gauriot, Data scientist à Infolegale : « l’objectif est de définir des problématiques business et de les traduire en problèmes mathématiques ».
Techniquement, pour un humain cela demeure difficile d’analyser à la fois le code NAF, la forme juridique, l’ancienneté et les interactions entre tous ces paramètres pour retranscrire un score de solvabilité.
Comme le note Grégoire Gauriot : « si les data sciences ont l’avantage de faciliter l’utilisation d’une forte quantité de données, parfois très disparates, l’objectif demeure d’optimiser la capacité à prévenir les défaillances et de choisir les meilleures options pour définir le score de solvabilité à l’instant T ».
Afin d’y parvenir, la procédure repose sur une analyse scientifique des données existantes qui doit dans un deuxième temps être enrichie selon différents critères. L’objectif est de tirer profit de toutes les données disponibles et d’en tirer le maximum de valeur.
Sur un plan plus opérationnel, votre besoin en tant que credit manager est de toujours être en mesure d’obtenir le meilleur compromis entre l’optimisation de votre business tout en réduisant votre exposition au risque d’impayé. Il s’agit du cœur de votre métier et il reposera toujours sur un élément incontournable : votre expertise de credit manager.
En effet, une chose est certaine, lorsque vous avez accès aux éléments financiers, évaluer un client et définir des encours ne vous pose pas de problème. Les difficultés deviennent plus prégnantes lorsque vous n’avez pas d’information sur vos partenaires. Et généralement, c’est dans ces cas de figure que les risques sont les plus sérieux.
Si par nature le score de solvabilité vous offre l’option la plus probante pour répondre à ces contraintes, les data sciences permettent d’améliorer la partie prédictive du score , en quelque sorte, en comblant les manques.
Pour conclure, les data sciences au service du credit manager : ce n’est plus de la science-fiction. Ceci étant, cette technologie demeure un outil d’aide à la décision et n’a pas vocation à se substituer à l’humain. Si Infolegale fait partie des acteurs les plus avancés du marché en la matière, nous restons plus que jamais persuadés que le credit manager restera au centre du processus décisionnel.
Commentaires