Les consommateurs marocains sont de plus en plus nombreux à recourir au crédit à la consommation pour financer l’achat de biens d’équipement ou de véhicules, ou pour financer un voyage ou des travaux à la maison.
Ainsi les encours des crédits à la consommation octroyés par les banques marocaines ont évolué de 14 milliards dh en 2006 à 48.8 Milliards dh en 2016, soit une progression annuelle moyenne de 13.3% !
D’un autre côté, les réglementations (Bâle I, II et III) sont venues exiger des banques de renforcer davantage le contrôle du risque de crédit qui peut être lourd de conséquence. Cette forte croissance, n'a été rendue possible dans cet environnement très contrôlé, que grâce à une forte rationalisation des process, dans laquelle se trouve en bonne place l'analyse de risque réalisée pour l'octroi des crédits.
La majorité des établissements de crédit (banques et sociétés de crédit à la consommation) utilisent en effet des techniques de scoring pour décider de l’opportunité d’accorder un prêt et pour évaluer le risque qui lui est lié. Le score de crédit a pour objectif de fournir un instrument pour mesurer le risque, guider la décision d’octroi ou refus du crédit et gérer le portefeuille des risques crédit. Il fournit une estimation de la probabilité qu’un client qui demande un prêt fera défaut dans le remboursement de son emprunt.
Technique de scoring
Le credit scoring est une méthode d'évaluation statistique qui consiste à départager au mieux une population donnée en classes différentes (par exemple les bons et les mauvais profils de payeurs de crédit), en faisant appel à des techniques de discrimination. Le cabinet "Fair et Isaac" a été le pionnier dans l'automatisation des décisions d'accord de crédit, et depuis les années 1980 le traitement de masse des dossiers des demandeurs de crédit est devenu très courant.
Le credit scoring s’est d’abord intéressé au marché des particuliers et a été élargi par la suite aux entreprises pour prévoir leur défaillance à partir de ratios financiers.
Ces systèmes de notation utilisent des modèles statistiques qui aboutissent à un score d’octroi de crédit à partir d'un seuil fixé par l'institution financière, selon sa tolérance au risque.
Les méthodes de scoring les plus utilisées par les banques, pour raison de leur simplicité d’interprétation et leur grande fiabilité, sont généralement de type linéaire telles que l’analyse discriminante linéaire ou encore la régression logistique.Il existe d’autres méthodes non linéaires et non paramétriques comme les réseaux neuronaux et les arbres de décision qui sont également utilisés dans le domaine du crédit scoring.
Les avantages du credit scoring
Cohérence de l'évaluation statistique
Le scoring traite de façon identique toutes les candidatures potentielles. Deux personnes présentant les mêmes caractéristiques auront le même niveau de risque estimé sans l’influence de jugements subjectifs de l’évaluateur.
Dans un système manuel en revanche, l’évaluation comporte une part subjective selon les jugements des agents responsables du crédit (changeant parfois même selon leur humeur du moment).
Amélioration de la productivité et de la rentabilité de la banque
Les techniques de scoring permettent de traiter de façon industrielle une plus grande quantité de dossiers de prêts toutes choses égales par ailleurs. Alors que dans une méthode manuelle, les responsables de prêts ont besoin d’énormément de temps et d'apprentissage pour être en mesure de pouvoir estimer et qualifier le risque de manière efficace.
D'autre part, le rejet dès le départ de certains clients jugés à risque, permet de réduire le risque, et in fine d’augmenter la rentabilité.
Facilité de gestion des portefeuilles
La notation constitue également un outil puissant, susceptible de permettre aux responsables d’ajuster la composition et les orientations des portefeuilles en fonction de l’activité économique, compte tenu d’un niveau souhaité de tolérance au risque.
Les limites du credit scoring
Les techniques du credit scoring présentent un certain nombre de faiblesses et de limites. En effet, l’avenir peut être différent du passé, alors que les prédictions fondées sur la notation s'appuient uniquement et exclusivement sur les événements passés. Les changements pouvant survenir sont susceptibles d'affecter la qualité de prédiction du modèle.
Les refus de trop
Le crédit scoring est adapté à une pratique massive du crédit et son impartialité est souvent citée parmi ses vertus par l'industrie. Il génère toutefois des refus de crédit qui n'auraient pas lieu d'être. Si les refus représentent une proportion de 5% (ce qui est jugé très performant pour un score), c’est 5%de trop ! Car en effet la banque qui se veut être orientée client ne peut pas se permettre de prendre la mauvaise décision même pour un seul client !
Par ailleurs, le credit scoring peut avoir un autre biais dû à l’écart par rapport aux profils de ceux qui composent l'échantillon d'origine. Ce dernier, bien qu'il soit élaboré sur une base large, n'est pas en soi représentatif de toute la population. Et ainsi, des refus peuvent naître d'une « non reconnaissance » par le modèle plutôt que d'un lien effectif avec une probabilité de défaillance.
N'oublions pas que le but d’un score est de permettre un traitement industriel des demandes, pas de faire de telle sorte que certaines personnes n'accèdent au crédit parce que leur profil est trop éloigné de la norme de l'échantillon !
Ces refus sont particulièrement dommageables pour les personnes elles-mêmes, mais aussi ils le sont pour les établissements de crédits qui ratent autant d'occasions de vente.
Une subjectivité intrinsèque
Enfin la méthode utilisée dans la construction du score (échantillon et choix des données) repose sur des décisions prises par les membres du projet de credit scoring dans la phase de création, et intègre donc leur subjectivité de manière structurelle !
Enfin la méthode utilisée dans la construction du score (échantillon et choix des données) repose sur des décisions prises par les membres du projet de credit scoring dans la phase de création, et intègre donc leur subjectivité de manière structurelle !
Les profils refusés et les données qui sont considérées dans l'analyse initialement le seront donc pour longtemps, car la capacité « d'apprentissage » et la mise à jour du système est souvent lente. Cette limite méthodologique impacte donc profondément et pour longtemps l'accessibilité du crédit aux profils « hors normes ».