Services financiers Scénario d'usage

Scoring de crédit à partir de données alternatives

Évaluer la solvabilité de personnes sans historique bancaire à partir de données alternatives, avec des décisions explicables.

Décrire votre projet Voir la solution

Aperçu du projet

Ce scénario illustre ce que nous construisons ; il ne s'agit pas d'une référence client.

Ce scénario montre comment un organisme de micro-crédit digital en Afrique de l'Ouest peut évaluer la solvabilité de personnes sans historique bancaire. Un modèle de scoring s'appuie sur des données alternatives (usage mobile, transactions), avec le consentement des demandeurs. L'objectif : prêter à plus de personnes tout en maîtrisant le risque de défaut.

Défis du client & exigences

Un organisme de micro-crédit veut prêter à une population sous-bancarisée, qui n'a pas d'historique de crédit.

S'appuyer uniquement sur les informations déclarées est risqué et limite fortement sa capacité à prêter.

Objectifs principaux

Développer un modèle de scoring capable d'évaluer la solvabilité des demandeurs sans historique bancaire

Utiliser des sources de données alternatives (données d'usage du smartphone, questionnaires comportementaux)

Augmenter le taux d'acceptation des prêts sans augmenter le risque

Garantir un modèle de décision équitable et interprétable

Solution du projet

Prisma Soft construit un moteur de scoring de crédit de bout en bout. Avec le consentement de l'utilisateur, des données alternatives sont collectées et transformées en variables prédictives. Un modèle LightGBM est entraîné sur ces variables.
SHAP explique chaque décision. Le modèle est déployé comme service sur AWS et répond en temps réel.

Indicateurs à suivre

Taux d'acceptation des primo-demandeurs
Taux de défaut par segment
Délai de décision
Part des demandes traitées sans intervention manuelle

Stack technique

Infrastructure: AWS (Lambda, S3, API gateway)
Data Science: Python Pandas LightGBM Scikit-learn
Interprétabilité: SHAP
Base de données: PostgreSQL
Déploiement: Docker Serverless framework

Questions fréquentes

Avec le consentement explicite des utilisateurs, le système collecte des données comme la fréquence de recharge mobile, l'usage des données, la stabilité du réseau social ou les habitudes de transaction. Ces données sont anonymisées et transformées en variables prédictives par feature engineering.

Oui. La librairie SHAP rend chaque décision transparente. Pour chaque demande de crédit, le système indique les principaux facteurs qui ont influencé le score, ce qui assure la transparence due aux clients.

La vie privée est au cœur du système. Toutes les données sont collectées avec consentement explicite, chiffrées en transit et au repos, et anonymisées avant utilisation. Les règles de conformité sont fixées avec le client et son conseil juridique.