Vous êtes sur la page 1sur 27

Prsent par:

TASSINE NAILA
ROUJDI ASSIA
ABOUNASR AYMANE
MOUSSAOUI SALMA
AVANT-PROPOS

PLUSIEURS TYPES DE RISQUES PEUVENT AFFECTER LA


SURVIE DUNE BANQUE. PARMI CES RISQUES, ON TROUVE
NOTAMMENT LE RISQUE DE MARCH, DOPTION, DE CRDIT,
OPRATIONNEL, ETC. LE RISQUE DE CRDIT, APPEL
GALEMENT RISQUE DE CONTREPARTIE, EST LE RISQUE LE
PLUS RPANDU. SIL EXISTE PLUSIEURS TYPES DE RISQUES
DE CRDIT, CELUI DE NON REMBOURSEMENT EST UN
RISQUE MAJEUR.

LE SYSTME BANCAIRE MAROCAIN UTILISE DES MTHODES


CLASSIQUES POUR FAIRE FACE AUX RISQUES CRDIT. PARMI
CES MTHODES, LE DIAGNOSTIC FINANCIER ET LA PRISE DE
GARANTIE OCCUPENT SANS DOUTE UNE PLACE CENTRALE.
CETTE SITUATION ENGENDRE DES EFFETS NFASTES SUR LE
GONFLEMENT DES IMPAYS CE QUI PEUT METTRE EN CAUSE
LA SURVIE MME DE LA BANQUE. OR, IL EXISTE
ACTUELLEMENT DES MTHODES SOPHISTIQUES DESTINES
LA GESTION DU RISQUE CRDIT DONT LA MTHODE DU
SCORING.

DANS CET ARTICLE, NOUS ESSAYERONS DE METTRE EN


VIDENCE LA DMARCHE PRATIQUE POUR LA CONCEPTION
ET LA VALIDATION DUNE MTHODE SCORE
1
1
PLAN

Introduction.

I. Historique du crdit scoring.

II. Les diffrentes tapes de ralisation du crdit


scoring.

III. Les mthodes scoring.

IV. Rgle de dcision.

V. Porte et limites.
1
Conclusion.

INTRODUCTION
Selon le langage courant, le terme score peut signifier
classement , rsultat , etc. En statistique, cest
lide de classement qui est surtout retenue. Le
scoring (statistique) se prsente en effet comme un
ensemble de mthodes conduisant un classement
dindividus au sein de groupes pralablement dfinis.
Une mthode de scoring se prsente en effet comme
une technique statistique permettant de classer un
individu dans lun des quelques groupes dfinis priori
et ce au vu de certaines caractristiques de cet
individu. Il sagit bien dune mthode de classement
statistique car elle est base dabord sur un traitement
statistique des donnes issues dun chantillon
dindividus.
Les techniques de scoring sont appliques dans
plusieurs domaines comme la mdecine, linformatique,
la gestion des entreprises, banques, etc. Dans ce
dernier domaine, cinq principaux types de score sont
utiliss :
1
Le score d'apptence qui estime l'intrt qu'un client
porte un produit bancaire.
Le score comportemental qui estime le risque de non
remboursement tout au long de la dure d'emprunt.
Le score d'octroi qui estime le risque d'un nouveau
dossier de crdit.
Le score de recouvrement qui estime le montant
susceptible d'tre rcupr dans un cas de non
remboursement.
Le score d'attrition qui estime la probabilit qu'un client
quitte la banque.

Problmatique :
Pour une banque, la gestion du risque que reprsente le
crdit est un aspect fondamental de leur activit. On ne
prte pas tout le monde, il faut des garanties de la
part des demandeurs de crdit.
Le problme, cest que bien souvent ces garanties
prsentes par les demandeurs ne sont pas suffisantes,
la banque a besoin de plus de donnes pour pouvoir se
dcider prter de largent, do le besoin de faire
un scoring.

Comment les banques donnent


un accord de crdit? Et quelles
sont les diffrentes tapes de
1
ralisation dun scoring (outil
daide la dcision) ?

I. Historique du crdit scoring :

Le Crdit Scoring est le processus dassignation dune


note (ou score) un emprunteur potentiel pour estimer
la performance future de son prt (Flaman, 1997).
Le Crdit Scoring utilise des mesures quantitatives de
performance et les caractristiques des prts
prcdents pour prdire performance des prts futurs
avec des caractristiques similaires. Le Crdit Scoring
napprouve, ni ne rejette une demande de prt, il peut
plutt prdire la probabilit doccurrence de mauvaise
1
performance (dfaut) telle que dfinie par le prteur
(Caire et Kossmann, 2003).
Ce principe de discrimination a t introduit dans les
modles statistiques par Fisher (1936). Durand (1941)
tait le premier utiliser ces techniques de
discrimination pour dpartager les bons et les mauvais
demandeurs de crdit en utilisant certaines
caractristiques de ces derniers.
Selon Durand l'valuation d'un dossier de crdit, lors
dun achat dune voiture d'occasion titre dexemple.
Les paramtres les plus importants de son examen
taient comme suit :
-Le poste tenue par le demandeur;
-Le nombre d'annes passes dans la
position actuelle;
-Le nombre d'annes passes l'adresse
actuelle;
-Comptes bancaires, contrats d'assurance-
vie; Sexe;
-Le montant du versement mensuel.
Selon DUNHAM en 1938 Lors de l'valuation d'un
dossier de crdit, cinq facteurs jouent un rle
important :
-La banque doit croire en Position (poste) tenue.
-La finalit du crdit demand doit tre claire
(Compte de rsultat).
1
-La disposition d'une capacit de remboursement
suffisante (tat financier).
-Les garanties ou srets relles offertes doivent
permettre de limiter les risques.
-La relation oprationnelle doit tre solide.
Et il a soutenu que limportance de ces critres divers
devrait tre dtermine sur la base de l'exprience.

Tableau 1: L'histoire du scoring crdit en 10 dates

Dates Evnements

2000 1ere utilisation du crdit en Assyrie, Babylone et en Egypte

av. JC

1851 1ere utilisation de la notation (classement) crdit par John Bradstreet, pour
ses commerants demandeurs de crdit, USA

1909 John M. Moody publie la 1ere grille de notation pour les obligations
commerciales ngocies sur le march march, USA

1927 1er crdit bureau cre en Allemagne

1941 David Durand professeur de Gestion au MIT crit un rapport, et suggre le


recours aux statistique pour assister la dcision de crdit, USA.

1958 1ere application du scoring par American Investments

1967- Altman cre le Z-score partir de l'analyse discriminante mutivarie.


70
1
Rglementation des crdits bureaux par le credit reporting act, USA

1995 L'assureur d'hypothques Freddy Mac & Fannie Mae adopte le crdit-
scoring, USA

2000 Moody's KMV introduit le RiskCalc pour le scoring des ratios financiers
(financial ratio scoring - FRS)

2004 Ble II recommande l'utilisation des mthodes statistiques de prvision du


risque de crdit

Source : tableau inspir de Rayon Anderson, The crdit scoring Toolkit

II. Les diffrentes tapes de ralisation du


crdit scoring:

La mise en place dun systme de scoring passe par un


certain nombre dtapes quil convient de raliser. La
mise en place dun systme de crdit scoring dans une
banque passe priori par les tapes suivantes :
Extraire dans les dossiers de crdits accords dans le
pass un chantillon de bons clients et de
mauvais clients
NB : On ne cherche pas respecter la structure de la
population entre bons et mauvais clients. On
considre plutt pour le besoin de la modlisation un
chantillon plus ou moins galement rparti.
1
La collecte de linformation : Analyse prliminaire des
donnes issues de lchantillon choisi (limination des
erreurs et incohrences, recodage des variables,
slection des variables explicatives, etc.) Pour un
objectif de Btir un fichier contenant toutes les
informations connues sur les refuss ainsi que les bons
et mauvais payeurs.
Utilisation de la moiti des donnes de lchantillon
pour modliser le score de risque (explication de la
probabilit dtre un mauvais client comme une
fonction de ses caractristiques)
Utilisation de lautre moiti des donnes de
lchantillon pour valider le modle de scoring spcifi.
Fixation dun seuil de score en dca duquel un client
est considr comme mauvais .
NB : Ce seuil est gnralement fix travers un calcul
conomique.
Application du modle adopt sur les nouvelles
demandes de crdits.
1
III. Les mthodes scoring:

Les techniques de scoring sont nombreuses mais


l'objectif reste identique ; augmenter l'efficacit des
prises de dcision. Cela passe obligatoirement par une
meilleure anticipation des incidents de paiement, une
adaptation de l'offre de crdit, un travail sur la
rduction du risque et une planification de son
volution.
Les mthodes de scoring les plus utilises par les
banques, cause de leur simplicit dinterprtation et
leur grande fiabilit, sont gnralement de type linaire
tel que la probabilit discriminante linaire.
Il existe dautres mthodes non linaires et non
paramtriques comme les rseaux de neurones et les
arbres de dcision qui sont galement utiliss dans le
domaine du crdit scoring.
On peut aussi citer les systmes experts qui sont bass
sur les rgles de dcision doctroi de crdit dduites des
caractristiques du demandeur par les responsables du
crdit. Ces rgles vont permettre didentifier et de
mesurer le risque de dfaut des emprunteurs et elles
vont tre intgres dans le systme oprationnel de
dcision.

1. Le scoring par le modle d'analyse discriminante :

Sur une population de n individus, on observe une


variable qualitative Y k modalits et p variables
quantitatives Xi, i = 1,, p. La variable Y permet de
diviser la population en k groupes disjoints.
1
L'analyse discriminante permet de mettre en vidence
la diffrence entre classes et de trouver une rgle de
dcision base sur la connaissance de Y et des Xi,
permettant d'affecter un nouvel individu (pour qui Y est
inconnue) dans le groupe qui lui est le plus proche.
L'analyse discriminante est utilise dans l'octroi de
crdit par les banques en prenant pour Y la variable
qualitative ayant pour modalits : bon payeur et
mauvais payeur.
Les diffrentes mthodes danalyse discriminante parta
gent les mmes objectifs :

Un objectif descriptif
Mettre en vidence
les variables qui permettent de sparer au mieux
les groupes dindividus.
Dterminer si les diffrences entre les groupes sont
significatives

Un objectif dcisionnel
Construire une rgle daffectation des nouveaux individ
us lun des groupes.
Lanalyse discriminante but dcisionnel repose
sur le concept de probabilit.

2. Le scoring par le modle linaire :


Le modle de probabilit linaire est un modle vise
expliquer une variable par dautres variables :

y = b1x1 +b2x2 +...+BnXn +u


1
Tel que : Yi est une variable expliquer (Yi =0 si le
client i est un mauvais client et Yi= 1 si le client i est un
bon client).
Xn=variables explicatives possibles qui peuvent tre
quantitatives (ge, nombre denfants, salaire, etc.) ou
qualitatives (propritaire ou locataire, mari ou non
mari).
U= le terme derreur du modle.
b reprsentent les paramtres du modle.
Dfinition du score :

Yi = bx + u,

-Le score not Yi synthtise les caractristiques du


client i au regard de la variable expliquer.
-Plus la valeur du score Yi est leve, plus le client i a
de chance dtre un bon client.
Remarque: une probabilit est comprise entre 0 et 1.
Or, dans le modle linaire, cette probabilit estime
peut tre en dehors du segment [0, 1], ce qui pose
problme

APPLICATION DU CRDIT SCORING AUX


ENTREPRISES.
L'exemple le plus clbre d'application de cette
technique est le modle de 1968 d'Altman nomme Z-
score , qui permette de classer un client dans le
groupe faillite, ou non faillite. Sa fonction discriminante
finale est:
1
Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6X4 +
1.0 X5

X1: Fond de roulement / actif total


X2: Bnfices non rpartis / actif total
X3: Bnfices avant intrt et impt / actif total
X4: Valeur au march de l'avoir / valeur au livre de la
dette
X5: Ventes / actif
-Le risque encouru par la banque varie dans le sens
contraire de Z, avec 3 comme valeur critique tel que
rsum par la figure.

-Si le Z- score est suprieur 3, lentreprise a peu de


risque de faire dfaut et sil se situe entre 2,7 et 3,
lentreprise est risque. Pour un score compris entre
1,8 et 2,7, la probabilit de faire dfaut est importante
et l'entreprise est juge haut risque. Enfin pour un
score infrieur 1,8 la probabilit dun problme
financier est trs leve.

Etapes de la construction dun score :


1
Construire un modle :
-Choisir un modle (exemples : linaire ou logistique)
-Sparer les
bases de donnes historiques en deux chantillons :
un chantillon dapprentissage (pour
estimer le modle) et un
chantillon test (pour tester le modle)
-Slectionner les variables explicatives du modle et est
imer les paramtres du modle partir de lchantillon
dapprentissage
-Interprter des paramtres estims (signe des paramt
res)

Construire une rgle de dcision fonde sur le modle


-Dterminer un seuil pour la rgle de dcision

Mesurer la qualit dajustement du modle sur un cha


ntillon tests

3. Le scoring par systme d'experts :

Le systme expert vise reproduire le raisonnement de


lexpert humain par une modlisation de son analyse de
la demande de crdit. Un ensemble de rgles est cr
(base de connaissance) et permet de dduire une
dcision sur la base des donnes du dossier de crdit
(base de faits), un systme expert est donc un logiciel
capable de rpondre des questions, en effectuant un
raisonnement partir de faits et de rgles connues. Il
1
peut servir notamment comme outil d'aide la
dcision.
Un systme experts est compos de trois parties :

Base de
connaissances

systme
expert
Moteur d
Interfaces
infrences

- Base de connaissances :
Une base de connaissances reprsentant la fois du
savoir-faire et lexpertise ncessaires pour rsoudre un
problme. Les units de raisonnement scrivent sous la
forme de rgles libelles de la faon suivante : si
"situation" alors "action"
- Base de faits :
Mmoire renfermant tout instant les informations
connues sur le problme en cours, qui senrichit au fur
et mesure par les rponses de lutilisateur,
- Moteur dinfrences :
1
Constitu par les algorithmes charg dexploiter les
connaissances et les faits pour mener un raisonnement.
Il exploite les connaissances en effectuant des
dductions logiques et, partir des mmes hypothses
que les experts, propose des rsultats identiques, deux
interfaces indispensables la bonne communication
homme-machine (lune facilite le dialogue avec
lutilisateur en cours de session, lautre permet
lexpert du domaine de consulter ou denrichir la base
de connaissances du systme).

4. Le scoring par rseaux de neurones :

Le neurone formel est une modlisation mathmatique


visant reprendre le fonctionnement d'un neurone
biologique. Le fonctionnement de ce neurone formel est
bas sur une rgle de calcul assez simple : on cherche
valuer la valeur d'une sortie y, partir de plusieurs
entres x, qui elles-mmes sont pondres par des
coefficients appels synapses ou poids synaptiques w.
Selon cette description, chaque neurone est reli
d'autres par des connexions.
1
Les rseaux de neurones, dans le cadre du crdit
scoring, permettent de mettre en relation les inputs (la
base de donnes qui est compose des dossiers de
crdits) et les outputs (le rsultat du crdit : bons
payeurs ou mauvais payeurs) sans supposer que cette
relation est linaire.
LA figure illustre le traitement des dossiers de crdit par
les rseaux de neurones pour tudier la prsence ou
non du risque de crdit :
1
Classification des scores de crdit avec les rseaux de
neurones :
Exemple :
Un fichier de donnes contient les observations
dindividus sollicitant un crdit. Linformation comprend
les dtails depuis la demande de crdit avec le solde,
dure, paiements, etc. La variable cible est Dossier de
Prt, qui est catgorielle par nature. Les clients sont
classs soit en Bon ou Mauvais risque de crdit. Le but
est de prvoir prcisment les risques de crdit des
clients (Bon ou Mauvais).
Dans le cadre de la classification, il est optimale davoir
une rpartition homogne des modalits de la variable
cible. En effet, si une modalit, par exemple Bon de
notre variable cible Dossier de Prt, est sur reprsente,
la modalit Mauvais risque dtre mal modlise. Un
autre problme subsiste dans ce type de jeu de
donnes : lvaluation des modles sur ces donnes. A
titre dexemple, prenons un jeu de donnes constitu
90% de Bon dossier et de 10% de Mauvais dossier.
Un modle ayant tendance toujours classifier en Bon
dossier aura une performance de 90% sur lensemble
de nos donnes.

5. Le scoring par arbre de dcision :

Les arbres de dcision constituent une mthode rcente


et efficace dexploration de donnes, en vue de la
prdiction dune variable qualitative laide de
variables de tout type (qualitatives et/ou quantitatives).
Cette flexibilit constitue un avantage par rapport
1
certains outils de classification, prvus pour des
prdicteurs dun seul et mme type. Il sagit dune
mthode itrative, dite de partitionnement rcursif des
donnes. En effet, la mthode construit des classes
dindividus, les plus homognes possible, en posant une
succession de questions binaires (de type oui/non) sur
les attributs de chaque individu.
Les arbres de dcision ont t dvelopps dans les
annes 1960 (AID10 de Morgan et Sonquist) et sont trs
utilises en marketing. Au dpart, ces mthodes
n'taient pas utilises par les statisticiens, qu' partir
de 1984. partir de l, les arbres de dcision sont
devenus un des outils les plus importants du Data
Mining et ceci cause de la lisibilit des rsultats et de
la simplicit des interprtations.
Le principe des arbres de dcision est de prdire une
variable Y quantitative (arbre de rgression) ou
qualitative, dans notre cas bon ou mauvais payeur,
(arbre de dcision, de classification, de segmentation)
l'aide de variables explicatives quantitatives ou
qualitatives (le type de prt ou le sexe du client, mais
aussi l'ge du client, les ventuels retards antrieurs, le
type de garanties ou mme le nombre de lignes
tlphoniques)
1
IV. Rgle de dcision :

Une fois un modle ou plusieurs modles de scoring


sont estims, il convient danalyser leurs performances
avant de les valider pour tre utiliss comme outil
daide la dcision. La performance est mesure par
les taux derreur de classement.
Lanalyse de performances, lissue de laquelle une
mthode de scoring est valide, permet notamment
Damliorer un modle en comparant plusieurs de ses
variantes (ajout ou retrait de variables explicatives,
etc.)
De choisir entre plusieurs types de modles candidats
Lanalyse des performances dun modle gagnerait
tre conduite sur un jeu de donnes diffrent de celui
1
qui a t utilis pour lestimation. On doit en effet,
lorsque cela est possible, distinguer entre lchantillon
dapprentissage et lchantillon de test ou de validation.
Ce dernier doit ncessairement contenir les valeurs
relles de la variable cible (appartenance aux groupes).
Dune manire gnrale, il sagit de comparer entre les
valeurs relles de la variable cible avec celles prdites
par le modle.
La rgle de dcision repose sur le choix dun score limit
e (seuil) not Z.
-Si Zi infrieur Z, alors la dcision est non .
-Si Zi suprieur Z, alors la dcision est oui .
Choisir un score limite Z
revient choisir une probabilit
limite note p : p= F(Z )
-Si la probabilit estime du client i dtre
un bon client est infrieure la probabilit
limite, cest dire si p i<p, alors la dcision est
non .
-Si la probabilit estime du client i dtre
un bon client
est suprieure la probabilit limite, cest dire si pi
suprieur p, alors la dcision est oui .
En pratique, pour une valeur du score limite donne, de
bons
clients auront un score infrieur au score limite et de m
auvais
clients auront un score suprieur au score limite.
1
-Encore une fois, le modle nest pas parfait !
-Si on fixe une valeur basse
pour le score limite, on acceptera tous
les bons clients mais aussi beaucoup de mauvais.
-Si on fixe une valeur trop lev pour
le score limite, on nacceptera
pas de mauvais clients mais trs peu de bons clients.
-Pour dterminer la valeur optimale du score limite, il
faut effectuer
au pralable une analyse de rentabilit des
bons clients et des
mauvais clients. La valeur
optimale du score limite est la valeur qui
maximise le profit de la banque.

V. Porte et limites:
En pratique, on pourrait utiliser dautres mthodes plus
ou moins subjectives pour apprcier la probabilit
dappartenance dun individu un groupe donn. Par
rapport ces mthodes, les techniques statistiques de
scoring prsentent un certain nombre davantages et
inconvnients dont les principaux :
1
CONCLUSION
Le succs des dcisions de crdit/prt est
essentiellement influenc par deux facteurs : la qualit
des donnes de base (exhaustivit, exactitude,
crdibilit) et la qualit de la dcision rendant le modle
(pour les offres individuelles, le processus de prise de
dcision).Toutefois, alors que le premier est un critre
assez technique, ce dernier est beaucoup plus
complexe ; dans une large mesure, elle dpend encore
sur les connaissances et lexprience des experts
commerciaux faonner et mettre en uvre le processus
de prise de dcision.
1
SOURCES :
http://www.essai.rnu.tn/cours_ESSAI/coursScoring.pdf
http://ekonomia.fr/838/credit-scoring-comment-les-
banques-donnent-un-accord-de-credit/
http://www.memoireonline.com/08/11/4751/Scoring-
credit-une-application-comparative-de-la-regression-
logistique-et-des-reseaux-de-neurone.html
http://longin.fr/Cours/Cours_Management_bancaire/rese
rve/Seance_03/Documents/MB_POL_S3_Le_scoring.pdf
http://maths.cnam.fr/IMG/pdf/Scoring-
2013_cle09f1ab.pdf
1
1

Vous aimerez peut-être aussi