ML dans l’automatisation du processus d’évaluation des risques dans l’industrie financière

Le client est une société qui s’occupe de la sécurité financière des entreprises du secteur des transports nationaux et internationaux. Les spécialités de la société comprennent l’enquête sur la crédibilité des contractants, le financement des factures et le suivi des paiements, le recouvrement à l’amiable et le recouvrement judiciaire.

Le processus d’évaluation du risque de crédit et de prise de décision en matière d’affacturage est un domaine clé de l’activité du client. Il est important d’obtenir des performances élevées de manière constante.

Jusqu’à présent, chaque demande était vérifiée à l’aide de règles d’experts et d’une inspection manuelle. Une telle opération n’était pas optimale, car il était difficile d’effectuer une évaluation totalement objective ; en outre, il était impossible de faire évoluer rapidement le processus. Le client a donc décidé d’automatiser le processus d’évaluation pour les clients finaux.

Le client a décidé de coopérer avec nous pour développer un logiciel permettant d’évaluer la fiabilité des clients finaux. Le facteur décisif a été notre vaste expérience dans les projets fintech (pour les sociétés d’affacturage, les sociétés de recouvrement de créances et les banques) et nos années d’expérience dans l’application de divers modèles mathématiques pour résoudre une variété de problèmes.

Le processus de développement du modèle a impliqué 5 personnes (analystes de données principaux, analystes de données, programmeurs) sous la supervision d’un expert du domaine.

1. Analyse et préparation des données 

• Atelier pour analyser les besoins des entreprises,
• Analyse du processus de souscription, c’est-à-dire des actions d’évaluation, d’acceptation ou de rejet des risques
• Préparation et analyse préliminaire des données collectées au cours de ce processus. À ce stade, nous nous sommes attachés à comprendre les caractéristiques des données, les liens entre les différents ensembles de données et à évaluer (et améliorer) la qualité des données.

2. Création d’un modèle de ML approprié et intégration 

• Pour mettre en œuvre les solutions, nous avons décidé d’utiliser des modèles ML de type boite noire dotés d’un mécanisme explicatif (XAI).
• Nous avons préparé un large ensemble de données d’échantillonnage et effectué le processus d’apprentissage du modèle.
• Lorsqu’il est utilisé, le modèle ML fini reçoit les données réelles, les traite et fournit le résultat – une évaluation des risques.
• Les modèles suivants ont été progressivement affinés. Les modèles finaux ont été validés de manière approfondie, en évaluant le pouvoir de généralisation du modèle et la sensibilité de la qualité de la prédiction au passage du temps.
• Les modèles ont été intégrés dans le système d’information à la fin du processus.

Nous avons guidé le client tout au long du projet, en anticipant les risques émergents et en proposant des solutions alternatives. Le client a été satisfait de l’étroite collaboration qui a permis d’améliorer l’efficacité du travail. Grâce à une communication ouverte, nous avons pu discuter de sujets difficiles de manière accessible afin que toutes les étapes du projet et les décisions prises dans le domaine de la modélisation prédictive puissent être comprises.

En fin de compte, nous avons permis des évaluations automatiques, objectives et rapides des demandes d’affacturage 24 heures sur 24 et 7 jours sur 7, ce qui est d’une grande valeur pour les clients finaux. Le client a également acquis la capacité de contrôler commodément le risque, indépendamment des spécialistes qui examinent actuellement les demandes, et la capacité d’évoluer.