02 Juil 2021 / Article

L'intelligence artificielle va-t-elle révolutionner l'activité crédit en Afrique?

A travers l’analyse des données de navigations Web et mobiles, des Fintechs promettent l’accès au crédit à des clients non-bancarisés. Mais des inquiétudes subsistent concernant la fiabilité et la confidentialité des informations utilisées. 

Pour évaluer leurs clients, les organismes de crédit africains utilisent habituellement le système du Credit Score. Par exemple, pour analyser les historiques de paiements manqués pour une carte de crédit. En l’absence d’information, ils s’appuient sur des données démographiques ou sectorielles, comme l’existence d’une source de revenus réguliers ou encore la stabilité du secteur d’activité, les femmes quant à elles sont aussi associées à un meilleur taux de remboursement que les hommes. Une approche qui défavorise les personnes non bancarisées ou qui travaillent dans le secteur informel.  

Michele Tucci, Chief product officer de la fintech Credolab, explique : « En Afrique, les organismes prêteurs manquent de données pour prendre les bonnes décisions en matière de crédit et les données démographiques sociales ont leurs limites. » D’après lui, 70% des demandent de crédits sont refusées par les prêteurs africains faute d’information leur permettant d’établir un crédit score fiable. En effet, 57 % des Africains ne sont toujours pas bancarisés : leurs salaires sont versés en espèces et ils possèdent des cartes de débit et non de crédit.  

C’est au Kenya qu’a émergé l’évaluation alternative du risque crédit au milieu des années 2010, grâce à l’intégration d’outils d’intelligence artificielle IA aux services de crédit mobiles M-Shwari de Safaricom via la plateforme M-Pesa.   

Depuis, des Fintechs locales, comme Jumo (Cape Town) et la start-up nigériane Kiakia se sont fait une place sur le marché. Parmi le acteurs étrangers Credolab et Branch (San Francisco), qui analyse les données SMS, gagnent du terrain sur le continent. Coté prêteurs, la First National Bank of South Africa, les kenyans NCBA Group et Equity Bank, et Orange Bank ont été parmi les premiers adeptes.   

  

Des métadonnées mobiles  

Credolab (Singapour), créée en 2016 et présente en Afrique du Sud, au Nigeria, au Kenya et au Ghana, est l’un des acteurs qui se basent les métadonnées mobiles pour évaluer le risque de crédit. La Fintech intègre un kit de développement logiciel (SDK) mobile dans les applications bancaires des prêteurs et collecte – en respectant des principes de confidentialité – des points de données microcomportementales sur les appareils Android et iOS. Plusieurs éléments sont collectés lors de la demande de prêt : le pourcentage de selfies ou de vidéos sur le téléphone, le nombre de jeux installés, l’utilisation éventuelle d’un VPN et même la vitesse de saisie.  

Le système de Machine Learning intégré détermine ensuite la probabilité de défaut de paiement et génère un score de crédit. « Nous reprenons les autorisations nécessaires au fonctionnement de l’application [comme l’accès à l’appareil photo, aux contacts et au stockage du téléphone] et nous récoltons des métadonnées qu’aucun des prêteurs ne recueille, pas même les plus sophistiqués d’entre eux », explique Michele Tucci.  

   

Portefeuilles mobiles et tests de personnalité  

Parmi les méthodes de Machine Learning émergentes, figurent l’analyse des transactions d’argent mobile et les tests de personnalité numériques. Le groupe Creditinfo, qui possède des bureaux de crédit dans 11 pays africains, fait appel à ces tests pour trois de ses marchés.  

Pour Dmitry Borodin, Head of products and decision analytics chez Creditinfo, le succès croissant de l’argent mobile en fait la meilleure source de notation alternative en Afrique : « Ces données sont vraiment fiables : même si les cartes de crédit ou de débit restent rares, nous pouvons estimer le revenu et faire des prévisions solides grâce à l’analyse des transactions mobiles ».  

Creditinfo s’est également associée à Coremetrix et Compuscan en Afrique du Sud afin d’élaborer des tests de personnalité d’une durée de 5 à 20 minutes pour les clients dont le dossier de crédit est trop maigre. Ces clients répondent à 20 à 30 questions en ligne, puis le Machine Learning établit une carte de leur personnalité corrélée au risque de crédit. Ils doivent par exemple expliquer ce qu’ils feraient s’ils gagnaient 200 $ au loto (le choix de l’épargne étant associé à un risque moindre). L’IA analyse également les schémas comportementaux, comme le délai ou la longueur des réponses, pour identifier les clients qui cherchent à déjouer le système en trichant.    

 

Une approche balbutiante en Afrique  

Pour Aristide Ouattara, associé et Risk advisory leader chez Deloitte Afrique, le credit scoring alternatif n’en est malgré tout qu’à ses débuts : « Les banques africaines en sont encore à établir le socle minimal d’outils et de cadres de gestion du risque de crédit », a-t-il déclaré. Selon lui, ces méthodes représentent l’avenir du crédit et les banques devraient s’y convertir au plus vite.  

Selon Deloitte, l’évolution prochaine des accords de réglementation bancaire Bâle III et IV devrait accélérer la tendance en autorisant des méthodes de credit scoring plus avancées. « L’Afrique a l’habitude de suivre rapidement les innovations comme le mobile banking, et s’apprête à faire un bond en avant dans ce domaine aussi », estime Aristide Ouattara.  

Deloitte a commencé à développer le Machine Learning il y a plusieurs années en Europe avec les langages SAS et Python, et prévoit d’appliquer ces outils au secteur financier africain dans les prochaines années.   

Pour McKinsey aussi, le credit scoring via le Machine Learning est une bonne nouvelle pour l’inclusion financière.  

Ses applications sont diverses. La méthode permet par exemple l’analyse du véhicule d’un client, de son ancienneté, de son kilométrage et même de sa couleur, ou encore l’évaluation de la qualité des contacts via les réseaux sociaux.  

« Ces données alternatives sont utiles lorsqu’elles comblent un déficit d’information. Mais leur impact sur la qualité du score est moindre quand elles s’ajoutent aux données traditionnelles. », estiment Sergey Savitskiy, Leader of digital lending services et Umar Bagus, Head of Analytics tous deux chez McKinsey Afrique. 

  

La fiabilité des données en question   

La fiabilité reste une préoccupation majeure, même en Europe où la plupart des prêteurs utilisent déjà des métriques alternatives.  

Hervé Phaure, Leader of credit risk chez Deloitte en France, connaît bien le développement des outils de Machine Learning. Selon lui, les comportements des clients peuvent évoluer rapidement : « Un comportement humain instable met le modèle en échec ».  

La disponibilité des données est un autre obstacle. Un prêteur qui souhaite évaluer le profil de risque d’une PME peut analyser sa présence en ligne, mais risque de se heurter à un manque d’information. « Plus l’entreprise est petite, moins elle sera active en termes de navigation et d’actualités », poursuit Hervé Phaure, avant de mettre en garde contre un autre écueil : « Il y a de plus en plus d’informations pas fiables sur le net. »  

Pour traiter les tests psychométriques, Dmitry Borodin recommande aux institutions financières de se doter de capacités d’interprétation des algorithmes d’IA et d’une infrastructure fiable de gestion des modèles. Car à cause de la pandémie, elles risquent de passer à côté de changements de comportements que les données collectées par le passé ne reflètent pas encore. Selon lui, les scores psychométriques ne doivent pas constituer la seule source d’évaluation, mais ont un rôle à jouer pour les clients sans historique de crédit.  

Sergey Savitskiy et Umar Bagus ajoutent qu’il est essentiel de sensibiliser les cadres supérieurs et les conseils d’administration des banques à ce sujet. « L’IA et les modèles de Machine Learning sont souvent des sujets difficiles à appréhender, il faut donc veiller à adopter un discours adapté à ce public », expliquent-ils.  

   

L’alternative des données Web  

Même s’il collecte un million de points de données différents, le système de Machine Learning de Credolab peut décider de n’en conserver que 20 d’entre eux pour le calcul du score. « S’il est vrai que 98 % de ces millions de données n’ont aucune valeur informative, nous devons tout de même les évaluer pour repérer celles qui permettront de prédire avec justesse le profil de chaque prêteur », explique Michele Tucci.  

Les contrôles de métadonnées mobiles fonctionnent aussi sur les téléphones Android bas de gamme. La vitesse du réseau et la capacité de stockage des mobiles restent toutefois des défis, notamment pour les utilisateurs privilégiant les applications des réseaux sociaux à celles des banques. « On peut résoudre le problème avec un site Web mobile responsive qui ressemble à une application, mais n’oblige à aucun téléchargement », ajoute Michele Tucci. Sur les sites Web mobiles, Credolab analyse pas moins de 120 comportements comme la vitesse de saisie et de défilement, qui peuvent être identifiés comme des facteurs de risque de défaut de paiement.  

Si l’analyse Web est pertinente en Europe, où les demandes de prêt se font principalement en ligne, les utilisateurs africains s’orientent davantage vers les applications mobiles. Pour Hervé Phaure, leur facilité d’utilisation sera donc déterminante pour la croissance. « Nous ne cessons d’ajouter des étapes supplémentaires qui alourdissent la procédure de paiement en ligne », regrette-t-il. Les codes sur téléphone, les mots de passe des applications bancaires et les vérifications par SMS sont souvent indispensables pour confirmer l’identité. « Il sera bientôt plus rapide d’appeler directement la banque », ironise Hervé Phaure, qui plaide pour une démocratisation de la reconnaissance faciale.  

 

Les mille facettes du Machine Learning   

Selon Michele Tucci de Credolab, le credit scoring automatique se développe plus rapidement chez les prêteurs mobiles que chez les banques : « Les banques se satisfont de leur fonctionnement actuel. La demande existe, mais il y a beaucoup d’inertie. »  

Credolab a connu son premier client africain en 2018 en Afrique du Sud, et collabore à présent avec deux banques dans le pays. Mais ailleurs en Afrique, ses seuls clients sont des prêteurs mobiles. La fintech analyse leurs métadonnées mobiles dans des domaines aussi divers que les crédits de minutes de télécommunication, les nanoprêts et les prêts personnels, l’autofinancement et les prêts pour l’achat de vélos. Un prêteur africain fait appel à ses services pour les prêts aux PME allant jusqu’à 10 000 dollars. La fintech connaît aussi une forte croissance dans le segment du paiement différé.  

Sergey Savitskiy et Umar Bagus ajoutent : « L’IA peut aussi nous aider à déterminer l’offre la mieux appropriée pour un client donné. Il existe toute une gamme de crédits pour s’adapter aux différents profils, des microprêts aux prêts hypothécaires. »  

   

La confidentialité, source de préoccupations  

La confidentialité des données reste une préoccupation majeure, car seule la moitié des pays africains ont adopté des lois sur la protection des données. Des groupes de défense tels que Privacy International et d’autres s’inquiètent du sort des données comportementales, et redoutent des dérives comme la surveillance de masse et l’évaluation sociale du credit scoring.   

Credolab assure qu’elle ne collecte que des métadonnées comportementales, le nombre de nouveaux contacts en une semaine et le rapport entre le trafic SMS entrant et sortant par exemple. Les données personnelles comme les noms de ces contacts et le contenu des photos, des SMS et des PDF restent confidentielles.  

« Nous n’avons rien d’une technologie SDK obscure qui dépouillerait les données des clients à leur insu », rassure Michele Tucci. L’identité du demandeur n’est jamais dévoilée à Credolab, ce qui protège la réputation des prêteurs en cas de violation des données. Michele Tucci encourage également les prêteurs à mettre bien en évidence la collecte de données dans l’interface utilisateur de l’application plutôt que de cacher les conditions générales dans un lien hypertexte.  

Aristide Ouattara, de Deloitte, avertit que certaines fintechs spécialisées dans le risque de crédit pourraient utiliser des API de plateformes basées en dehors de l’Afrique : « Ces fintechs utiliseraient alors les données personnelles d’un client africain dans une autre juridiction où nous ne disposons d’aucun accord sur la protection ou la confidentialité des données. »   

   

Un grand pas pour l’inclusion financière ?  

Le credit scoring alimenté par l’IA est vendu comme un moyen de donner accès au crédit à 1 milliard de personnes sans historique de crédit dans le monde. Mais qu’en est-il vraiment en Afrique ?  

Une étude du Parlement européen sur l’éthique de l’IA, publiée en mars 2020, avertit que les notations alimentées par Machine Learning résultent elles aussi de l’action de l’homme et qu’elles pourraient simplement perpétuer les préjugés. Elle donne l’exemple hypothétique d’une personne à qui le Machine Learning attribuerait un mauvais score de solvabilité en se basant sur la qualité de ses vêtements, et qui resterait condamnée à la pauvreté après un refus de prêt.  

D’après Creditinfo, l’accès au crédit des clients non bancarisés progresse à « pas comptés » dans les organismes prêteurs adeptes des métriques alternatives. Mais selon l’entreprise, l’évaluation du risque de crédit alimentée par l’IA n’en est qu’à ses débuts.  

Credolab manque elle aussi de visibilité sur l’inclusion financière. Mais pour chaque million de demandes qu’elle traite en Afrique, elle estime que seuls 200 000 emprunteurs ont à terme accès au crédit, dont 180 000 primo-emprunteurs. Michele Tucci rappelle qu’en définitive, la décision d’accorder un prêt repose sur les prêteurs, que la pandémie a contraint à privilégier des candidats aux profils plus rassurants.  

   

Carnet de route pour la Tech   

Credolab considère l’Égypte, le Maroc et le Ghana comme des marchés porteurs. Dans sa ligne de mire figurent notamment les opérateurs de télécommunications qui proposent des smartphones avec paiements mensuels sans évaluer le risque de crédit. La fintech espère recruter ses premiers collaborateurs en Afrique, notamment au Nigeria, pour dynamiser son activité. Credolab se base aussi sur les interactions entre l’utilisateur et l’interface de l’application mobiles des prêteurs. Par exemple comment et à quelle fréquence un client modifie la durée et le montant d’un prêt, ainsi que le temps passé à lire les termes et conditions.  

Dmitry Borodin de Credingo explique qu’avec le service M-Pesa de Safaricom, « le Kenya a montré tout ce qu’il est possible de faire. Nous devinons un potentiel dans les pays d’Afrique de l’Ouest dotés d’une technologie similaire qui ont déjà recours aux paiements mobiles, mais il reste un retard à combler. »   

Sergey Savitskiy et Umar Bagus du groupe McKinsey concluent : « Ces modèles offrent une prise de décision instantanée et automatisée en matière de crédit. Ils éliminent bien souvent les biais potentiels du cerveau humain. » Entre la disponibilité croissante des données et les résultats qu’observent déjà les premiers adeptes dans le secteur bancaire, l’intérêt pour le credit scoring alimenté par l’IA n’est selon eux pas prêt de retomber.   

A consulter aussi

21 Mar 2018 / Infographie

Stats : le réveil des start-ups africaines ?

21 Mar 2018 / Article

Agro-industrie en Afrique : le financement mixte comme facteur d’accélération

02 Juil 2021 / Article

Régulation internationale : les banques africaines face au casse-tête de la mise en conformité