L’analyse prédictive est de plus en plus utilisée dans des domaines aussi variés que la médecine, la surveillance des frontières, la fourniture d’énergie ou la maintenance industrielle. Comment mettre son potentiel au service de la gestion du crédit clients ?
L’analyse prédictive est de plus en plus utilisée dans des domaines aussi variés que la médecine, la surveillance des frontières, la fourniture d’énergie ou la maintenance industrielle. Comment mettre son potentiel au service de la gestion du crédit clients ?
Les impayés demeurent un danger réel pour les entreprises, y compris sur le territoire français. C’est ainsi qu’entre mars 2017 et mars 2018 le volume de défaillances constaté est resté supérieur de 12% à celui de 2007, d’après Allianz Trade. Principal sujet d’inquiétude : il y a eu 25 défaillances d’entreprises au chiffre d’affaires supérieur à 50 millions d’euros, sur cette période, contre 12 seulement l’an passé.
Dans le même temps, la sévérité de ces défaillances s’est fortement accrue : leur chiffre d’affaires cumulé a pesé 4,1 milliards d’euros, à comparer avec 1,1 milliard seulement l’année précédente. Au premier rang des secteurs les plus touchés figurent le commerce de détail (1,2 milliard) et l’agroalimentaire (900 millions d’euros).
Pour pallier les conséquences des impayés, les entreprises disposent depuis longtemps de différents moyens : assurance-crédit, analyse financière de solvabilité ou… recouvrement des créances. Des approches classiques auxquelles vient aujourd’hui prêter main-forte une technologie qui a déjà démontré ses atouts à d’autres fins : l’analyse prédictive.
De la météo au crédit client
L’analyse prédictive consiste à utiliser l’information disponible pour déterminer, parmi plusieurs possibilités, les plus probables d’entre elles, ou encore de choisir le scénario le plus pertinent, afin d’anticiper une menace ou de maximiser l’efficacité et l’efficience des actions envisagées. Autrement dit, et comme son nom l’indique, son objet est de détecter des problèmes avant qu’ils ne surviennent. De telles capacités ont d’abord été réservées à quelques acteurs privilégiés, comme les services météorologiques ou les forces de sécurité. Elles sont dorénavant accessibles à bien d’autres domaines – notamment grâce à la disponibilité de la puissance de calcul nécessaire via le Cloud, au lieu de devoir acquérir et maintenir des installations informatiques internes coûteuses.
Parmi les questions auxquelles l’analyse prédictive apporte ses réponses, on notera par exemple :
Au-delà du scoring
Parce qu’en matière d’impayés, il est souvent déjà trop tard quand le problème apparait, leur prévention constitue un terrain d’action pertinent pour l’analyse prédictive. On y retrouve en effet les cinq ingrédients dont cette dernière a besoin pour se nourrir en données :
- C’est une affaire de comportement (de celui qui prend la décision de ne pas payer un fournisseur plutôt qu’un autre),
- La part d’aléatoire est significative (on ne sait jamais à l’avance si une facture sera réglée, ni dans quel délai…),
- Les volumes à traiter sont importants,
- Les enjeux sont critiques (allant parfois jusqu’à la survie du fournisseur),
- Et il y a presque toujours des signes précurseurs avant que le problème d’impayé ne survienne.
L’analyse prédictive s’apparente aux méthodes de scoring utilisées depuis longtemps pour analyser la capacité d’un individu ou d’une entreprise à payer ses factures, mais elle va plus loin. Autant le scoring repose principalement sur l’analyse du passé, à partir de données financières structurées, autant l’analyse prédictive permet d’être beaucoup plus ambitieux, avec l’anticipation des comportements futurs et l’exploitation de données bien moins structurées – des signaux faibles qui seront recueillis par exemple dans les centres d’appels ou sur les réseaux sociaux.
Une puissance à maîtriser
Associant séries statistiques et informations très récentes, l’analyse prédictive promet en quelque sorte de remplacer le rétroviseur par une paire de jumelles à vision nocturne ! Pour autant, elle n’est en rien une baguette magique qu’il suffirait d’appliquer sur un fichier de données pour en faire sortir des indicateurs prêts à l’emploi. La réussite des projets dépend en effet, de plusieurs facteurs, parmi lesquels la complexité du modèle étudié.
La pertinence des résultats dépend également, et fortement, de la qualité et de la fiabilité des données disponibles. Des data incomplètes, redondantes ou faussées impacteront les résultats obtenus. Sans oublier les cas où une confiance totale dans la technologie entraînerait une perte de « bon sens »… Autant de raisons pour ne confier ce puissant auxiliaire qu’à des experts du crédit client !
Sept étapes pour mettre en œuvre l’analyse prédictive
- Préparer les données (collecte, nettoyage, amélioration de la qualité)
- Construire le modèle
- Tester le modèle sur les jeux de données préparés
- Implémenter les modèles validés en les alimentant avec de nouvelles données
- Rendre les analyses accessibles aux utilisateurs, notamment grâce à une visualisation adaptée à leur fonction
- Évaluer régulièrement le modèle
- Si nécessaire, le faire évoluer ou le remplacer par un autre plus pertinent.