Un pas en avant dans la prévision précise des pertes de crédit
Buy Now Pay Later (BNPL), une solution de crédit à la consommation à court terme sans intérêt, gagne en popularité aux États-Unis. Cependant, malgré une croissance explosive des volumes de ventes, aucune des sociétés pure-play de la BNPL n’est rentable, y compris les géants de la BNPL. Étant donné que le risque de crédit pris en charge dans BNPL est généralement plus élevé que dans d’autres solutions de crédit, les modèles statistiques traditionnels utilisés pour la modélisation du risque de crédit nécessiteront des adaptations pour BNPL. Aujourd’hui, les modèles d’apprentissage automatique (ML) ont considérablement évolué ; ils sont plus performants et peuvent prédire avec plus de précision la probabilité de défaut (PD) et la perte de crédit attendue (ECL).
Ce blog discute des raisons qui sous-tendent un risque de crédit plus élevé dans BNPL et des approches pour une meilleure prédiction, en particulier comment les modèles ML peuvent prédire les pertes de crédit avec plus de précision.
Risque de crédit important en jeu
Alors que les solutions BNPL sont attrayantes à la fois pour les commerçants et les consommateurs, les fournisseurs BNPL sont exposés à un risque de crédit plus élevé pour les raisons suivantes :
- Mauvais ou pas d’antécédents de crédit: Bien que BNPL soit offert à tous les segments de la société, il est populaire parmi ceux qui ont des antécédents de crédit médiocres ou inexistants ou qui ne sont pas familiers avec le crédit et les conséquences d’un défaut de paiement. Ce segment de clientèle présente un risque de crédit plus élevé. Selon la récente enquête du CFPB (Consumer Financial Protection Bureau), les emprunteurs de la BNPL ayant accès au crédit traditionnel sont plus susceptibles d’être très endettés. L’échantillon de l’enquête comprenait des consommateurs disposant d’au moins une ligne de crédit traditionnelle. Les emprunteurs BNPL présentaient des mesures de détresse financière plus élevées que les emprunteurs non-BNPL et sont plus susceptibles d’avoir des défauts de paiement dans les produits de crédit traditionnels et des cotes de crédit inférieures.
- Risques comportementaux : Les clients sont généralement tentés d’acheter plus qu’ils ne peuvent se permettre en raison de la facilité de décision de crédit instantanée. Ces achats impulsifs entraînent un risque de défaillance plus élevé si les clients ne gèrent pas correctement leurs finances.
Les risques ci-dessus doivent être pris en compte lors de la prévision des pertes sur créances. L’impact de ces risques peut être mieux compris en intégrant les mesures suivantes dans le calcul de la perte de crédit :
- Les facteurs macroéconomiques ont tendance à avoir un impact sur de larges pans de la population. Cela peut aider à prévoir la capacité de remboursement des emprunteurs BNPL, en particulier ceux qui ont des antécédents de crédit médiocres ou inexistants.
- Les clients ont tendance à laisser des empreintes sur leur attitude et leurs comportements dans les conversations sur les réseaux sociaux. Le suivi de ces comportements sur les réseaux sociaux peut aider à détecter les clients à haut risque.
Influence des facteurs macro-économiques
Les fournisseurs de BNPL initient généralement une demande de crédit douce pour la décision de crédit. Les lignes de crédit d’un client et les données sur les défauts de crédit font partie des facteurs déterminants importants. En dehors de ceux-ci, les facteurs macro-économiques peuvent également être un déterminant clé dans l’évaluation du risque de crédit. Par exemple, si l’on s’attend à ce que les taux de chômage augmentent, cela peut refléter un « risque de crédit plus élevé » dans l’estimation de la perte de crédit.
Compte tenu de ces facteurs, les chercheurs ont construit des modèles d’apprentissage automatique pour calculer l’ECL pour les portefeuilles BNPL. Ils ont constaté que l’inclusion de facteurs macroéconomiques peut prédire les pertes sur créances avec plus de précision.
Les médias sociaux pour évaluer le risque comportemental
La capacité de remboursement d’un client peut changer pendant la durée du contrat BNPL en raison de facteurs personnels, émotionnels et psychologiques, tels que la perte d’un membre de la famille. Les médias sociaux peuvent être considérés comme un canal puissant pour obtenir de telles informations sur les clients. L’attitude et le comportement d’un client sont également influencés par ses pairs au sein de son cercle social. Une recherche menée pour déterminer l’impact du comportement des médias sociaux sur la prédiction de la probabilité de défaut a révélé que les données sur le comportement des médias sociaux produisaient des résultats plus précis.
Cette recherche peut également être étendue à la BNPL. Les données de médias sociaux mentionnées ci-dessous peuvent être utilisées pour créer des modèles ML spécifiquement pour BNPL. Cela peut aider à déterminer l’évolution du comportement des clients BNPL lors du calcul de l’ECL pour la durée du contrat.
Réflexions finales
il est essentiel de mettre en place des mécanismes robustes pour prévoir plus précisément les pertes de crédit attendues. Cela aidera à affiner le processus de prise de décision en matière de crédit. Les données financières peuvent être complétées par des données non financières telles que le comportement des médias sociaux et les facteurs macroéconomiques pour prévoir avec précision la perte de crédit. L’utilisation des modèles d’apprentissage automatique mentionnés ci-dessus pour les prévisions permettra un provisionnement plus précis du risque de crédit.
