Un nouveau modèle comportemental de risque de crédit développé par des chercheurs de la BI Norwegian Business School et de la NHH Norwegian School of Economics intègre les transactions de crédit et de débit pour améliorer significativement la prédiction des défauts de paiement des cartes de crédit, tout en offrant une meilleure compréhension des facteurs comportementaux à l'origine des problèmes de remboursement. L'étude, publiée dans The Journal of Finance and Data Science, démontre que la combinaison des données de cartes de crédit avec les transactions de débit des clients améliore considérablement la capacité à prédire quels détenteurs de cartes risquent de manquer leurs paiements.
Le premier auteur Håvard Huse explique que les données de crédit seules ne fournissent qu'une image partielle de la situation financière d'un client. En intégrant les transactions de débit, les chercheurs obtiennent des insights sur les habitudes de dépenses après le versement du salaire, les comportements de remboursement et les flux de revenus—des facteurs qui influencent fortement le risque qu'une personne manque ses paiements de carte de crédit. L'équipe de recherche, qui comprend également Sven A. Haugland et Auke Hunneman, a développé un modèle comportemental bayésien hiérarchique qui surpasse systématiquement les principaux algorithmes d'apprentissage automatique, notamment XGBoost, les machines à gradient boosting, les réseaux neuronaux et les ensembles empilés.
L'étude s'appuie sur des données détaillées de transactions de crédit et de débit provenant d'une grande banque norvégienne, dépassant ainsi les modèles traditionnels de risque de crédit qui reposent largement sur des agrégats mensuels tels que le solde et la limite de crédit. Ces mesures conventionnelles ne révèlent pas comment les clients gèrent réellement leurs finances au quotidien. En capturant les dynamiques comportementales—notamment l'évolution des schémas de remboursement dans le temps et les pics de dépenses après le versement du salaire—le nouveau modèle explique à la fois pourquoi les défauts de paiement se produisent et qui est susceptible de faire défaut.
Le modèle améliore la précision des prédictions au niveau individuel et identifie des segments comportementaux distincts avec différentes « longueurs de mémoire », faisant référence à la mesure dans laquelle les états financiers passés affectent le comportement de remboursement actuel. Le co-auteur Auke Hunneman note que les clients en difficulté financière ont tendance à être plus influencés par le comportement des mois précédents, et le nouveau modèle capture cette dynamique bien mieux que les outils standards d'apprentissage automatique. Les résultats de la recherche sont détaillés dans l'étude disponible à l'adresse https://doi.org/10.1016/j.jfds.2025.100166.
Au-delà de performances prédictives supérieures, l'approche de l'équipe offre une plus grande interprétabilité que les algorithmes de pointe. Hunneman souligne que les banques ont besoin non seulement de prédictions précises, mais aussi de comprendre quels schémas comportementaux génèrent le risque. La valeur pratique du modèle devient évidente lorsqu'on utilise un horizon de prédiction de trois mois, où la détection précoce des détenteurs de cartes à risque pourrait générer des économies substantielles en permettant une intervention rapide et en réduisant les pertes.
Le co-auteur Sven A. Haugland note que pour les institutions financières, cela représente plus qu'une simple amélioration de la précision—cela fournit un moyen d'aider proactivement les clients à éviter de graves problèmes financiers grâce à une intervention précoce. Les résultats mettent en lumière une évolution émergente dans le scoring de crédit, passant des modèles statiques traditionnels vers des analyses comportementales plus riches basées sur une image complète des transactions des clients. Cette approche pourrait transformer la manière dont les institutions financières évaluent le risque et soutiennent les clients, réduisant potentiellement les taux de défaut de paiement et améliorant les résultats en matière de santé financière dans l'ensemble du secteur bancaire.
