L'analyse de données réservée aux banques ?

Voilà une position intéressante que celle que prend le vice-président du génie logiciel de Capital One dans les colonnes de Bank Innovation, selon laquelle les institutions financières seraient mieux placées que les startups pour profiter des opportunités de l'apprentissage automatique en matière d'appréciation du risque de crédit.
L'argument retenu pour expliquer ce point de vue ne manque pas de bon sens : s'il ne fait aucun doute que les nouvelles techniques d'analyse de données (jusqu'aux promesses de l'intelligence artificielle, à terme) deviendront rapidement la clé de la distribution de crédit, les banques possèdent des dizaines d'années d'avance dans la connaissance et la compréhension profonde des mécanismes qui régissent les défauts et les incidents. Cet avantage resterait déterminant vis-à-vis de modèles mathématiques dont la validité ne peut être contrôlée sans disposer d'un vaste échantillon de clients.
Malheureusement, c'est avec une pointe de mépris que notre responsable rejette l'idée que quelques algorithmes appliqués sur le graphe social des consommateurs puissent un jour égaler les certitudes que procure l'étude des usages des cartes de crédit pour prédire les comportements futurs. À quoi s'ajoute l'inévitable recours à l'arme réglementaire pour justifier la quasi impossibilité pour de nouveaux entrants de s'emparer d'une partie du marché. Examinons donc le sujet avec un peu plus d'objectivité…
La première objection qui peut être faite aux acteurs en place est que leur cible potentielle est restreinte. Pour une partie des jeunes pousses qui se lancent dans ce domaine (Lenddo en est un exemple), l'ambition est d'apporter le crédit à des populations qui n'y ont pas accès, faute d'historique suffisant. Il ne s'agit pas seulement de développer l'inclusion financière dans les pays émergents : quand les jeunes délaissent les circuits classiques, ils ont de plus en plus de difficultés à souscrire une carte de crédit et ne seront jamais servis par les approches conventionnelles du risque.
Un autre aspect de l'équation est la connaissance des clients. D'un côté, les banques, pour évaluer la fiabilité d'un demandeur, s'appuient essentiellement sur des agences de scoring et sur les données dont elles disposent (notamment les transactions). À l'opposé, l'accès aux comptes sur les réseaux sociaux est complété – au-delà de la caricature qu'en font les détracteurs des solutions alternatives – par une diversification des sources d'information (Kreditech, par exemple, utilise 20 000 points de référence) permettant de modéliser, puis déterminer, des typologies comportementales précises.
Face à de telles qualités, il est probablement prématuré d'écarter toute possibilité pour une startup de prendre l'avantage sur les établissements de crédit traditionnels. La bataille concurrentielle est beaucoup plus équilibrée et se jouera principalement sur la capacité des uns à adapter à la réalité du crédit et fiabiliser les algorithmes qu'ils conçoivent et des autres à exploiter des sources de données plus variées que celles auxquelles ils sont habitués. En outre, les deux mondes se rejoignent parfois quand des fournisseurs de solutions technologiques apportent l'expertise nécessaire aux banques…