SellersFund fait partie, aux côtés de startups plus anciennes (telles que Kabbage) ou de géants du web (dont l'incontournable Amazon), de cette nouvelle génération d'établissements de crédit qui sélectionnent les entreprises auxquelles elles accordent leur confiance non plus en fonction de leurs antécédents en matière de prêts mais au regard de leur performance commerciale et de ses perspectives futures. En se déployant au Canada et au Royaume-Uni, elle illustre le succès indéniable du modèle.
À l'instar de leurs équivalents ciblant le grand public, la promesse principale de ces acteurs émergents est la démocratisation de l'accès au crédit, d'une part en l'ouvrant à tous ceux qui ne possèdent pas les références suffisantes pour enter dans les grilles standards des banques (généralement par insuffisance d'historique) et, d'autre part, en étant capable de proposer des conditions contractuelles plus avantageuses, grâce à une évaluation du risque de défaut plus inclusive, plus précise et plus fiable.
Cette dernière est obtenue par diverses méthodes mais une des plus fréquemment utilisées s'appuie sur une analyse statistique et prédictive des flux financiers du demandeur, tels qu'ils sont reflétés par ses relevés de transactions bancaires (pour les particuliers) ou bien, soit ses livres comptables, soit son activité effective sur les grandes places de marché en ligne (pour les entreprises, notamment elles qui exercent dans le e-commerce), tous faciles à obtenir et exploiter sous forme électronique.
Parce que le mystère et, il faut l'admettre, une certaine opacité entourent encore ces pratiques (que leurs concepteurs cherchent naturellement à protéger de tout plagiat), le soupçon de biais dans les algorithmes et de dérive éthique incontrôlable conséquente surgit alors, comme à chaque fois qu'il est question de traitement automatique de données ou, pire, d'intelligence artificielle. L'absence, jusqu'à récemment, d'études sérieuses sur le sujet entretenait le doute… et servait d'excuse aux incrédules.
La publication, coup sur coup, par des organismes indépendants (américains), de deux rapports sur la validité des approches alternatives de scoring des emprunteurs vient donc à point nommé pour apporter un peu d'objectivité au débat. Et leurs résultats, dont on pourra toujours contester la représentativité, puisqu'ils ne portent que sur un échantillon limité de fournisseurs, ont au moins le mérite de démontrer que, techniquement, les promesses peuvent être tenues et bénéficier au plus grand nombre.
Nous avons donc d'abord un dossier complet du FinRegLab, un institut de recherche à but non lucratif, résumant ses recherches empiriques sur les données fournies par 6 startups opérant sur les marchés privés et professionnels. En comparant les scores déterminés par leurs modèles originaux avec ceux mis en œuvre habituellement et en analysant les prêts accordés, les experts confirment sans ambiguïté les bénéfices des modèles innovants, dans leur capacité à mieux prédire le risque de défaut et son effet positif sur l'accès au crédit par les populations exclues, dans des conditions équitables.
À l'appui de ces conclusions, le CFPB (en charge de la protection des consommateurs) nous propose une mise à jour sur ses deux ans d'expérimentation – dans un cadre réglementaire – avec la jeune pousse Upstart (sur le crédit aux particuliers). Dans ce cas, les chiffres qu'elle révèle permettent de mieux prendre conscience de l'ampleur de l'enjeu : ratio d'approbation en hausse de 27% et taux d'intérêt réduits de 16%, en moyenne, avec, entre autres, un pic d'acceptation parmi les moins de 25 ans (+32%).
Une autre observation qui pourrait être faite dans le domaine est le désintérêt généralisé des institutions financières historiques quant aux possibilités de développer le marché du crédit grâce à l'exploitation des données… qu'elles détiennent déjà (au moins pour leurs clients existants) ! Non seulement négligent-elles là leur rôle social fondamental mais, de surcroît, elles laissent échapper des opportunités de croissance, laissant la place à des concurrents mieux armés qui finiront par les menacer directement.