Scoring crédit ML augmenté

Contexte

Banque retail (8M clients) avec un scoring crédit développé en 2018 sur un modèle logistique utilisant 12 variables traditionnelles (revenus, emploi, historique bancaire). Le modèle montre des signes de dégradation : le taux de défaut réel est 20% supérieur au taux prédit, et le taux de refus est jugé excessif par la direction commerciale (35% des demandes refusées vs 25% objectif). L'entreprise cherche à industrialiser son approche data, pas à repartir de zéro.

Problème & Défi

Taux de défaut réel 20% supérieur au taux prédit par le modèle : sous-estimation du risque. Taux de refus à 35% vs 25% objectif : perte de 10K clients potentiels solvables par an. Modèle logistique à 12 variables insuffisant pour capturer les patterns complexes de risque. Aucune donnée alternative exploitée (données transactionnelles, comportementales, open banking). Non-conformité aux lignes directrices EBA sur l'utilisation de modèles ML en scoring crédit.

Solution & Livrables

Scoring ML nouvelle génération utilisant 200+ features incluant des données transactionnelles et comportementales. Explicabilité native : chaque décision de score est accompagnée des facteurs contributifs (SHAP values). Conformité EBA intégrée : documentation du modèle, validation backtesting, monitoring de performance continu. Déploiement progressif avec A/B test sur 6 mois : ancien vs nouveau scoring avec mesure d'impact. Monitoring post-déploiement : détection de drift, analyse des populations refusées, calibration continue. Système opéré et monitoré en continu par l'équipe Bomzai.

Technologies