Toute cette semaine, nous avons examiné les données et les algorithmes derrière les cotes de crédit. Alors que de nombreux prêteurs utiliseront les scores FICO, la société a un concurrent majeur, VantageScore.
Elle a été fondée par les trois bureaux de crédit – Experian, Equifax et TransUnion – en 2006. La société, qui est gérée de manière indépendante, affirme que son modèle de notation est plus inclusif et prédictif du risque de crédit que les modèles traditionnels.
Kimberly Adams, animatrice de “Marketplace Tech”, s’est récemment entretenue avec Silvio Tavares, président et chef de la direction de VantageScore, de ce que lui et son équipe prennent en compte lorsqu’ils conçoivent leurs algorithmes. Ce qui suit est une transcription éditée de leur conversation.
Silvio Tavarès: La réalité est qu’établir la solvabilité d’une personne nécessite énormément de jugement. C’est vraiment important [to consider] les décisions concernant les données à prendre en compte – et comment. Permettez-moi de vous en donner un exemple. VantageScore a été l’une des premières entreprises à proposer l’idée d’éliminer la dette médicale payée. Les deux tiers des comptes de recouvrement étaient liés à des dettes médicales. Et lorsque nous avons examiné les données, nous avons découvert que si vous aviez effectivement remboursé votre dette médicale, le simple fait que vous ayez un recouvrement de dette médicale n’indiquait vraiment rien sur la solvabilité. Nous avons également déterminé qu’un grand nombre de ces dettes médicales payées touchaient de manière disproportionnée les personnes de couleur. Voilà donc les principaux types de décisions qui [as] modélisateurs, nous devons prendre en compte. Il s’agit d’obtenir les meilleures données objectives et de rechercher empiriquement quels types d’ensembles de données sont les meilleurs pour prédire empiriquement si quelqu’un est solvable ou non.
Kimberley Adams: Que faites-vous chez VantageScore pour vous assurer que toutes les données qui alimentent votre algorithme et votre modèle proviennent de consommateurs qui ont, en toute connaissance de cause, accepté que vous puissiez disposer de ces informations ?
Tavares: Nous travaillons avec des banques et des prêteurs, ainsi que des prêteurs fintech, pour nous assurer qu’ils collectent des données de manière transparente et que le consommateur a donné son consentement. Mais en fait, la plupart de cela sera fait par la banque, ce ne sera pas fait par VantageScore. Nous nous concentrons sur l’algorithme et nous nous assurons qu’il est juste, équitable et, surtout, qu’il est prédictif, et qu’il est un très bon prédicteur du remboursement du consommateur.
Adam: Comment les consommateurs peuvent-ils être informés de ce que signifie réellement ce consentement ?
Tavares: Nous ne cherchons pas spécifiquement, OK, dans quels types de magasins avez-vous fait vos achats ? Vous savez, avez-vous acheté de grandes roues pour votre voiture chez un revendeur réputé ? Nous n’envisageons pas précisément cela. Nous examinons des mesures générales de votre santé financière globale et de vos flux de trésorerie. Mais il est également juste de dire que la réalité est que le marché évolue très rapidement. L’histoire des modèles de crédit est qu’ils ne sont pas basés sur ces données de type compte bancaire. Mais probablement au cours des 10 à 15 prochaines années, les données des comptes bancaires seront l’une des principales sources d’évaluation du crédit, simplement parce qu’elles sont opportunes, qu’elles sont souvent plus précises et qu’elles donnent une bien meilleure image du comportement réel des consommateurs. Bon nombre des consommateurs qui en bénéficieront le plus sont le nouveau type de consommateurs, les consommateurs qui ont été historiquement mal desservis, qui vont pouvoir accéder à de meilleures conditions de crédit, accéder à plus de produits de crédit, grâce à ces nouveaux algorithmes que nous développons .
Adam: Quel rôle joue le machine learning dans tout cela ?
Tavares: L’apprentissage automatique est un terme général, qui est un sous-ensemble de l’intelligence artificielle. Et cela se réfère essentiellement à l’examen des données – généralement des données non structurées – puis à l’utilisation de ces données pour arriver à une prédiction. Vous savez, l’apprentissage automatique est un sujet très controversé. Et c’est celui sur lequel nous nous concentrons vraiment beaucoup. Mais nous nous concentrons vraiment sur l’analyse et l’utilisation d’analyses avancées, toutes sortes de techniques d’analyse différentes, y compris l’apprentissage automatique. Et nous examinons les moyens d’améliorer le pouvoir prédictif de nos scores. Mais aussi, ce qui est important, inclure plus de personnes. C’est pourquoi nous avons été des pionniers et inclus des choses comme les données de location, qui ne sont pas une obligation de prêt, mais c’est un très bon prédicteur de ce que vous allez faire. Nous pensons donc que les algorithmes consistent à faire des choix intelligents sur la façon dont vous utilisez les données pour inclure plus de personnes, mais aussi, ce qui est très important, à comprendre comment ces données prédiront efficacement le comportement des consommateurs.
Adam: Votre conversation sur les données de location m’a rappelé une question que je voulais vous poser plus tôt, comme vous essayez d’inclure ces données de location, cela peut être compliqué car certains propriétaires ne fournissent pas de données sur qui loue ou paie un loyer à temps, de façon constante, surtout lorsqu’il s’agit de certains de ces groupes plus vulnérables comme les immigrants récents ou les personnes à faible revenu. Qu’avez-vous tous fait chez VantageScore pour essayer d’obtenir l’accès à ce type de données sur les consommateurs pour les personnes les plus vulnérables, qui paient peut-être leur loyer en espèces à un propriétaire qui n’est peut-être pas le plus incité à le signaler ?
Tavares: La première chose que nous avons faite, c’est que nous avons été les premiers à intégrer ces données de location lorsqu’elles sont fournies aux bureaux de crédit, n’est-ce pas ? La deuxième chose clé que nous faisons est d’examiner les autres moyens par lesquels nous pourrions potentiellement obtenir ces données. De nombreux consommateurs, en particulier les consommateurs à revenu limité, sont payés sur des cartes de paie, qui sont un type de carte ou de carte de débit. Nous examinons comment pouvons-nous accéder aux données de ces fournisseurs et les incorporer dans notre algorithme. Nous examinons également les transactions sur les comptes bancaires et les comptes de débit. Et si le consommateur nous donne la permission d’y accéder, nous pouvons également les utiliser dans nos algorithmes. La réalité est qu’il existe tellement de types de sources de données différents aujourd’hui, mais il y a plus d’ensembles de données que nous n’avons le temps d’examiner. Et donc il s’agit vraiment de prioriser ceux-ci afin que nous puissions les incorporer et obtenir les meilleurs ensembles de données avec la permission du consommateur. Cela va ouvrir cette vision vraiment vraie de la solvabilité.
Vous pouvez en savoir plus sur la façon dont VantageScore a conçu son dernier modèle de pointage de crédit, 4.0, autour du concept d’inclusion financière ici.
VantageScore et FICO sont considérés comme les deux principaux concurrents sur le marché de la notation de crédit. Cet explicatif de Karma de crédit expose certaines des principales différences entre les deux.
Mais nous devons également noter que FICO met également à jour ses modèles. Les derniers, Score FICO XD et UltraFICO“exploiter de manière responsable des sources de données alternatives pour aider les prêteurs à identifier de nouveaux consommateurs prêts à obtenir un crédit et à accroître l’accès au crédit non seulement aux États-Unis mais dans le monde entier”.
Et nous tenons également à souligner que les prêteurs peuvent sélectionner les modèles de notation qu’ils souhaitent utiliser. Ceux que nous pouvons voir en tant que consommateurs ne sont pas toujours les scores utilisés pour déterminer si vous obtenez un prêt.
