Cas clients

#02 Le Machine Learning pour Optimiser le Recouvrement des Créances Immobilières

  • > Segmentation du portefeuille clients
  • > Evaluation de la pertinence économique des actions de recouvrement grâce au Machine Learning
  • > Mesure de la performance opérationnelle

Think

Dans un contexte réglementaire et économique contraignant - taux bas et marge d’intérêt sous forte contrainte - l’efficacité opérationnelle est devenue une priorité des acteurs bancaires. Des techniques innovantes d’intelligence artificielle permettent le développement d’outils qui optimisent les processus dans un objectif de maximisation du couple rendement/risques.

Notre client - un établissement bancaire spécialisé dans l’accession à la propriété des ménages modestes - a dernièrement recentré son activité sur la gestion de ses 15,4 milliards d'euros d'encours de prêts immobiliers. C’est dans ce cadre qu’il a lancé, en collaboration avec DataStorm, la mise en place d’un dispositif structurant de pilotage de la performance.

Model

Le dispositif combine des instructions et des modèles qui passent chaque dossier à travers une grille de critères conditionnant la stratégie à mener, en fonction des différents contextes. Les stratégies de recouvrement peuvent être diverses natures : poursuite du recouvrement amiable, incitation donnée au client de vendre son bien, accélération du passage en contentieux, mise en place de plan d’apurement ou restructuration de la créance, etc.

L’innovation des modèles consiste en la combinaison de moteurs qui évaluent la segmentation de la clientèle par niveau de risques sur le passage en douteux ou de procédure de surendettement,  la rentabilité des différentes stratégies possibles tenant compte de l’ensemble des revenus et des coûts, l’espérance de recouvrement attendue et le délai. Ex-post, il faut ajouter la surveillance de la performance opérationnelle sur les drivers clés du coût du risque.



Les portefeuilles à risque sont identifiés par la combinaison des méthodes classiques d’analyse des risques et des techniques innovantes comme l’analyse croisée avec un portefeuille miroir.

La sélection de portefeuilles miroirs permet d’avoir une approche dynamique par une analyse comparée de l’évolution des risques entre un portefeuille soumis à des actions ou une stratégie donnée, et un portefeuille de référence (le miroir) ayant les mêmes caractéristiques mais non soumis à ces actions.

Des modèles de Machine Learning ont par ailleurs été développés pour classer les clients par type de risque et définir leur propension à entrer en procédure de surendettement.

Build

Avec les équipes de notre client, nous avons développé un outil d’évaluation de la rentabilité de chaque dossier en fonction de différentes stratégies envisageables intégrant l’ensemble des coûts internes et externes (coût du risque, frais généraux et de recouvrement répétitibles ou non, refinancement...) et des revenus. Cet outil agit comme une aide à la décision permettant de guider les gestionnaires sur la meilleure stratégie, tant pour le client que pour l’entreprise.

L’analyse des historiques longs de prêts a permis de modéliser l’état des créances en un nombre assez élevé d’états garantissant le caractère markovien du processus sous-jacent aux transitions d’états des créances tous les mois (par exemple, passage de 2 impayés à 3 impayés).

Chaque créance est alors projetée dans le futur, mois par mois, dépendant de ses caractéristiques et des stratégies appliquées jusqu’à son extinction.

DataStorm adresse la chaîne complète de valeur Data des entreprises

De l’application des résultats des derniers travaux des chercheurs associés à l’ENSAE à la mise en production et à la maintenance de solutions permettant aux entreprises d’innover grâce à l’exploitation des données.

L'ingénierie

Nou vous accompagnons dans la mise en oeuvre des outis et applications vous permettant de valoriser vos leviers opérationnels.

La recherche appliquée

En fonction de vos projets, nous mobilisons les équipes de recherche du CREST et des laboratoires associés à Saclay et à Rennes.

L'expertise

Nous vous aidons à développer votre propre expertise data et machine learning, dédiée à vos métiers.

Toute l'expertise du groupe ENSAE

Plateau de Saclay
5 Avenue Henry-Le-Chatelier
91120 PALAISEAU - FRANCE

Paris
24 rue Barbès
92120 MONTROUGE - FRANCE