Quelle démarche adopter pour établir un score de risque opérationnel ?

Quelle démarche adopter pour établir un score de risque opérationnel ?

Auteur : Marine Lebez - Date de publication : mai 12, 2017

[chapo]Comment établir un score de risque opérationnel pour des clients  ? Cette question s’inscrit dans les nouveaux challenges donnés par les métiers. Mais comment procéder  ? Par où commencer ? Quelles données utilisées  ? Avant de se lancer, il faut bien se rappeler quel est l’objectif de ce scoring  : générer des alertes en cas d’événements sur des clients pour intervenir au plus tôt. Le scoring opérationnel participe donc à la connaissance client devenue essentielle pour une entreprise aujourd’hui.[/chapo]

 

L’échantillonnage

Une étape clé pour réussir correctement un scoring est l’étape d’échantillonnage. Créer un échantillon non biaisé sert à évaluer notre score. D’où la nécessité d’identifier un panel de clients dont le fonctionnement est considéré comme correct et un panel de clients à risque. Comme le score de risque opérationnel évalue le fonctionnement d’une entreprise, il prend en compte beaucoup de critères et est donc forcément subjectif. Un point à garder à l’esprit…

Pour l’une de nos missions, nous avons demandé au métier de nous fournir un panel avec des clients ayant un bon fonctionnement et des clients représentant un risque. Nous avons obtenu un panel d’une centaine de clients, ce qui représente environ 20% de leur portefeuille. Ce panel étant faible, nous avons réitéré ce processus les mois suivants pour augmenter notre jeu de données. Objectif  : lisser cette subjectivité dans le temps.

Définition des variables

Quelles variables doit-on utiliser  ? Quelles données doit-on récupérer ? Ici, les ateliers menés avec les équipes métier sont précieux pour mieux comprendre le périmètre fonctionnel et éclaircir quelques sujets  :

  • Quelles variables sont discriminantes pour le type de client étudié  ?
  • Comment ces variables peuvent-elles être construites ?

Les variables ne doivent pas être corrélées pour ne pas répéter l’information. Pour chacune d’elles la profondeur de temps utilisée pour notre étude pourra être différente. Nous évaluerons par exemple, la variable X1 seulement sur le mois en cours alors que nous étudierons l’évolution de la variable X2 entre sa valeur de l’année passée et sa valeur actuelle. Dans notre cas, nous sommes partis d’un scoring existant sur un autre type de client. Lors de l’atelier avec le métier nous avons d’identifié quelles variables pouvaient être réutilisées, quelles informations manquaient et lesquelles ne sont pas valables pour nos clients étudiés. Nous sommes arrivés à 12 variables après une dizaine d’ateliers.

Analyse statistique des variables

Demander aux équipes métier quel poids donner à chaque variable n’est pas le plus efficace. Il est plus pertinent d’appliquer des analyses statistiques pour avoir un poids de chaque variable le plus juste possible et avec la meilleure prédiction. Après chaque analyse, l’écart entre la note du modèle statistique et la note référence est calculée. But du jeu : obtenir un écart le plus petit possible (avec un pourcentage d’erreur dû à la subjectivité de la note référence) et une amplitude des écarts assez faible.

Définition de la démarche

Le schéma ci-dessus explique la démarche mise en place pour établir notre note de scoring opérationnel. Il se peut que toutes les variables et ratios définis lors de la première itération ne suffisent pas à obtenir un modèle assez performant, c’est pourquoi les étapes 2 à 4 sont itératives.   Après l’analyse statistique, les équipes métier valident le modèle élaboré pour arriver à notre modèle final. La durée d’une telle démarche varie en fonction  :

  • – Du nombre de variables à définir  : chaque variable est étudiée en atelier
  • – De la complexité métier des données  : beaucoup d’échanges sont parfois nécessaires pour définir une variable
  • – De la disponibilité des équipes métier

À la clé, une base saine pour établir un scoring opérationnel. Reste maintenant d’autres questions à éclaircir: Comment réduire le nombre de variables  ? Comment calculer l’écart  ? Quels outils peut-on utiliser  ? Comment accompagner le métier pour avoir des critères les plus précis possibles  ?

Marine LEBEZ – Publié le 12 Mai 2017