Les données alternatives comblent aujourd’hui deux lacunes majeures des décisions de prêt : elles renseignent sur les emprunteurs sans historique de crédit et sur les sessions de demande là où le fichier de crédit et les identifiants traditionnels ne suffisent pas.
Données alternatives : catégories et ce qu’elles prouvent
Les entrées qualifiées de données alternatives sont celles utilisées dans une décision de crédit ou de lutte contre la fraude qui ne proviennent pas d’un fichier de bureau de crédit. En pratique, elles se répartissent en plusieurs catégories distinctes :
– Flux de trésorerie et relevés de transactions — régularité des dépôts, volatilité des soldes, comportement de paiement sur obligations existantes ;
– Paiements de factures (services, télécom, loyers) — un historique de remboursement pour les emprunteurs sans antécédent d’emprunt formel ;
– Données de paie et d’emploi — vérification des revenus indépendante de la déclaration de l’emprunteur ;
– Attributs de l’appareil et de la connexion — configuration matérielle et du navigateur, indicateurs de virtualisation ou d’accès à distance, cohérence réseau et géolocalisation ;
– Signaux comportementaux de session — rythme de frappe, collage dans des champs sensibles, navigation excessivement hésitante ou trop linéaire.
Ces catégories ne prouvent pas la même chose : les trois premières renseignent sur la capacité et la volonté de rembourser, les deux dernières sur la nature de la session (utilisateur unique réel versus émulateur, accès à distance ou opérateur en volume). La confusion entre ces rôles est une erreur courante lors des premières mises en œuvre.
Emprunteurs au profil mince : non mesurés, pas forcément à risque
Le problème des fichiers maigres concerne tous les marchés : jeunes emprunteurs, migrants récents, indépendants, travailleurs de plateformes avec dépôts irréguliers. Dans des marchés numériques en forte croissance, la part d’emprunteurs sans fichier utilisable peut être très élevée. Sans alternative, le prêteur décline de façon conservatrice et perd du volume, ou accepte sans pouvoir correctement tarifer le risque. Les données alternatives restaurent la séparation : elles s’ajoutent aux données des bureaux quand celles‑ci existent et prennent plus de poids là où la couverture fait défaut.
Données alternatives et fraude : mêmes signaux, usages différents
Les attributs d’appareil et de session sont l’endroit où les modèles de crédit et de fraude se rencontrent, ce qui explique le basculement de ces sources vers les opérations antifraude. La randomisation en est l’exemple le plus net : un appareil et un navigateur masqués peuvent donner une identité technique différente à chaque tentative, et les contrôles conventionnels ne repèrent pas toujours ce comportement parce qu’un appareil randomisé n’a pas l’air erroné, il a l’air neuf à chaque essai. Les indicateurs de virtualisation, une géolocalisation en contradiction avec l’adresse déclarée, des champs collés plutôt que saisis, ou des sessions sans hésitation, ne prouvent pas la fraude isolément : des utilisateurs légitimes voyagent, changent de terminal ou se connectent depuis des réseaux inhabituels. C’est la corrélation de plusieurs anomalies dans une même session qui crée un motif exploitable.
La société JuicyScore illustre cette logique : elle évalue en temps réel un large ensemble d’attributs d’appareil, de connexion et comportementaux, sans s’appuyer sur des identifiants directs tels que nom, téléphone ou e‑mail, et renvoie à la fois un score et un vecteur d’attributs que le prêteur intègre à ses propres modèles. Cette sortie sert à la fois de marqueurs d’arrêt en amont du tunnel et d’information supplémentaire dans le modèle de crédit en aval.
L’offre de données exploitables se restreint
Deux forces convergent et favorisent les signaux sans identifiant direct. D’un côté, les régulateurs : le RGPD a fixé une référence et des régimes comparables existent désormais sur la plupart des marchés actifs du crédit, avec leurs exigences de consentement et de minimisation des données. De l’autre, les politiques des plateformes : les magasins d’applications ont limité les accès des applications de prêt aux données d’un terminal (contacts, photos, journaux d’appels, localisation précise, stockage externe) et les navigateurs bloquent par défaut le tracking inter‑applications. Des données qu’une application pouvait collecter il y a quelques années sont désormais inaccessibles, quelles que soient les autorisations locales.
Modes d’échec récurrents des modèles alternatifs
Trois échecs reviennent fréquemment :
– Empiler des sources sans mesurer le gain incrémental — chaque source doit être testée pour son apport au modèle déjà en production, pas seulement évaluée isolément ;
– Surjouer la position sur la vie privée — les identifiants d’appareil et les données IP peuvent être considérés comme des données personnelles dans plusieurs cadres réglementaires, de sorte qu’aucun fournisseur ne doit prétendre « sans données personnelles » au nom d’un prêteur ;
– Décroissance des modèles — les fraudeurs s’adaptent plus vite que l’évolution des habitudes de dépenses, donc les signaux orientés fraude doivent être ré‑validés sur un cycle plus court que les signaux orientés crédit.
Conséquences pour les équipes risques
Les données alternatives ne sont plus en marge du portefeuille ; elles déterminent désormais si la scorecard fonctionne toujours pour les dossiers qu’elle couvre. Deux obligations en découlent pour les responsables risques : tout nouveau flux doit prouver un gain incrémental par rapport au modèle en production, car ajouter des données corrélées allonge la latence sans apporter de valeur ; et l’avantage durable reviendra aux prêteurs qui peuvent arbitrer sur des données sans identifiant direct, étant le seul type de signal que régulateurs et plateformes n’imposent pas de restreindre simultanément.
