Prévoir un défaut de remboursement avant d’accorder un prêt, repérer un paiement frauduleux en quelques millisecondes, savoir si le compte de l’entreprise passera dans le rouge dans six semaines : ces trois questions résument ce que les anglophones appellent la « predictive finance ». Pas de boule de cristal derrière le terme, mais des modèles statistiques et d’apprentissage automatique entraînés sur des données historiques, qui produisent une probabilité ou une estimation.
Le sujet n’est pas neuf : les banques notent leurs emprunteurs avec des grilles statistiques depuis des décennies. Ce qui a changé, c’est le volume de données exploitables, la puissance des algorithmes et, en Europe, un cadre juridique qui se resserre. Voici trois cas concrets, avec pour chacun les données utilisées, les métriques qui comptent et les limites à connaître.
Premier cas : le scoring de crédit
Ce que mesure un score
Un modèle de scoring estime la probabilité qu’un emprunteur ne rembourse pas son crédit sur un horizon donné, souvent douze mois. Les variables classiques sont connues : revenus, charges, ancienneté professionnelle, historique de remboursement, comportement sur le compte courant. La régression logistique reste très répandue, parce qu’elle est stable et que chaque coefficient se lit facilement. Les méthodes d’ensemble par gradient boosting gagnent du terrain, car elles captent des interactions entre variables que la régression ignore. Les réseaux de neurones sont plus rares ici : sur des données tabulaires, le gain est souvent faible et l’explication d’un refus devient plus difficile.
Le cas français : pas de score public
Le lecteur américain connaît son score FICO, une note comprise entre 300 et 850 pour les versions de base. Au Royaume-Uni, Experian publie aussi un score grand public, dont l’échelle monte à 1 250 depuis novembre 2025. La France n’a rien d’équivalent. Il n’existe pas de score de crédit national consultable par le public, et le « fichier positif », qui aurait recensé tous les crédits en cours des particuliers, a été censuré par le Conseil constitutionnel le 13 mars 2014 (décision n° 2014-690 DC) au nom du respect de la vie privée.
Le seul fichier central est négatif. Le FICP, géré par la Banque de France, recense les incidents de remboursement sur les crédits aux particuliers, découverts compris, ainsi que les situations de surendettement. Une inscription pour incident dure cinq ans au maximum. Les établissements le consultent systématiquement avant d’accorder un crédit, mais une inscription n’interdit pas légalement d’emprunter. Le reste se fait en interne : chaque banque construit ses propres grilles à partir des données de ses clients.
Données alternatives : l’exemple américain
Aux États-Unis, des acteurs spécialisés misent sur des données non financières. ZestFinance, rebaptisée Zest AI en octobre 2019, a quitté le prêt direct pour vendre des logiciels de modélisation du risque aux prêteurs. Upstart affirme faire entrer dans son modèle plus de 2 500 variables, dont la formation suivie, la discipline étudiée et l’ancienneté dans l’emploi. Ces variables posent une question de discrimination indirecte. En décembre 2020, dans le cadre d’un accord avec le NAACP Legal Defense Fund et le Student Borrower Protection Center, Upstart a accepté qu’un cabinet indépendant, Relman Colfax, contrôle l’équité de son modèle. Ses rapports ont notamment relevé des écarts de taux d’approbation entre emprunteurs noirs et blancs ; le dernier, publié en mars 2024, détaille les améliorations apportées aux tests de l’entreprise.
Métriques et limites du scoring
Un score se juge d’abord à son pouvoir de discrimination. L’AUC, l’aire sous la courbe ROC, mesure la probabilité qu’un mauvais payeur tiré au hasard reçoive un score plus risqué qu’un bon payeur. Le coefficient de Gini, très utilisé en banque, en est une transformation (Gini = 2 × AUC – 1). S’y ajoutent la calibration, soit l’écart entre défaut prédit et défaut observé par tranche de score, et la stabilité de la population, suivie avec un indice dédié (PSI). La limite principale tient aux données : un modèle n’apprend que sur les dossiers acceptés par le passé et ignore ce que seraient devenus les refusés. Ce biais de sélection et les variables qui servent de substitut à une caractéristique protégée sont les deux angles morts les plus fréquents.
Deuxième cas : la détection de fraude
L’ordre de grandeur
En France, l’Observatoire de la sécurité des moyens de paiement, rattaché à la Banque de France, évalue la fraude aux moyens de paiement scripturaux à 1,241 milliard d’euros en 2025, en hausse de 3,8 % sur un an, portée notamment par les fraudes par manipulation. À l’échelle de l’Espace économique européen, le rapport conjoint de l’Autorité bancaire européenne et de la Banque centrale européenne, publié en août 2024, chiffre la fraude à 4,3 milliards d’euros pour 2022.
Comment fonctionnent les modèles
Un système antifraude attribue un score de risque à chaque transaction au moment de l’autorisation, à partir du montant, du commerçant, de l’appareil, de la localisation et de l’historique du porteur. Selon ce score, la transaction passe, déclenche une authentification supplémentaire ou part en revue manuelle. PayPal présente son service antifraude destiné aux marchands comme un moteur d’apprentissage automatique adaptatif, qui repère les nouveaux schémas de fraude sur les paiements par carte. Mastercard a annoncé en février 2024 Decision Intelligence Pro, qui analyse les relations entre le compte, le commerçant, l’appareil et l’achat, et rend son score en moins de 50 millisecondes. L’entreprise faisait état d’une hausse moyenne de 20 % des taux de détection dans ses premières modélisations : un chiffre issu de ses propres simulations, pas d’une mesure indépendante.
Métriques et limites de la détection
Le taux de détection seul ne veut rien dire. La fraude représente une infime fraction des transactions : un modèle qui déclarerait tout légitime afficherait une exactitude proche de 100 % sans rien attraper. On suit donc le rappel (part des fraudes détectées), la précision (part des alertes réellement frauduleuses) et le taux de faux positifs, qui compte les clients honnêtes bloqués à tort. Le compromis entre les deux se règle par un seuil, choix commercial autant que technique. Reste l’adversaire : les fraudeurs changent de méthode dès qu’une parade fonctionne, et une fraude n’est souvent confirmée qu’après la contestation du client, donc tardivement. Les fraudes par manipulation, où la victime valide elle-même le paiement, échappent en partie aux modèles fondés sur le comportement de la carte.
Troisième cas : la prévision de trésorerie
Ce cas concerne surtout les directions financières. Il s’agit d’anticiper le solde de trésorerie sur quelques semaines ou quelques mois, pour éviter un découvert, négocier une ligne de crédit à temps ou placer un excédent. Les données viennent du logiciel comptable et de l’ERP : factures émises et reçues, échéances, historique des encaissements par client, salaires, échéances fiscales et sociales, saisonnalité. Le point délicat est le comportement réel des clients. En France, l’article L441-10 du Code de commerce plafonne les délais de paiement entre entreprises à 60 jours après l’émission de la facture, ou à 45 jours fin de mois si le contrat le prévoit. L’écart entre l’échéance contractuelle et l’encaissement effectif est précisément ce que le modèle doit apprendre, client par client.
Les méthodes vont du lissage exponentiel et des modèles ARIMA, adaptés aux séries régulières, au gradient boosting qui croise l’historique de paiement avec des variables externes. La métrique la plus courante est le MAPE, l’erreur absolue moyenne en pourcentage, complétée par le biais, qui indique si le modèle se trompe toujours dans le même sens. Le MAPE devient instable quand les valeurs réelles approchent de zéro, ce qui arrive souvent avec un solde de trésorerie ; on lui adjoint alors une erreur absolue en euros. La limite principale reste l’historique : une PME dispose rarement de plus de quelques années de données propres, et aucun modèle n’anticipe la défaillance d’un gros client ou un choc comme celui de 2020.
Trois cas d’usage en un tableau
| Cas d’usage | Données utilisées | Métriques à suivre | Limite principale |
|---|---|---|---|
| Scoring de crédit | Revenus, charges, historique bancaire, incidents de remboursement (FICP en France) | AUC, coefficient de Gini, calibration, indice de stabilité (PSI) | Biais de sélection, discrimination indirecte |
| Détection de fraude | Montant, commerçant, appareil, localisation, historique du porteur | Rappel, précision, taux de faux positifs, montant de fraude évité | Fraudeurs qui s’adaptent, confirmation tardive des fraudes |
| Prévision de trésorerie | Factures, échéances, historique des encaissements, saisonnalité | MAPE, biais, erreur absolue en euros | Historique court, chocs imprévisibles |
Les outils, du langage statistique au framework
Les équipes de modélisation travaillent surtout en Python et en R. Côté suites commerciales, SAS vend des logiciels de construction et de suivi de grilles de score, ainsi qu’une solution antifraude, SAS Fraud Decisioning, bâtie sur sa plateforme Viya. Tableau, propriété de Salesforce depuis août 2019, relève d’une autre catégorie : c’est un outil de visualisation, utile pour suivre les indicateurs d’un modèle, pas pour l’entraîner. TensorFlow, publié en open source par Google en novembre 2015, et PyTorch, confié par Meta à la PyTorch Foundation, au sein de la Linux Foundation, en septembre 2022, servent surtout aux réseaux de neurones : textes, documents, séquences de transactions.
Le risque de modèle
Un modèle prédictif peut se tromper de trois façons, communes aux trois cas. La première est la dérive : la population ou le contexte change (hausse des taux, nouvelle clientèle, nouvelle technique de fraude) et les relations apprises ne tiennent plus. On la repère en comparant régulièrement les distributions et les performances récentes à celles de la période d’apprentissage. La deuxième est le surapprentissage : un modèle trop complexe mémorise les particularités de son échantillon et s’effondre sur des données nouvelles. La parade, souvent négligée, consiste à valider le modèle sur une période postérieure à l’apprentissage plutôt que sur un tirage aléatoire du même historique.
La troisième est l’opacité : un modèle que personne ne sait expliquer est difficile à contrôler et à défendre devant un client. Les orientations de l’Autorité bancaire européenne sur l’octroi et le suivi des prêts (EBA/GL/2020/06), applicables depuis le 30 juin 2021, demandent aux établissements qui recourent à des modèles automatisés d’en comprendre la méthode, les données, les hypothèses et les limites. Les valeurs de Shapley (SHAP) aident à attribuer une décision à ses variables, sans faire d’une boîte noire un modèle transparent.
Ce que dit le droit européen
Le règlement sur l’intelligence artificielle
Le règlement européen sur l’IA, dit AI Act, classe parmi les systèmes à haut risque, à son annexe III, point 5, b), les systèmes destinés à évaluer la solvabilité des personnes physiques ou à établir leur score de crédit. Les systèmes utilisés pour détecter la fraude financière en sont expressément exclus. Les obligations du haut risque (gestion des risques, qualité des données, documentation, contrôle humain) devaient s’appliquer le 2 août 2026 pour l’annexe III. Le règlement (UE) 2026/1744, dit « omnibus numérique » sur l’IA, publié au Journal officiel le 24 juillet 2026, a reporté cette échéance au 2 décembre 2027.
Le RGPD et l’article 22
L’article 22 du RGPD donne à toute personne le droit de ne pas faire l’objet d’une décision fondée exclusivement sur un traitement automatisé, profilage compris, qui produit des effets juridiques la concernant ou l’affecte de manière significative. Les exceptions (contrat, loi, consentement explicite) s’accompagnent de garanties : intervention humaine, possibilité d’exprimer son point de vue et de contester. Dans son arrêt SCHUFA du 7 décembre 2023 (C-634/21), la Cour de justice de l’Union européenne a jugé que le calcul d’un score par une agence constitue lui-même une telle décision lorsque le prêteur s’appuie de manière déterminante sur ce score. Le 27 février 2025, dans l’affaire C-203/22 (Dun & Bradstreet Austria), elle a ajouté que la personne peut exiger des informations utiles sur la logique de la décision, assez concrètes pour la comprendre et la contester.
La directive sur le crédit à la consommation
La directive (UE) 2023/2225 s’applique à partir du 20 novembre 2026. Elle oblige les prêteurs à disposer d’un système d’évaluation de la solvabilité et donne au consommateur le droit de demander l’intervention d’une personne lorsque cette évaluation repose sur un traitement automatisé de ses données.
Questions fréquentes
Qu’est-ce que la finance prédictive ?
C’est l’usage de modèles statistiques et d’apprentissage automatique pour estimer un événement financier futur à partir de données passées : défaut d’un emprunteur, fraude sur un paiement, solde de trésorerie à une date donnée. Le modèle produit une probabilité ; la décision relève ensuite d’une règle ou d’une personne.
Existe-t-il un score de crédit officiel en France ?
Non. La Banque de France gère le FICP, qui recense les incidents de remboursement et les situations de surendettement, et chaque banque calcule ses propres scores à partir de ses données internes.
Un algorithme peut-il refuser seul un crédit ?
Le RGPD ne l’autorise que dans des cas limités, et la personne peut alors demander une intervention humaine, donner son point de vue et contester. La directive (UE) 2023/2225 prévoit aussi le droit de demander l’intervention d’une personne dans l’évaluation de la solvabilité.
La détection de fraude est-elle concernée par l’AI Act ?
Elle est exclue de la catégorie à haut risque qui vise le scoring de crédit des personnes physiques, mais reste soumise au RGPD. Un système qui mêle fraude et solvabilité doit être examiné au cas par cas.
Quelle métrique choisir pour une prévision de trésorerie ?
Le MAPE est la plus répandue, car elle s’exprime en pourcentage. Quand les montants réels approchent de zéro, on la complète par une erreur absolue en euros et par le biais, qui montre si le modèle surestime ou sous-estime systématiquement.



