Selon le langage courant, le terme score peut signifier classement ,

rsultat , marque etc. En statistique, cest lide de classement

qui est surtout retenue.
Le scoring (statistique) se prsente en effet comme un ensemble de
mthodes conduisant un classement dindividus au sein de groupes
pralablement dfinis.
La notion de classement mrite son tour dtre lucide compte tenu
des confusions souvent constates avec le terme classification . Ce
dernier terme signifie en effet la mise en vidence de groupements
inconnus dans une population. En revanche, un classement dsigne toute
mthode daffectation des individus dune population dans des groupes
dfinis priori.
Le score de risque ou de comportement est une mesure de la
probabilit pour un client de subir un certain vnement dfavorable
pour lentreprise.
Appele galement credit scoring, cette technique d'analyse est destine
diagnostiquer prventivement les difficults des entreprises. L'ide de
base est de dterminer, partir des comptes des socits, des ratios qui
soient des indicateurs avancs (deux trois ans l'avance) des difficults
des entreprises. Une fois ces ratios tablis, il suffit de calculer leurs
valeurs pour une entreprise donne et de les comparer la valeur des
ratios des entreprises ayant connu des difficults ou des dfaillances. La
comparaison ne s'effectue pas ratio par ratio, mais globalement. En effet,
les ratios sont agrgs dans une fonction, appele Z ou fonction score,
qui permet de donner pour chaque entreprise une note, le score.

1. Dfinition et objectif du crdit scoring

Le crdit scoring10(*) est une technique qui s'efforce de synthtiser le

risque de non remboursement d'un crdit au moyen d'une note : score. Le
problme ici est de dceler parmi les informations qui caractrisent un
emprunteur celles qui expliquent ou rvlent le mieux sa solvabilit.

Ds lors, le crdit scoring devient un vritable outil d'aide la dcision.

Mais, pour que cette technique soit performante, deux conditions sont
ncessaires :
v les emprunts doivent prsenter une certaine homognit de
comportement afin que les critres dcisionnels soient valables pour
tous ;
v le crdit doit galement prsenter une certaine identit de montant, de
dure ou d'objet, pour que les risques soient comparables.
Lexemple typique est le crdit scoring utilis par les banques pour
apprcier les risques de non remboursement des crdits accords leurs
clients.
Dans ce contexte, les groupes en prsence sont le groupe des bons
clients et celui des mauvais clients . Une mthode de scoring se
prsente alors comme un prcieux outil daide la dcision la
disposition des banquiers leur permettant lors de demandes de crdit par
leur clients de dtecter si ces derniers prsentent ou non un grand risque
de non remboursement.

Application
La mise en place dun systme de crdit scoring dans une banque passe
priori par les tapes suivantes :
- Extraire dans les dossiers de crdits accords dans le pass un
chantillon de bons clients et de mauvais clients
NB : On ne cherche pas respecter la structure de la population entre
bons et mauvais
clients. On considre plutt pour le besoin de la modlisation un
chantillon plus ou moins
galement rparti.
- Analyse prliminaire des donnes issues de lchantillon choisi
(limination des erreurs et incohrences, recodage des variables,
slection des variables explicatives, etc.)
- Utilisation de la moiti des donnes de lchantillon pour modliser le
score de risque (explication de la probabilit dtre un mauvais client
comme une fonction de ses caractristiques)
- Utilisation de lautre moiti des donnes de lchantillon pour valider le
modle de scoring spcifi.
- Fixation dun seuil de score en dca duquel un client est considr
comme mauvais .
NB : Ce seuil est gnralement fix travers un calcul conomique.
Application du modle adopt sur les nouvelles demandes de crdits.

Principaux inconvnients
Les mthodes statistiques de scoring soufrent nanmoins de quelques
insuffisances dont entre autres :
La dcision pouvant tre prise suite lutilisation des mthodes de
scoring est base sur une probabilit et non sur une certitude
Les mthodes statistiques de scoring supposent comme toute autre
mthode
statistique que le futur est identique au pass.
Le risque est expliqu par les seules variables disponibles
Il existe un vrai problme de biais de slection dans llaboration dune
mthode de crdit scoring. En effet, les dossiers refuss ne sont pas pris
en considration.
Lapplication dun systme de scoring ncessite un grand nombre de
donnes et de variables statistiques et serait de ce fait impossible
raliser sans loutil informatique.
La mise en place dun systme de scoring dans une entreprise nest pas
toujours facile raliser du fait de la ncessit de son intgration
informatique avec les autres systmes dinformation.
Remarque : dans tous les cas, il convient de se rappeler que la statistique
est juste un outil daide la prise de dcision et ne permet en aucun cas
darrter cette dcision.
2. La mthode du crdit scoring
a) L'analyse discriminante d'un chantillon de dossiers
Elle s'effectue partir d'une population constitue par un chantillon de
dossiers de demande de crdits, dj traits par la banque. La dmarche
consiste distinguer alors dans cet chantillon :
v les bons clients qui ont rembours leurs crdits sans incident d'une part
;
v les mauvais clients qui, soit ne les ont pas rembourss, soit ont eu un ou
plusieurs incidents de paiement d'autre part.
Le problme rsoudre est de trouver les critres qui caractrisent le
mieux les bons et les mauvais clients
b) La dtermination des critres de solvabilit
Il sera tout d'abord question de passer au crible toutes les informations
relatives aux emprunteurs et qui figurent dans les dossiers dj traits.
Ces informations peuvent tre : l'adresse, l'age, la situation familiale, le
revenu, la rfrence bancaire...etc. Ainsi, pourra apparatre une certaine
identit de critre pour chaque classe. Les informations retenues seront
mises en relation avec le fait d'tre bon ou mauvais client.
c) La dtermination de la note totale
En principe, chaque critre pertinent se voit attribu une note qui tient
lieu de pondration de son importance respective. L'analyse
discriminante met en vidence que certains critres sont plus significatifs
que d'autres.
En additionnant pour tout lment de l'chantillon la note attribue aux
critres de solvabilit, on obtient la note totale ; si l'analyse discriminante
a t mene avec soin, les deux classes apparaissent clairement au sein
de l'chantillon de dpart.
d) La dtermination de la note limite
Elle consiste en la dtermination d'une note limite, en dessous de laquelle
la probabilit que l'emprunteur se rvle insolvable est leve. Si on fixe
la note un niveau bas, on accepte tous les bons clients, mais aussi
beaucoup de mauvais. De mme si on fixe la note limite trop lev, on
limine tous les mauvais clients, mais galement beaucoup de bons. La
note optimale sera alors celle qui limine le plus de mauvais clients et le
moins de bons.
e) Echantillonnage des dossiers
La dtermination des critres de solvabilit des clients et leurs
pondrations se fait sur un chantillon constitu partir des dossiers dj
traits. Ceci pose un problme dans la mesure o les dossiers dj traits
sont ceux que la banque a slectionns selon la mthode traditionnelle, et
les dossiers qui reprsentaient un risque d'insolvabilit trop lev ont t
limins. Pour viter ce biais, on peut procder de trois manires :
v laisser subsister un double filtrage en adjoignant la mthode
habituelle le crdit scoring ;
v inclure dans l'chantillon les dossiers refuss selon la mthode
habituelle, en supposant qu'il ne s'agit que de mauvais clients ;
v ou respecter toutes les demandes de crdit pendant la priode
ncessaire la constitution de l'chantillon.