application-du-clustering-non-supervise

Point de vue

Application du Clustering non supervisé à la gestion des crédits bancaires

Des solutions disruptives pour adresser des problématiques bancaires clés


L’augmentation toujours plus importante des sources de données, l’arrivée combinée des néo-banques et des nouveaux acteurs dans l’industrie bancaire, ainsi que la tension sur la rentabilité créent une attente forte, sinon critique, pour la connaissance de la population client et son évolution. Les techniques de Machine Learning, et plus spécifiquement de classification non supervisée, promettent de répondre à ces questionnements sous un angle inédit.

Si les techniques de clustering ne sont pas les algorithmes de Machine Learning les plus couramment utilisés dans le cadre du suivi des activités de crédit, elles permettent de réaliser rapidement des analyses périodiques et donc de caractériser les évolutions de population observables sur une période donnée.

 

Les méthodes de classification non supervisées sont disruptives pour de nombreuses thématiques rencontrées par les banques. Hervé Phaure, associé Risk Advisory

 

 

La mise en œuvre de ces techniques, sous une approche adaptée, permet ainsi de répondre à de nombreuses problématiques bancaires peu ou pas adressées par les méthodes actuelles, et en particulier, d’accroître de manière importante la compréhension des bases client et leur dynamique, ainsi que de vérifier l’efficacité de la gestion mise en place.

Dans cet article, nous posons les bases d’une approche permettant une application systématique de ces techniques disruptives, et mettons en évidence 3 cas d’usage bancaires pouvant en bénéficier.