Ce projet, réalisé pour Société Générale Factoring courant 2021, avait pour ambition de mesurer le risque d’impayé des adhérents et de leurs débiteurs. L’objectif était de remonter aux équipes métier un score permettant de quantifier ce niveau de risque pour chacun des clients d’un portefeuille, de leurs contrats et de leurs débiteurs, et leur permettre ainsi de se couvrir au plus tôt (provisionnement, prise de contact, etc.).
La volonté du métier de pouvoir mesurer ces différentes définitions du risque à des niveaux de granularité différents — c’est-à-dire de calculer un score au niveau adhérent, débiteur et contrat, dans le temps — nous a poussés à développer des modèles neuronaux basés sur les Graph Neural Networks (GNN). En effet, et contrairement aux modèles classiques couramment utilisés, les GNN permettent de s’attaquer à plusieurs problèmes en un, et d’apprendre, par exemple, plusieurs définitions différentes du risque. D’un point de vue technique, le modèle est au moins aussi performant que trois modèles différents et la maintenance est minimale (un seul réentraînement régulier nécessaire, une seule inférence réalisée).
L’entraînement du modèle est réalisé sur la base d’une dizaine d’années historiques de transactions passées entre le factor, les adhérents et les débiteurs. De nombreuses sources de données financières externes pouvant contenir des indices sur la santé financière des clients et/ou des débiteurs ont bien entendu été ajoutées au modèle. Comme proxy à notre critère d’erreur et pour l’évaluation, les mises en provision réalisées dans le passé par les équipes métier de SGF ont été utilisées.