En complément du recouvrement des créances impayées, le Credit Manager doit veiller à la solvabilité et pérennité de ses partenaires commerciaux, des fournisseurs aux clients. A l’ère du Big Data, la collecte de données pertinentes prend aujourd’hui un nouvel essor dans la gestion quotidienne du poste clients. Au delà du scoring et de l’analyse en masse, le Credit Manager doit pouvoir désormais détecter des signaux faibles comme des changements de comportements, susceptibles d’être « à risque», pour sécuriser son poste clients. A la croisée de la Data Science et du Machine Learning, l’analyse comportementale des clients au sein d’un Observatoire des Paiements peut y contribuer pour produire des alertes de vulnérabilité et anticiper. L’analyse comportementale des paiements clients sera t elle la prochaine clé de sécurité du Credit Manager ?
Le Big Data, vers un volume de données illimité à exploiter !
La digitalisation de la fonction Credit Management, via des solutions en mode Saas comme ELOFICASH, offre la possibilité d’accéder à un volume illimité d’informations internes ou externes nécessaires à l’étude de la solvabilité. Avec son logiciel spécialisé et une seule base de données, gage de centralisation et de traçabilité, le Credit Manager peut facilement croiser des données pour évaluer les délais et les comportements de paiement de ses clients. Il bénéficie ainsi de la « matière brute » pour détecter les anomalies de comportements de ses propres clients. A cela s’ajoute, la politique d’Open Data du gouvernement qui permet de collecter des informations sur l’environnement économique du client voire son écosystème, au delà de traditionnelle et désormais désuète analyse bilancielle. Le Credit Manager peut également collecter des informations « concrètes » et « vivantes » – recrutements, licenciements, problèmes judiciaires – sur l’entreprise cliente, via par exemple les réseaux sociaux, pour en évaluer la santé « réelle » et le facteur « risque » voire la fraude.
La Data Science, du scoring à l’analyse comportementale des comportements de paiement !
Avec ce volume d’informations collectées, le Credit Manager peut effectuer un scoring interne selon de multiples critères pour évaluer et classifier la capacité financière et les comportements de paiement du client. Cependant, il doit pouvoir bénéficier d’une analyse prédictive des comportements de paiement que seule la data science peut lui garantir. En effet, il doit pouvoir s’appuyer un Observatoire des Paiements, enrichi par un Data Scientist qui manie Big Data, algorithmes et modèles statistiques. Cet Observatoire s’apparente à un tour de contrôle des comportements paiements où l’Intelligence Artificielle, l’Apprentissage machine ou Machine Learning et l’exploration des Données Data Mining se conjuguent pour détecter, de manière toujours plus fine, les anomalies comme le changement de mode de règlement voire les signaux faibles, indices de facteurs de risque potentiel. Il ne s’agit plus seulement de connaître le comportement paiement du client mais d’être réactif à toute modification en vue de prévenir le risque et d’en informer les collaborateurs concernés dans l’entreprise, bien en amont.
Dans le Credit Management, l’heure est venue de tirer profit de la Data Science pour l’analyse comportementale des paiements. Nous sommes à l’orée d’une révolution « Data Science », fruit des dernières avancées technologiques, qui donnera, sans doute, encore plus de valeur « cash business » au Credit Manager. Une question demeure en Europe : l’anonymisation des données personnelles, enjeu clé du règlement RGPD, va t elle entraîner un appauvrissement voire une raréfaction des données à exploiter ?
Inscrivez-vous à notre newsletter
