BUSINESS CASE DATA SCIENCE : Résidence logements des fonctionnaires

Détection des risques d’un second incident de paiement d’un locataire

LE CONTEXTE

Le taux d’impayé  chez un de nos clients est anormalement élevé. La Direction Générale a donc décidé de lancer un projet de « Data Science » pour imaginer d’autres leviers capables, d’une part de faire baisser le taux d’impayé, et d’autre part avoir des actions proactives auprès de leurs locataires en difficultés.

A la demande de la direction générale, nous avons donc travaillé sur trois pistes :

  • Refonte globale des processus de gestion du recouvrement ;
  • Anticiper le traitement amiable de l’impayé en axant les actions sur les locataires les plus fragile ;
  • Identifier les locataires nécessitant un accompagnement personnalisé ;

METHODOLOGIE

  • Analyser les différentes sources de données pertinentes (interne et externe) pour répondre aux besoins ;
  • Déterminer ce qu’est le risque de défaillance de paiement d’un locataire ;
  • Imaginer les processus permettant d’optimiser l’utilisation du modèle prédictif obtenu ;
  • Analyse exploratoire des données sources, calcul de nouveaux descripteurs en fonction des données brutes ;
  • Nettoyage des valeurs incohérentes ou aberrantes ;
  • Réduction de dimensions ;
  • Echantillonnage des données d’apprentissage et de test
  • Sélection du modèle prédictif permettant d’optimiser le repérage des locataires à risque mais également permettant d’expliquer le poids de chaque descripteur dans la prédiction
  • Modélisation du workflow permettant d’automatiser la réactualisation du modèle et le scoring régulier.
  • Construction d’un tableau de bord permettant d’automatiser le rapprochement des relances avec le score de risque tous les mois
  • Mise en place d’une procédure de vérification de la qualité du modèle et planification d’une actualisation de la méthode après une période de consolidation des données.

La proposition de valeur

Nos consultants ont mis en œuvre des algorithmes de prédiction permettant de scorer les risques de défaillance des locataires. Le risque mesuré consiste à déterminer la probabilité de voir un locataire ayant au moins une mensualité impayée sur 2 mois consécutifs.

La démarche fut la suivante :

  • Extraire les données de l’ERP ULIS ;
  • Modéliser plusieurs modèles prédictifs ;
  • Produire des métriques permettant de qualifier l’efficacité des différents modèles ;
  • Sélectionner le modèle prédictif le plus adapté au cas d’usage ;
  • Mettre en place un automatisme de scoring de la base des locataires en place tous les mois ;
  • Produire un tableau de bord permettant aux équipes de recouvrement de croiser la liste des relances de niveau 1 avec le score de risque ;
  • Mettre en place un plan de progression permettant de récolter et de fiabiliser les données sources et ainsi améliorer la qualité des prédictions ;

Nous avons utilisé la plateforme DSS de DATAIKU pour toute la phase « DATA » et la solution de visualisation BIME Analytics pour la restitution du scoring.

LES BÉNÉFICES 

Trois bénéfices ont tout de suite été identifiés :

  1. Stabilisation de la dette (taux d’impayé) par rapport au premier trimestre 2016 alors que depuis 10 ans, elle est en constante augmentation.
  2. Identification plus efficacement les locataires devant faire l’objet d’un traitement personnalisé de l’impayé afin qu’ils puissent bénéficier d’un accompagnement social spécifique et rapide.
  3. Réduction des frais de gestion sur les actions de recouvrement amiable de 5% sur un trimestre engendrés par un passage en contentieux.