Demandes de prêt avec faux employeur : quand contrôler les concentrations

La liste des personnes récemment embauchées est ouverte. Dans une même région, le même type d’employeur revient à côté de plusieurs noms. Le schéma vous semble assez familier pour que vous envisagiez déjà de bloquer ce regroupement avant l’arrivée d’autres demandes. Mais la liste indique une catégorie et un lieu, pas encore ce qui se cache derrière chaque dossier. Vous cherchez à savoir s’il s’agit d’un groupe qui utilise de faux employeurs, d’un canal commun utilisé par des commerciaux pour transmettre des demandes, ou simplement de personnes dont le parcours professionnel se ressemble sur le papier. Où s’arrête le signal utile et où commence le blocage ?

Dans le regroupement le plus dense, les nouvelles recrues ont moins fait défaut que prévu

Les nouvelles recrues du regroupement par type d’employeur et région le plus marquant du prêteur ont moins fait défaut que prévu. Il s’agit du même prêteur à la consommation que dans son analyse des nouvelles demandes après un refus, dont le nom a été modifié. L’échantillon comprend environ 310 000 demandes en cours de prêts personnels et renouvelables. Tous les clients comparés ont un prêt en cours. Le défaut correspond au signalement par le prêteur d’une difficulté de paiement sur ce prêt. Les pertes liées à la fraude et celles liées au risque de crédit reçoivent le même signalement.

Dans les cellules d’au moins 50 clients, le taux de défaut est resté globalement stable à mesure que la part de nouveaux embauchés augmentait. Dans les cellules où cet excédent était d’au moins deux, les nouveaux embauchés présentaient une cote de défaut ajustée de 0,94. La cellule la plus concentrée semblait constituer un signal de fraude plus marqué : 64 % de ses clients étaient nouveaux dans leur emploi et 43 % étaient des clients novices auprès du prêteur. Parmi les nouveaux embauchés de cette cellule, le taux de défaut était de 7,7 %, contre 11,8 % attendus.

Graphique en courbes : les rapports de défaut ajustés restent proches de 1,0 pour des niveaux de concentration des nouvelles recrues allant de 0,57 à 1,40
Dans le regroupement le plus dense par type d’employeur et région, les nouvelles recrues ont moins fait défaut que prévu

Bloquer ce regroupement modifierait les décisions d’octroi et pourrait écarter des emprunteurs dont le risque de crédit est déjà pris en compte dans le score. L’échantillon ne permet pas de mesurer les pertes liées à la fraude qu’un blocage éviterait, car il ne distingue pas les fraudes des autres défauts. Un regroupement dense justifie l’examen des demandes. Il faut comparer son expérience de défaut au risque déjà associé au type d’employeur, à l’ancienneté et au score.

Comparer la concentration par employeur au risque évalué par le score

Le type d’employeur correspond à des niveaux de risque de crédit différents. Un contrôle de concentration doit donc en tenir compte avant de modifier une décision d’octroi. Parmi les types comptant au moins 1 000 clients, le taux de défaut allait de 4,9 % à 15,8 %. Ces écarts se retrouvaient aussi dans chacun des tiers du score externe.

Les rapports entre les taux de défaut par type d’employeur et les prévisions fondées sur le score externe vont de 0,60 à 1,81, avec un repère à 1,0
Selon le type d’employeur, les taux de défaut allaient de 0,6 à 1,8 fois le niveau attendu

Pour cette comparaison, le taux attendu est celui des clients ayant le même type d’employeur, la même tranche d’ancienneté et le même tiers de score externe. Il permet de vérifier si un regroupement apporte des informations qui ne sont pas déjà prises en compte par le prêteur. Après prise en compte du score externe, de la note de risque régionale, du produit et de la tranche d’ancienneté, le type d’employeur a ajouté 0,003 au pouvoir de classement.

L’ancienneté dans l’emploi entre dans l’estimation du risque de crédit. Le statut de nouvel embauché doit donc être examiné avec les autres éléments disponibles. Le taux de défaut était de 10,6 % chez les clients en poste depuis moins de six mois, contre 11,4 % chez ceux qui y étaient depuis un à deux ans. Les clients nouveaux dans leur emploi et novices auprès du prêteur affichaient un taux de défaut inférieur à celui attendu.

Graphique en barres des taux de défaut sur les prêts en cours selon le nombre de mois dans l’emploi actuel. Les mois 0 à 2 sont signalés comme comptant moins de 1 000 clients
Les taux de défaut ont peu varié au cours des trois premières années dans l’emploi

Une erreur fréquente consiste à voir dans un taux de défaut brut plus élevé un nouvel indice de fraude parce qu’il semble confirmer les soupçons. On risque alors de faire d’un risque déjà pris en compte dans le taux attendu un motif de blocage d’une demande. Il faut comparer les groupes à type d’employeur, ancienneté et score comparables, et considérer le fait d’être récemment en poste comme un élément de contexte, pas comme un déclencheur de fraude à lui seul.

Recueillir le nom de l’employeur pour mesurer les concentrations

Les données du prêteur indiquent le type d’employeur et la région du client. Les demandes sont donc regroupées dans de larges cellules plutôt que par entreprise. Un client partage en moyenne sa cellule avec environ 300 autres clients. Dans une cellule de cette taille, un réseau de dix nouvelles recrues fait passer leur part d’environ 11 % à 14 %, une variation qui reste dans la fourchette observée entre les cellules ordinaires. Dix demandes portant le même nom d’employeur peuvent, elles, être comptabilisées ensemble.

La concentration par employeur est un contrôle de fraude, mais le regroupement par type et région réunit plusieurs entreprises dans une même cellule. L’échantillon ne contient ni nom d’employeur ni numéro d’immatriculation. Il est donc impossible de distinguer les entreprises au sein d’une cellule. Recueillez ces deux identifiants dans le formulaire de demande afin de compter les demandes par employeur déclaré.

Conservez le type d’employeur comme attribut de risque distinct. Les contrôles sur une même demande dépendent aussi des informations recueillies pour évaluer les déclarations du demandeur. Avant de considérer les identifiants de l’employeur comme vérifiés, choisissez une source adaptée au pays où exerce le prêteur.

Pour les employeurs identifiés, examiner l’historique de paiement

L’historique de paiement peut aider à évaluer un employeur établi, à condition de distinguer son historique du risque lié à la région. Dans cet échantillon, le comportement de paiement des clients antérieurs d’une cellule semblait prédire les défauts ultérieurs. Mais une fois les performances antérieures de la région prises en compte, c’est la région qui expliquait le lien, et la cellule apportait peu d’informations supplémentaires.

Pour un employeur identifié qui compte suffisamment de clients antérieurs, constituez un groupe de clients sur une première période, puis mesurez le comportement de paiement d’un groupe ultérieur. À région constante, vérifiez si l’historique de l’employeur apporte une information supplémentaire. Une fois l’identité de l’employeur recueillie dans la demande, vérifiez si son historique apporte une information au-delà du risque régional. Dans cette étude, le lien est mesuré à l’échelle des cellules.

Les données actuelles ne contiennent aucun historique par employeur identifié et ne comportent pas de dates de demande. Utilisez les performances des clients antérieurs pour les employeurs disposant d’un historique suffisant. Pour un employeur nouvellement repéré, appliquez plutôt le contrôle de première apparition.

Intégrez ces contrôles à un flux de décision

Créez des règles de crédit, de fraude ou de recouvrement, puis appliquez-les aux décisions réelles.

Des règles fondées sur l’employeur identifié repèrent les réseaux et orientent les demandes

Dans la simulation, les règles fondées sur un employeur identifié ont repéré davantage de réseaux simulés que le regroupement par type et région, mais certaines ont aussi orienté de nombreuses demandes réelles vers un examen. Les employeurs, les semaines de demande et les réseaux ont été simulés à partir des clients, des cellules, de l’ancienneté et des scores réels du prêteur. Le taux de défaut utilisé pour estimer le gain attendu en cas de détection était une hypothèse.

Graphique en barres : les règles fondées sur un employeur identifié repèrent 100 % des réseaux simulés de 5, 10, 20 et 40 personnes, contre 16 % à 95 % pour le regroupement par cellule
Les règles fondées sur un employeur identifié ont repéré tous les réseaux simulés, tandis que le regroupement par cellule a manqué les petits réseaux
RègleRéseau de 5Réseau de 10Réseau de 20Réseau de 40Alertes injustifiées
Regroupement par cellule16%42%67%95%8.9
Première apparition 90 jours0%0%0%0%0
Première apparition 180 jours86%70%50%26%0 to 0.3
Première apparition 365 jours100%100%100%100%0 to 7.7
Part des nouvelles recrues100%100%100%100%0.8 to 110
L’une ou l’autre règle100%100%100%100%0.8 to 110
Nombre hebdomadaire100%100%100%100%2,100
Réseau prudent, l’une ou l’autre règle0.6%0%0%0%0.8 to 110

Le regroupement par cellule a repéré 16 % des réseaux simulés de cinq personnes. Dans cette simulation, une règle orientant les demandes d’un employeur comptant au moins trois demandes en une semaine et apparu depuis moins d’un an a repéré tous les réseaux mis en place. Selon la façon dont les nouvelles recrues réelles étaient réparties entre les employeurs, elle a orienté de zéro à 7,7 demandes réelles pour 10 000. Une période de 90 jours depuis la première apparition n’a repéré aucun réseau : la durée d’emploi déclarée par les demandeurs simulés faisait remonter la première apparition de l’employeur plus loin dans le temps.

Une autre règle, qui oriente les demandes d’un employeur comptant au moins cinq demandeurs dont au moins la moitié est en poste depuis moins de six mois, a elle aussi repéré tous les réseaux mis en place de cinq personnes ou plus. Selon la répartition des nouvelles recrues entre les employeurs, elle a orienté de 0,8 à 110 demandes réelles pour 10 000. Avant d’utiliser cette règle comme seuil de fraude, testez le volume de demandes qu’elle orienterait. Comparer la part des nouvelles recrues chez un employeur à celle de son type d’employeur donne un autre point de comparaison. La simulation ne permet pas de définir un seuil pour cette mesure.

Dans la simulation principale, le seul nombre de demandes par semaine a permis de repérer tous les réseaux mis en place, mais a aussi orienté environ 2 100 demandes réelles pour 10 000. Un réseau prudent, dont les membres déclaraient de sept à dix-huit mois d’ancienneté et dont les demandes étaient réparties sur huit semaines, a échappé aux règles fondées sur la cellule et sur la part des nouvelles recrues. La règle de première apparition sur un an n’a repéré que 0,6 % de ces réseaux simulés de cinq personnes et aucun des réseaux plus importants. Le nombre hebdomadaire a repéré 12 % des réseaux de cinq personnes et tous ceux de vingt personnes ou plus, avec le même volume élevé de demandes orientées.

Il faut mettre en balance les réseaux simulés repérés et les demandes légitimes envoyées pour examen. Ajustez la détection à la capacité d’examen, puis testez le volume de demandes orientées et leurs résultats avant le déploiement. Utilisez l’outil de backtest des règles de fraude pour tester les règles envisagées.

Un signal de concentration appelle une vérification

Un signal permet d’orienter une demande vers un examen. C’est ensuite cet examen qui permet d’en déterminer l’issue. Dans la simulation, les demandes réelles orientées par les règles ont fait défaut au même niveau ou moins souvent que prévu. Environ neuf sur dix ont donc été remboursées.

Jo et Max sont des noms fictifs attribués à des clients de l’échantillon du prêteur. Jo a fait défaut au niveau déjà prévu par le score. Max a remboursé son prêt, comme 60 des 65 nouvelles recrues de la même cellule. Kai, un travailleur indépendant, a fait défaut au niveau déjà pris en compte par le score.

Fiches clients : défaut prévu de 19,3 % pour Jo, 60 remboursements sur 65 nouvelles recrues pour Max, et défaut prévu de 21,8 % pour Kai
Deux nouvelles recrues d’une même cellule ont connu des issues différentes, tandis qu’un travailleur indépendant a fait défaut au niveau attendu

Pour une demande orientée, vérifiez que le nom de l’employeur et son numéro d’immatriculation correspondent à la source choisie par le prêteur. Comparez ensuite la demande au nombre de dossiers enregistrés pour cet employeur et au motif de déclenchement de la règle. Un écart ou un regroupement inhabituel justifie un examen, avec les autres éléments disponibles. Appuyez-vous sur ces éléments pour déterminer si la fraude est avérée.

Prévoir les contrôles de l’employeur dans le formulaire de demande

Revenons à la liste des nouvelles recrues. Le défaut de Jo était déjà prévu par le score, Max a remboursé son prêt comme la plupart des nouvelles recrues de la même cellule, et le score avait déjà pris en compte le défaut de Kai. Le regroupement par type et région ne permet pas de savoir quels demandeurs appartiennent à un réseau. Organisez le formulaire de demande et les contrôles qui suivent dans cet ordre :

  1. Recueillir le nom de l’employeur et son numéro d’immatriculation. Choisir une source adaptée à la juridiction du prêteur pour vérifier ces identifiants, puis définir les critères de correspondance avant de les considérer comme vérifiés.
  2. Compter les demandes déposées chaque semaine pour un employeur identifié. Enregistrer les dates de demande pour pouvoir effectuer ce calcul.
  3. Enregistrer la date à laquelle chaque employeur est vu pour la première fois. La période retenue doit couvrir l’ancienneté déclarée par les demandeurs. Dans la simulation principale, une période d’un an a permis de détecter les groupes simulés, tandis qu’une période de quatre-vingt-dix jours n’en a détecté aucun.
  4. Comparer la part des nouveaux embauchés chez chaque employeur identifié à celle de son type d’employeur. Tester un seuil de signalement sur les données du prêteur avant de l’utiliser. La simulation ne permet pas de déterminer de seuil.
  5. Pour les employeurs ayant déjà eu des clients, mesurer hors échantillon leur comportement de paiement, à région constante. Utiliser ce contrôle supplémentaire pour les employeurs établis et le rapprocher des autres éléments avant de conclure qu’un employeur est fictif.
  6. Ne pas considérer à eux seuls un nouvel emploi ou une première demande auprès du prêteur comme des indices de fraude. Les examiner avec les autres éléments disponibles.
  7. Signaler les demandes repérées par les contrôles. Consigner si le décompte des demandes et le profil d’ancienneté étaient exacts, si les informations sur l’employeur correspondaient à la source choisie, ainsi que les autres éléments qui étayaient ou atténuaient le soupçon.

Questions fréquentes sur la vérification de l’employeur et la fraude au crédit

Comment savoir si un employeur cité par plusieurs demandeurs est lié à une fraude ?

Une hausse soudaine du nombre de demandes indiquant le même employeur justifie un examen, surtout si l’entreprise vient d’être immatriculée ou apparaît depuis peu dans vos données. Comparez les dates de demande aux dates de début d’emploi déclarées et vérifiez si les informations des demandeurs suivent le même schéma. Un réseau de fraude peut utiliser une entreprise fictive, tandis que des commerciaux peuvent faire passer des demandes sous une identité commune. Établissez les faits avant de prendre une mesure à l’égard des demandeurs.

Quelles informations sur l’employeur recueillir dans une demande de prêt ?

Recueillir la dénomination légale de l’employeur, son numéro d’immatriculation et sa juridiction, ainsi que le statut professionnel du demandeur et la date de début d’emploi déclarée. Enregistrer la date de la demande pour pouvoir compter dans le temps les demandes mentionnant cet employeur et noter la date de sa première apparition dans les dossiers. Prévoir un moyen distinct pour que les travailleurs indépendants communiquent les informations sur leur activité et leurs revenus, plutôt que de considérer l’absence de numéro d’immatriculation de l’employeur comme suspecte.

Comment vérifier l’employeur et les revenus d’un demandeur ?

Vérifiez le numéro d’immatriculation dans le registre officiel concerné, puis comparez la date d’immatriculation de l’entreprise à la date d’entrée en poste déclarée. Une inscription au registre confirme l’existence de l’entreprise, pas l’emploi du demandeur. Contactez l’employeur à un numéro de téléphone trouvé par un autre moyen et comparez les fiches de paie ou les relevés bancaires aux revenus indiqués dans la demande.

Sur quelle période effectuer le suivi des employeurs ?

Pour commencer, utilisez une période glissante de 12 mois et prolongez-la si les demandeurs déclarent une ancienneté supérieure. Notez la date de première apparition de chaque employeur, puis comparez la hausse des demandes à son historique et aux dates d’entrée en poste déclarées. Une période courte peut manquer un réseau qui répartit les demandes sur plusieurs mois. Ne vous fiez donc pas uniquement à une apparition récente dans les données.

Intégrez ces contrôles à un flux de décision

Créez des règles de crédit, de fraude ou de recouvrement, puis appliquez-les aux décisions réelles.