Fraude à la demande de crédit après un refus : quels dossiers examiner

Lors de votre revue mensuelle des demandes acceptées après un refus, vous devez trancher une question familière : faut-il intégrer une demande dans une règle ou la soumettre à un examen ? Un magasin figure en tête de liste. Une demande a été refusée le matin, puis acceptée avant midi au même comptoir, pour un montant inférieur. Le nom du magasin apparaît à côté du changement de décision, et le message au directeur commercial est presque prêt. Le fichier mensuel est toujours ouvert à l’écran. Quels éléments faut-il vérifier avant de l’envoyer ?

Les clients acceptés après un refus présentent moins de défauts

Tous les clients de cette comparaison ont un prêt en cours, et le défaut est mesuré sur ce prêt. Le taux de défaut atteint 9.6% chez les clients qui ont essuyé un refus avant d’obtenir une nouvelle approbation avant leur prêt actuel. Il est de 11.7% chez ceux qui ont été refusés et dont le prêt actuel est le premier accordé depuis ces refus. Dans chaque catégorie selon le nombre de refus, les clients ayant obtenu une approbation affichent aussi un taux de défaut inférieur.

Le défaut correspond ici à l’indicateur que le prêteur utilise pour signaler des difficultés de paiement sur le prêt en cours. Cet indicateur ne distingue pas une perte liée à la fraude d’une perte de crédit.

HistoriqueClientsDéfautIndice relatif
Aucun refus antérieurabout 190,0007.1% [7.0, 7.2]0.86
Refus antérieur, prêt actuel : première approbation depuisabout 35,00011.7% [11.3, 12.0]1.42
Refus antérieur, nouvelle approbation avant le prêt actuelabout 65,0009.6% [9.4, 9.8]1.17
Au moins un refusabout 100,00010.3% [10.1, 10.5]1.26
Taux de défaut du prêt en cours selon les refus antérieurs : de 10,5 % à 15,1 % pour une première approbation depuis un refus, de 7,6 % à 13,8 % pour une nouvelle approbation
Taux de défaut du prêt en cours selon le nombre de refus, pour les clients ayant obtenu une nouvelle approbation avant ce prêt et ceux dont le prêt actuel est la première approbation depuis leurs refus antérieurs

La même tendance se retrouve dans chaque catégorie de refus : parmi les clients ayant essuyé un seul refus, le taux de défaut était de 7,6 % chez ceux qui avaient de nouveau obtenu une approbation avant le prêt actuel, contre 10,5 % chez ceux dont le prêt actuel était la première approbation depuis ce refus. Avec deux refus, les taux étaient de 9,2 % et 12,1 %. Avec trois ou quatre refus, ils atteignaient 11,0 % et 13,3 %, et avec cinq refus ou plus, 13,8 % et 15,1 %.

Dans ces données, le refus apporte davantage d’information que l’approbation qui le suit. Considérer toute demande acceptée après un refus comme un cas à risque donnerait à cette séquence plus de poids que ne le justifient les résultats sur le prêt en cours.

Pour comparer les clients, reconstituez d’abord leur historique dans le bon ordre : classez les demandes antérieures par date de décision, puis par heure de début, et associez chaque approbation au refus le plus récent depuis l’approbation précédente.

Les nouvelles demandes avec un montant modifié sont à examiner

Signalez toute nouvelle demande déposée le même jour qu’un refus lorsque le montant a changé, à la hausse comme à la baisse. Portez une attention particulière aux demandes déposées dans le même magasin.

Taux de défaut après une nouvelle demande le même jour : même magasin, montant inférieur 13,5 % et supérieur 13,1 %, autre magasin 11,2 % et 10,9 %, montant inchangé 9,9 %
Taux de défaut selon la variation du montant et le magasin pour les nouvelles demandes déposées le même jour

Après un refus, les taux de défaut des nouvelles demandes déposées le même jour sont proches, que le montant ait augmenté ou diminué. Ils sont plus élevés dans le même magasin, autour de 13 %, que dans un autre magasin ou lorsque le montant n’a pas changé.

La baisse du montant peut sembler être le signe évident, puisqu’elle intervient après un refus. Mais les données conduisent à la même conclusion en cas de hausse. De plus, les prêts accordés pour un montant inférieur ont connu moins de retards que ceux accordés pour un montant inchangé. Servez-vous de la variation du montant pour signaler une nouvelle demande, sans cibler spécifiquement les baisses.

L’intervalle entre le refus et l’approbation change peu le taux de défaut du prêt en cours, quelle que soit la période étudiée.

Intégrez le critère du même magasin à l’indicateur de variation du montant.

L’historique des refus permet de repérer les dossiers à risque

Appuyez-vous sur l’historique des refus pour déterminer quelles demandes acceptées après un refus méritent un examen approfondi.

Parmi les clients dont la dernière approbation fait suite à un refus, le taux de défaut atteint 12.6% après trois refus ou plus, contre 8.7% après un seul refus. Il est de 11.3% lorsque la demande actuelle intervient dans les 365 jours suivant une approbation obtenue après un refus, contre 8.6% lorsque cette approbation remonte à plus de 365 jours. Le taux de défaut est de 19.5% chez les clients ayant au moins un refus enregistré avec le code fraud-score. Lorsque leur dernière approbation fait suite à un refus portant ce code, le taux sur le prêt en cours est de 17.4%.

Les prêts appariés à un refus codé fraud-score présentaient un taux de retard de paiement de 1,0 %, contre 2,5 % pour l'ensemble du portefeuille. Le sens du code n'est pas documenté : sa valeur enregistrée peut servir de signal, mais son libellé ne constitue pas une explication confirmée. Pour cette décision, c'est le résultat de paiement du prêt actuel qui compte.

Créez des indicateurs distincts pour un refus portant le code fraud-score, trois refus ou plus avant une approbation, et une approbation après un refus au cours de l’année écoulée.

Intégrez ces contrôles à un flux de décision

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

Quatre indicateurs client ciblent les dossiers à examiner

Utilisez les quatre indicateurs client ensemble, après avoir vérifié qu’ils apportent de l’information par rapport au seul historique de refus et que les résultats se maintiennent dans différentes parties du portefeuille.

IndicateurClientsDéfautsAvec indicateurAutres
a. Refus codé fraude2.3%5.6%19.5%7.9%
b. 3 refus ou plus4.1%6.3%12.5%8.0%
c. Approbation récente après un refus8.3%11%11.3%7.9%
d. Nouvelle demande le même jour, montant modifié7.6%11%11.5%7.9%
Au moins un indicateur de a à d15%21%11.5%7.6%
Au moins un refus34%43%10.3%7.1%
Le graphique en barres compare la part des clients avec indicateur et leur taux de défaut pour les quatre indicateurs, les indicateurs combinés et l’ensemble des refus
Part des clients et part des défauts pour chaque indicateur à examiner

Les indicateurs combinés couvrent 15% des clients et 21% des défauts. Le taux de défaut atteint 11.5% chez les clients concernés, contre 7.6% chez les autres. Parmi les clients ayant essuyé un refus, le taux est de 11.5% pour ceux qui présentent un indicateur, contre 9.4% pour les autres.

Le résultat se confirme dans deux échantillons aléatoires du portefeuille. Pour les indicateurs combinés, les taux de défaut des clients concernés sont de 11.1% et 11.9% dans les deux échantillons, contre 7.6% dans chacun pour les clients sans indicateur. Chaque indicateur pris séparément affiche aussi des taux de défaut plus élevés pour les clients concernés dans les deux échantillons.

Une règle portant sur tout refus toucherait davantage de clients, mais ferait aussi entrer une part plus importante du portefeuille dans le groupe signalé. Les quatre indicateurs concentrent l’attention sur des historiques qui se distinguent plus nettement. Avant de les intégrer au flux de décision, vérifiez la comparaison entre clients refusés et les résultats obtenus sur les deux échantillons avec un test rétrospectif de règles anti-fraude.

Conservez les indicateurs combinés uniquement si les deux vérifications sont concluantes.

Les classements de magasins orientent les contrôles de traitement des demandes

Servez-vous des tendances par magasin pour orienter les contrôles. Avant d’utiliser un classement comme mesure du risque, vérifiez-le en tenant compte des produits et d’une période ultérieure.

Graphique en barres : dans les 5 % de magasins en tête, le ratio brut est de 1,94 à 1,97 et de 0,99 à 1,07 après prise en compte des produits
Ratios de retards de paiement par magasin avant et après ajustement selon les produits et la période

Dans le test sur une période ultérieure, le taux brut de retards de paiement des 5 % de magasins en tête selon la part de paires au même magasin est 1.96 fois celui des autres magasins. Après ajustement selon les produits et la période de décision, le ratio est de 1.04. Les autres mesures liées aux magasins et les listes de magasins tirées au hasard donnent des résultats similaires.

La comparaison brute reflète la répartition des produits. Au cours de la période ultérieure, les prêts des 5 % de magasins en tête selon la part de paires au même magasin étaient composés à 55% de prêts de trésorerie, à 27% de prêts en point de vente et à 19% de prêts renouvelables. Dans les autres magasins, la répartition était de 8% de prêts de trésorerie, 88% de prêts en point de vente et 4% de prêts renouvelables. Dans l’ensemble du portefeuille, les taux de retard sont de 1.7% pour les prêts de trésorerie, 2.6% pour les prêts en point de vente et 5.2% pour les prêts renouvelables.

Pour établir la liste de contrôle, classez les magasins admissibles selon la part de leurs approbations faisant suite au refus du même client dans le même magasin. Le seuil retenu est de 300 demandes. La part est de 2.8% dans l’ensemble du portefeuille. Un magasin qui atteint le double, soit 5.6% ou plus, figure sur la liste. Dans le test sur la période antérieure, la part était de 2.3%, ce qui correspond à un seuil de 4.5%. L’outil de classement du risque par magasin sert à cette comparaison. La valeur disponible pour le magasin ne permet pas d’identifier un vendeur. Pour une analyse au niveau des vendeurs, utilisez l’outil de concentration des défauts par agent.

Servez-vous de la liste pour examiner le traitement des demandes et les dossiers associés à la tendance. Les produits et la période expliquent la comparaison brute entre magasins. Les résultats ajustés ne démontrent pas que les prêts de ces magasins présentent un risque plus élevé.

Le magasin 3 reste sur la liste de contrôle

Le magasin 3 reste sur la liste, car 7.9% de ses approbations faisaient suite au refus du même client dans le même magasin, contre 2.8% pour l’ensemble du portefeuille. Les prêts accordés dans ce magasin ont connu des retards dans 2.0% des cas, contre 2.6% dans l’ensemble des magasins admissibles.

Pour le magasin 3, examinez les demandes associées, leur ordre de décision, la variation du montant, le motif de refus enregistré et la présence éventuelle d’un schéma répété de nouvelles demandes dans le même magasin. Cet examen permet de comprendre comment les demandes sont traitées sur place. Le classement du magasin oriente le contrôle, tandis que les quatre indicateurs client déterminent le traitement de chaque demande.

Dans le flux de décision, utilisez l’un des quatre indicateurs pour orienter une demande vers un examen humain avant approbation, plutôt que d’en faire un motif de refus automatique. Intégrez les indicateurs dans une table de décision et gérez séparément la liste des magasins à examiner.

Appliquez cette méthode au portefeuille :

  1. Pour chaque client, classez les demandes antérieures par date de décision, puis par heure de début.
  2. Associez chaque approbation au refus le plus récent depuis l’approbation précédente du client.
  3. Signalez tout refus portant le code fraud-score, toute approbation après trois refus ou plus, toute approbation après un refus survenu au cours de l’année écoulée et toute nouvelle demande déposée le même jour qu’un refus avec un montant modifié, à la hausse comme à la baisse.
  4. Vérifiez que les indicateurs apportent de l’information au-delà du seul historique de refus chez les clients refusés, et confirmez les résultats sur deux échantillons aléatoires du portefeuille.
  5. Intégrez le critère du même magasin à l’indicateur de nouvelle demande, car les nouvelles demandes avec un montant modifié dans le même magasin affichent les taux de défaut les plus élevés.
  6. Classez les magasins ayant au moins 300 demandes selon la part de paires au même magasin, puis inscrivez sur la liste ceux qui atteignent le double de la part du portefeuille.
  7. Établissez le classement à partir d’une période antérieure, puis comparez les prêts accordés par la suite aux taux ajustés selon les produits et la période de décision, ainsi qu’à des listes aléatoires de même taille, avant d’utiliser le classement comme mesure du risque.

Questions fréquentes sur la fraude au crédit après un refus

Comment comparer une demande acceptée après un refus antérieur ?

Associez l’approbation au dernier refus du demandeur, puis comparez les informations fournies, champ par champ. Conservez les deux versions des données sur les revenus, l’employeur, l’ancienneté dans l’emploi, l’adresse, l’identité, le montant demandé et les conditions, ainsi que la date et l’ordre de chaque tentative. Examinez les écarts avant l’approbation et demandez des justificatifs pour toute modification de données personnelles qui influe sur la décision.

Quels changements entre deux demandes doivent déclencher un examen des modifications apportées par le personnel ?

Examinez en priorité les changements de données personnelles susceptibles de faire accepter la demande, comme les revenus, l’employeur, l’ancienneté dans l’emploi, l’adresse ou les informations d’identité. Une nouvelle demande déposée le même jour avec un montant modifié, à la hausse comme à la baisse, justifie aussi un examen, surtout dans le même magasin. Vérifiez les justificatifs, l’identité des personnes ayant traité chaque demande et la cohérence des changements entre eux. Une baisse du montant, un apport personnel ou une durée de remboursement plus longue peuvent être des réponses normales à un refus. Évaluez-les avec les autres changements.

Quelles informations conserver pour chaque demande déposée après un refus ?

Conservez un historique daté de chaque tentative, avec le demandeur, le magasin ou l’agent, le membre du personnel concerné, la décision et le motif de refus enregistré. Pour chaque champ modifié, gardez l’ancienne valeur, la valeur soumise et les justificatifs utilisés. Notez les dérogations, les personnes qui les ont approuvées et le résultat de paiement ultérieur, y compris le défaut dès la première échéance. Ces éléments permettent de reconstituer les modifications et le passage du refus à l’approbation.

Combien de nouvelles demandes accepter avant d’exiger un examen indépendant ?

Commencez par limiter à une les nouvelles demandes déposées le même jour, puis exigez un examen indépendant avant toute autre tentative. Une nouvelle tentative reste possible si le demandeur fournit des informations vérifiables qui répondent au motif du refus. Un délai d’attente fixe peut retarder une correction valable. Réservez-le aux demandes répétées qui n’apportent aucun nouvel élément ou reprennent les mêmes modifications. Évaluez les exceptions au regard du risque de fraude et des ventes légitimes perdues.

À quel moment une hausse des approbations après refus dans un magasin ou chez un agent justifie-t-elle une enquête ?

Ouvrez un examen lorsque la part dépasse le niveau habituel du point de vente, en comparant des produits et des périodes de décision similaires et en vérifiant que le volume permet une analyse fiable. Pour chaque magasin ou agent, examinez les demandes associées, les changements de données personnelles, le délai entre les tentatives, les motifs de refus enregistrés et les personnes qui les ont traitées. Suivez les défauts dès le premier paiement comme indicateur précoce, en complément des difficultés de paiement ultérieures. Une tendance liée à un point de vente justifie un examen des pratiques, pas un refus automatique.

Intégrez ces contrôles à un flux de décision

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