Registres de crédit

Big Data (mégadonnées)

Trouver des relations et des modèles cachés dans les données du Registre des crédits est essentiel pour établir de nouveaux indicateurs statistiques avancés  couvrant plusieurs domaines qui vont de l'évaluation de la solvabilité des sujets disposant de peu ou pas d'historique de crédit, en passant par les notes en matière de lutte contre la fraude et jusqu’au recouvrement. CRIF utilise des techniques d'apprentissage automatique pour exploiter la valeur de ses données de Registre des Crédits et fournir des solutions innovantes à des problèmes qui n'avaient pas encore trouvé de réponse.

Par exemple, étant donné le fort accent mis sur l'inclusion financière, CRIF a développé un indicateur basé sur l'apprentissage automatique en mesure de noter un sujet (individu, entrepreneur indépendant, PME) même si celui-ci ne figure pas dans la banque de données du Registre des Crédits. Sur la base des renseignements généralement fournis lors de la demande, des informations de nature technique liées à ladite demande, des Open Data, des indicateurs calculés en interne et des variables dérivées, cette note obtenue peut se révéler un indicateur statistique extrêmement utile pour calculer la probabilité de défaut de paiement d'un client pour l'année à venir, même si le sujet est inconnu du Registre des Crédits.

Avec un mélange important de données confidentielles, une infrastructure de big data (mégadonnées) basée sur Hadoop dédiée, des compétences d'analyse des données ainsi qu'une expertise en termes de conformité et de protection des données, CRIF occupe une place de choix pour continuer à tirer pleinement profit de la valeur de ses données de Registre des Crédit, en associant techniques d'apprentissage automatique aux approches statistiques standard bien établies.