Le véritable frein au crédit n'est pas toujours le risque. C'est l'incapacité à mesurer ce risque.
Lorsqu'un entrepreneur du secteur informel sollicite un financement, la question que se pose une institution financière n'est pas uniquement : « Son activité est-elle rentable ? » La véritable question est plutôt : « Disposons-nous d'informations suffisamment fiables pour évaluer son risque et engager nos fonds ? »
Cette nuance est fondamentale. Le risque de crédit ne dépend pas seulement de la capacité réelle de remboursement d'un emprunteur. Il dépend également de la quantité, de la qualité et de la traçabilité des informations dont dispose le prêteur pour prendre sa décision.
Or, c'est précisément sur ce point que de nombreux entrepreneurs du secteur informel sont pénalisés. Ils disposent rarement d'états financiers réguliers, de garanties réelles suffisantes ou d'un historique bancaire suffisamment documenté. Pourtant, ils produisent quotidiennement une quantité considérable de données financières à travers leurs transactions Mobile Money.
En tant que présidente du Collectif AGIF, une association dédiée à l'éducation financière des femmes entrepreneures du secteur informel, nous avons pu observer que beaucoup de femmes entrepreneures utilisent quotidiennement le Mobile Money pour encaisser leurs ventes, recevoir des acomptes, payer leurs fournisseurs et transférer des fonds. Leur téléphone conserve ainsi, parfois sur plusieurs années, une part importante de l'histoire financière de leur entreprise. Pourtant, certaines voient leur demande de crédit refusée ou limitée faute d'historique bancaire ou de justificatifs suffisamment structurés.
Dans l'analyse traditionnelle du risque, l'information provient essentiellement de trois sources : les états financiers, l'historique bancaire et les garanties. Pour une entrepreneure informelle, ces sources sont souvent incomplètes ou inexistantes.
À l'inverse, les données Mobile Money offrent une vision dynamique de l'activité économique. Chaque transaction constitue un signal. Prise isolément, elle a peu de valeur pour une décision de crédit. Agrégée sur plusieurs mois, elle peut néanmoins révéler des caractéristiques essentielles de l'entreprise : stabilité des flux de trésorerie, saisonnalité de l'activité, fréquence des encaissements, discipline dans les paiements, concentration de la clientèle ou comportement de gestion de la liquidité.
Ces données ne constituent pas une garantie juridique au même titre qu'une hypothèque ou un nantissement. Elles peuvent cependant former une véritable garantie informationnelle, en réduisant l'incertitude à laquelle l'institution financière est confrontée.
Une transaction Mobile Money ne constitue pas directement une information décisionnelle. Elle doit d'abord être nettoyée, classée et transformée. Cette étape relève de l'ingénierie des variables, ou feature engineering : convertir des milliers de transactions en indicateurs quantitatifs susceptibles d'expliquer le comportement futur d'un emprunteur.
Ces indicateurs traduisent des dimensions économiques essentielles : capacité à générer des revenus, continuité de l'activité, résilience du modèle économique, qualité de la gestion de trésorerie et niveau de dépendance commerciale. C'est seulement après cette transformation que les données deviennent exploitables dans un processus de scoring.
L'intelligence artificielle n'accorde pas un crédit. Elle améliore la capacité à prédire le risque. Son rôle consiste à identifier, parmi plusieurs dizaines de variables, les combinaisons qui expliquent le mieux les comportements de remboursement observés dans le passé.
Le modèle est entraîné sur un historique d'emprunteurs dont l'issue du crédit est connue : remboursement normal, retard ou défaut. L'algorithme peut mettre en évidence qu'une faible volatilité des revenus, associée à une clientèle diversifiée et à une gestion prudente de la trésorerie, constitue un meilleur prédicteur de remboursement qu'un simple chiffre d'affaires élevé.
À l'inverse, un volume important de transactions ne signifie pas nécessairement que le risque est faible. Si les encaissements sont irréguliers, immédiatement retirés et concentrés sur une seule source, le profil peut rester fragile.
La véritable innovation ne réside pas dans la création d'un score supplémentaire. Elle réside dans l'émergence d'une nouvelle identité financière. Le passeport financier numérique pourrait agréger les principaux indicateurs issus des données transactionnelles afin de fournir une représentation synthétique, dynamique et objectivée de la santé financière d'une entrepreneure.
| Indicateur du passeport | Dimension évaluée |
|---|---|
| Ancienneté de l'activité observée | Maturité et continuité de l'entreprise |
| Volume et régularité des encaissements | Capacité à générer des revenus stables |
| Niveau moyen des décaissements | Structure des charges de l'activité |
| Stabilité de la trésorerie | Résilience et gestion de la liquidité |
| Diversification des sources de revenus | Niveau de dépendance commerciale |
| Régularité des paiements fournisseurs | Discipline financière et fiabilité |
| Évolution récente de l'activité | Trajectoire de croissance ou de déclin |
| Probabilité de défaut estimée | Risque synthétique pour le prêteur |
Contrairement à une photographie comptable réalisée une fois par an, ce passeport évoluerait avec l'activité réelle de l'entreprise. Il constituerait une source d'information complémentaire permettant aux institutions financières de réduire l'asymétrie d'information qui caractérise encore largement le financement du secteur informel.
L'expérience du Collectif AGIF montre que le manque de financement n'est pas toujours lié à l'absence d'activité, de revenus ou de débouchés. Plusieurs femmes entrepreneures accompagnées réalisent des ventes régulières et utilisent fréquemment le Mobile Money. Toutefois, leurs transactions personnelles et professionnelles sont souvent mélangées sur un même compte.
Elles ne conservent pas systématiquement leurs historiques, ne rapprochent pas les paiements reçus des ventes réalisées et n'enregistrent pas toujours leurs recettes, leurs dépenses ou leurs prélèvements personnels. Au moment de constituer un dossier de crédit, il devient alors difficile de reconstituer précisément leur chiffre d'affaires, leur niveau de charges et leur capacité réelle de remboursement.
La technologie ne peut produire une information financière fiable que si les données de départ sont suffisamment structurées. Même le meilleur modèle de scoring perdra en pertinence si les transactions analysées mélangent les dépenses familiales, les transferts personnels, les opérations professionnelles et les emprunts informels. La première étape du passeport financier commence donc avant l'intelligence artificielle.
Utiliser un numéro Mobile Money exclusivement réservé aux opérations professionnelles pour séparer les flux personnels et professionnels.
Encourager les clientes à payer par Mobile Money pour constituer progressivement un historique transactionnel exploitable.
Identifier l'origine de chaque transaction reçue : vente, acompte, remboursement, apport personnel ou autre opération.
Payer fournisseurs, transport et autres charges par Mobile Money pour rendre visible le cycle d'exploitation.
Éviter le retrait immédiat de tous les fonds afin de démontrer l'existence d'une réserve et une meilleure organisation financière.
Télécharger et classer les relevés de transactions chaque mois plutôt qu'attendre une demande de financement pour les reconstituer.
Un cahier, un fichier Excel ou une application de gestion pour enregistrer ventes, achats, charges et prélèvements personnels.
Un tableau simple chaque mois : total encaissements, dépenses professionnelles, prélèvements personnels, solde disponible et variations.
L'exploitation des données Mobile Money soulève plusieurs enjeux. La qualité des modèles dépend directement de la qualité des données disponibles. Des données incomplètes, mal classées ou biaisées peuvent conduire à des résultats trompeurs.
Par ailleurs, l'utilisation de l'intelligence artificielle dans le crédit impose des exigences fortes en matière d'explicabilité, de protection des données personnelles, de consentement, de gouvernance des modèles et de conformité réglementaire. Une entrepreneure doit savoir quelles données sont utilisées, dans quel objectif, pendant combien de temps elles seront conservées et comment elle peut contester une décision.
Les modèles doivent également être régulièrement testés afin de vérifier qu'ils ne pénalisent pas injustement certaines catégories d'emprunteurs, certains secteurs d'activité ou certains profils transactionnels. L'objectif n'est donc pas d'automatiser sans contrôle la décision de crédit, mais de renforcer la capacité d'analyse des institutions financières tout en garantissant la transparence et l'équité des décisions.
Pour les entrepreneures, le premier réflexe doit être de considérer le Mobile Money non plus seulement comme un moyen d'encaissement ou de transfert, mais comme un outil de traçabilité de leur activité.
Pour les institutions financières, l'enjeu sera de développer des modèles capables de valoriser cette information sans réduire la décision de crédit à un simple algorithme. Pour les acteurs de l'inclusion financière, il s'agira d'accompagner les entrepreneures dans la structuration, la compréhension et la protection de leurs données.
Dans une économie où les paiements numériques deviennent progressivement la norme, la donnée peut devenir une nouvelle infrastructure de confiance entre les institutions financières et les entrepreneures. Mais le passeport financier ne commencera pas le jour où un modèle d'intelligence artificielle sera déployé. Il commence dès aujourd'hui, par la manière dont chaque entrepreneure sépare, documente, conserve et organise les flux financiers de son activité.