Scoring

Définition

Le scoring calcule un score, souvent une probabilité, pour classer des éléments : clients à risque, prospects à appeler, dossiers à traiter en premier. Il s’appuie en général sur du machine learning classique et des données historiques.

Un score n’a de valeur que s’il est expliqué et branché sur une décision : qui appelle qui, dans quel ordre.

Les principaux types de scoring

• Scoring de crédit : la probabilité qu’un emprunteur ne rembourse pas.
• Lead scoring : la probabilité qu’un prospect devienne client, pour savoir qui appeler d’abord.
• Scoring d’attrition : le risque qu’un client résilie, pour agir avant son départ.
• Scoring de fraude : le risque qu’une transaction soit frauduleuse, évalué en temps réel, comme chez Crédit Agricole Payment Services.
• Scoring d’opportunités : les appels d’offres ou les dossiers à traiter en priorité.

Deux méthodes : la grille et le modèle

La grille de scoring additionne des points attribués par des experts à des critères. Exemple de lead scoring : secteur cible, 15 points ; plus de 50 salariés, 10 points ; visite de la page tarifs, 10 points ; demande de démonstration, 30 points. Au-delà de 50 points, le prospect passe au commercial. C’est simple, explicable et utilisable sans historique.

Le modèle de scoring apprend les poids à partir de l’historique : régression logistique, arbres de décision, gradient boosting. Il renvoie une probabilité et repère des combinaisons qu’un expert ne verrait pas, mais il exige des données passées fiables et un suivi dans le temps. On commence souvent par une grille, que l’on remplace par un modèle quand l’historique le permet.

Construire un score en cinq étapes

• Définir la décision servie et l’événement à prévoir : qui appeler, quel dossier vérifier, quel client relancer.
• Rassembler l’historique : des exemples où l’événement s’est produit, et d’autres où il ne s’est pas produit.
• Choisir les critères ou les variables, en écartant ceux qui ne seraient pas connus au moment de la décision.
• Tester sur une période que le score n’a pas vue, et regarder surtout la qualité du haut du classement.
• Brancher le score sur l’action, puis suivre son efficacité et le recalculer quand les comportements changent.

Ce que dit la réglementation

Noter des personnes est encadré. Le RGPD limite les décisions entièrement automatisées qui produisent des effets importants, et donne droit à une intervention humaine. L’AI Act classe à haut risque l’évaluation de la solvabilité des particuliers et le tri de candidats à l’embauche. Un score de prospects ou de pièces industrielles est beaucoup moins contraint qu’un score de crédit ou de recrutement.

En pratique

• Un score explicable est mieux adopté qu’un score précis mais opaque.
• Le recalculer régulièrement : les comportements changent.

Pour aller plus loin

Questions fréquentes