Mobile money et IA : scoring crédit et détection de fraude en Afrique

L'intelligence artificielle appliquée aux données mobile money permet de scorer la solvabilité de clients non-bancarisés et de détecter la fraude en temps réel, deux cas d'usage qui transforment en profondeur le secteur fintech africain. En s'appuyant sur les historiques de transactions d'Orange Money, MTN MoMo ou Wave, des modèles de machine learning produisent des évaluations de risque crédit plus précises que les méthodes traditionnelles, pour une population qui reste largement exclue du système bancaire formel.

L'essor du mobile money en Afrique de l'Ouest et centrale

Les chiffres du mobile money africain sont devenus un marqueur de la transformation numérique du continent. Selon le rapport annuel 2024 de la GSMA, l'Afrique subsaharienne concentre plus de 60 % du volume mondial des transactions mobile money, avec environ 835 milliards de dollars traités sur l'année. L'Afrique de l'Ouest francophone est l'une des régions les plus dynamiques : le Sénégal, la Côte d'Ivoire, le Mali et le Burkina Faso affichent des taux de pénétration du mobile money supérieurs à 40 % de la population adulte.

Wave, le service sénégalais lancé en 2019, a profondément reconfiguré le marché en imposant des frais quasi nuls sur les transferts, accélérant l'adoption dans les couches de revenus les plus modestes. En Côte d'Ivoire, Wave revendique plusieurs millions d'utilisateurs actifs et challenge directement Orange Money sur son marché historique. MTN Mobile Money (MoMo) domine au Ghana, au Cameroun et en Ouganda, avec plus de 50 millions de portefeuilles actifs sur le continent.

Cette adoption massive génère un volume de données transactionnelles d'une richesse inégalée. Chaque utilisateur produit des milliers de points de données par an : montants envoyés et reçus, fréquence des transactions, diversité des contreparties, comportement de rechargement, usage des services associés (paiement de factures, achats marchands, épargne). Ces données sont un actif stratégique pour tout acteur fintech souhaitant construire des modèles de risque pertinents sur des marchés où les bureaux de crédit traditionnels sont encore embryonnaires.

Scoring crédit pour les non-bancarisés : l'apport de l'IA

En Afrique subsaharienne, le taux de bancarisation formelle reste inférieur à 35 % de la population adulte selon les données de la Banque mondiale. Ce chiffre masque une disparité profonde entre zones urbaines et rurales : dans les capitales comme Dakar, Abidjan ou Douala, le taux dépasse 50 %, mais il tombe souvent sous 15 % dans les zones rurales. Cette population non-bancarisée est exclue de facto de l'accès au crédit formel, non pas parce qu'elle est insolvable, mais parce qu'elle ne dispose pas du type de données qu'exigent les méthodes d'évaluation classiques.

Les modèles de scoring alternatif basés sur les données mobile money comblent ce vide. L'approche consiste à entraîner des algorithmes de machine learning, typiquement des forêts aléatoires, des modèles gradient boosting (XGBoost, LightGBM) ou des réseaux de neurones récurrents, sur des historiques de transactions annotés par des données de remboursement réelles. Le modèle apprend à associer des patterns comportementaux à des probabilités de défaut.

Les variables les plus discriminantes identifiées par les praticiens du domaine incluent la régularité des entrées de fonds sur 90 jours glissants, la diversité du réseau de contreparties (indicateur de capital social), le comportement face aux chocs financiers ponctuels, et la dynamique de solde moyen. Un client qui maintient un comportement de flux régulier, même sur de petits montants, présente souvent un profil de risque bien inférieur à ce que suggère son niveau de revenu absolu.

Des fintechs africaines comme Jumo, Carbon ou Kuda ont publié des résultats indiquant des taux de précision (AUC-ROC) supérieurs à 0,78 sur leurs modèles de scoring alternatif, comparables aux performances obtenues par des banques traditionnelles sur leurs propres portefeuilles. Cette performance est d'autant plus remarquable qu'elle s'applique à une population historiquement jugée "non-scorable".

Notre service de data analytics accompagne les institutions financières africaines dans la construction de ces pipelines de scoring, de la collecte de données à la mise en production des modèles.

Détection de fraude en temps réel : architecture et enjeux

La fraude sur le mobile money prend plusieurs formes. L'ingénierie sociale reste la technique la plus répandue : un fraudeur se fait passer pour un agent de l'opérateur ou pour un proche en difficulté afin d'obtenir un transfert ou les codes d'accès. Les simswaps, qui permettent de prendre le contrôle d'un numéro de téléphone, alimentent des schémas de fraude plus sophistiqués. Les transactions de fractionnement (structuring) visent à contourner les limites réglementaires sur les montants, souvent en dessous des seuils de déclaration.

Un système de détection de fraude basé sur l'IA opère sur deux horizons temporels distincts.

En temps réel (latence inférieure à 200 millisecondes), le modèle analyse chaque transaction au moment de l'initiation et produit un score de risque. Si ce score dépasse un seuil paramétrable, la transaction est bloquée ou soumise à une étape de vérification supplémentaire (OTP renforcé, appel de confirmation). Les features utilisées à ce stade sont principalement comportementales : la transaction est-elle conforme au profil historique de l'utilisateur en termes de montant, de destinataire, de géolocalisation et d'horaire ?

En mode batch (analyse différée sur 24 à 72 heures), des modèles de détection d'anomalies analysent les graphes de transactions pour identifier des réseaux de comptes qui présentent des schémas suspects de circulation de fonds. Cette approche, basée sur le graph machine learning, est particulièrement efficace pour détecter les fraudes organisées impliquant plusieurs comptes complices.

La contrainte principale de ce type de système sur les marchés africains est la connectivité. Un modèle d'inférence en temps réel doit fonctionner avec une latence acceptable même en cas de connexion dégradée, ce qui oriente vers des architectures d'edge computing ou vers des modèles suffisamment légers pour être déployés localement. C'est l'un des domaines où notre expertise en automatisation apporte une valeur différenciante concrète.

Les acteurs qui structurent le marché

Plusieurs catégories d'acteurs construisent aujourd'hui des solutions IA pour le mobile money africain.

Les opérateurs télécom eux-mêmes, qui détiennent la donnée de transaction la plus complète, développent des capacités IA internes. Orange Digital Center et MTN Group ont tous deux annoncé des programmes d'investissement significatifs dans les technologies IA appliquées aux services financiers mobiles.

Les fintechs spécialisées comme Jumo (Afrique du Sud, actif en Côte d'Ivoire, Ghana, Tanzanie), Lidya ou Migo proposent des modèles de scoring comme service, accessible via API, aux banques et institutions de microfinance qui ne disposent pas de la capacité à construire ces modèles en interne.

Les banques africaines traditionnelles, enfin, cherchent à intégrer les données mobile money dans leurs propres systèmes de scoring pour étendre leur offre de crédit à la population non-bancarisée. Cette intégration nécessite des accords de partage de données avec les opérateurs et une refonte des pipelines de décision crédit.

Pour les entreprises de la région souhaitant aller plus loin, nos équipes en Afrique de l'Ouest et en Afrique centrale accompagnent la mise en place de ces architectures de bout en bout.

Conformité, explicabilité et confiance

L'adoption des modèles de scoring IA soulève des questions légitimes sur la transparence des décisions. Dans un contexte où le crédit est souvent refusé sans explication claire, un modèle de machine learning opaque risque de reproduire et d'amplifier des biais existants plutôt que de les corriger.

Les régulateurs africains commencent à s'en emparer. La Commission de l'UEMOA, la Banque Centrale des États de l'Afrique de l'Ouest (BCEAO) et plusieurs autorités nationales ont publié des lignes directrices ou des consultations sur l'usage de l'IA dans les services financiers. Le principe d'explicabilité des décisions automatisées, issu du RGPD européen, fait progressivement son chemin dans les réglementations africaines.

Concrètement, cela implique de privilégier des modèles interprétables comme SHAP (SHapley Additive exPlanations) pour documenter les facteurs qui ont conduit à une décision, et de mettre en place des mécanismes de recours humain lorsqu'une demande est refusée automatiquement.

Notre service de formation aux enjeux IA inclut des modules spécifiques sur la conformité réglementaire et l'IA responsable dans le secteur financier africain.

---

Vous développez une solution fintech en Afrique et souhaitez intégrer l'IA pour le scoring crédit ou la détection de fraude ? Contactez l'équipe Thalertech pour un audit de faisabilité et une première estimation de valeur.