01 — Diagnostic : Une croissance qui masque la dégradation du risque
À fin 2024, la microfinance de l'UMOA compte 533 SFD et 19,1 millions de clients, pour un encours de crédits de 2 695 milliards FCFA (+5,3 % sur un an). Mais le crédit moyen par client stagne : le secteur grandit en multipliant les dossiers, pas en approfondissant la relation. Or plus de dossiers à instruire avec les mêmes méthodes, c'est plus de risque mal maîtrisé. C'est ce que révèlent les indicateurs de qualité.
| INDICATEUR | 2023 | 2024 | NORME |
|---|---|---|---|
| Taux brut de dégradation | 4,4 % | 6,6 % | ≤ 3 % |
| Taux de provisionnement | 12,4 % | ~12 % | — |
| Ratio de capitalisation | 14,5 % | 13,5 % | ≥ 15 % |
| Résultat net (Md FCFA) | 23,5 | 16,7 | — |
Aucune de ces lignes n'est rassurante. Sur les SFD de grande taille, le taux brut de dégradation a bondi de 4,4 % à 6,6 % en un an, soit plus du double de la norme de 3 % admise par le régulateur : la proportion de crédits en difficulté croît à un rythme que le secteur ne contrôle plus. Une créance en souffrance n'est pas encore une perte, puisqu'une partie sera recouvrée ou couverte par des garanties. Mais le taux de provisionnement reste bloqué autour de 12 %, ce qui montre que les institutions se préparent mal à la fraction qui, elle, basculera en défaut, et sur un portefeuille qui se dégrade à ce rythme, cette fraction promet d'être substantielle.
Le ratio de capitalisation, lui, s'enfonce davantage sous le seuil de 15 % : déjà franchi en 2023 à 14,5 %, il tombe à 13,5 % en 2024. Ce seuil est un garde-fou précieux, calibré pour que les fonds propres absorbent les pertes inattendues d'un portefeuille de microfinance. S'en éloigner, c'est voir la marge de sécurité s'amincir au plus mauvais moment, car la part des créances en souffrance qui finira en défaut viendra, le jour où elle sera constatée, s'imputer sur ces mêmes fonds propres. Le résultat net, enfin, fond de 29 % en un an. Sur l'ensemble des SFD, le taux de dégradation atteint même 8,9 %, contre 6,9 % un an plus tôt. C'est tout le sens du titre : la prochaine vague de pertes n'est pas un risque lointain, elle est déjà inscrite dans les bilans, en attente d'être reconnue.
Le régulateur a déjà commencé à sévir : 9 SFD sous administration provisoire et 5 retraits d'agrément au seul quatrième trimestre 2024, assortis de blâmes et d'avertissements. Mais la sanction intervient presque toujours après la dégradation, quand il est trop tard. La vraie question, pour un dirigeant, n'est pas « suis-je en règle aujourd'hui ? » mais « suis-je capable de voir venir la dégradation avant qu'elle ne devienne irréversible ? ».
02 — Les leçons des faillites : Deux types d'échecs, deux réponses
Toutes les défaillances ne se ressemblent pas, et le remède diffère selon leur nature.
UNACOOPEC-CI — Gouvernance & Fraude
Premier réseau ivoirien, jusqu'à 81 % des encours du secteur. Audit BCEAO 2012 : détournements et écritures falsifiées. 11 Md FCFA de pertes, fonds propres négatifs de −20 Md FCFA.
ASUSU SA (Niger) — Gouvernance & Fraude
Première IMF du pays, « virtuellement en faillite » selon la tutelle en 2018. Comptes saisis, ratios prudentiels non respectés, détournement de fonds destinés au crédit rural.
Ces effondrements relèvent de la gouvernance et du contrôle interne : on les prévient par des processus clairs, la séparation des fonctions et l'audit, pas par un modèle. La seconde famille d'échecs, elle, est la plus fréquente et la moins visible.
L'échec le plus courant — la dégradation silencieuse
Des institutions saines dont le portefeuille se dégrade lentement jusqu'au point de rupture, faute de système d'alerte. C'est le cas de la plupart des petites structures retirées du marché, et c'est exactement la famille d'échecs qu'un dispositif de scoring et de suivi adresse directement.
03 — Pression concurrentielle : Une fenêtre qui se referme
L'écosystème se recompose vite : plus de 130 fintechs, 173 millions de comptes de monnaie électronique (+25,6 % en 2024) et le lancement de la plateforme de paiement instantané (PI-SPI) en septembre 2025, qui ouvre un gisement de données transactionnelles exploitables pour scorer en quelques secondes. Le mouvement est concret : Wave, dotée d'une licence d'établissement de monnaie électronique depuis 2022, a créé en octobre 2025 une banque commerciale en Côte d'Ivoire appelée à octroyer du crédit.
La menace est structurelle. Un acteur capable de scorer finement capte les profils les plus solvables et laisse les autres à l'institution qui ne sait pas trier ses risques : c'est la sélection adverse. Sans capacité d'évaluation, le SFD porte un risque croissant pour une rentabilité décroissante.
Rien n'est perdu pour autant. Les SFD disposent d'un atout que les nouveaux entrants n'ont pas : l'historique de remboursement de leurs propres clients, accumulé année après année. C'est précisément la matière première qui permet de construire des modèles de scoring solides et adaptés à leur clientèle. Encore faut-il l'exploiter : cela suppose d'engager dès maintenant une stratégie de données, de fiabiliser le socle technique et de se doter de modèles rigoureux. Ce sont les conditions pour transformer un actif dormant en avantage concurrentiel, et c'est exactement ce que la suite de cette note détaille.
04 — Ce que le scoring change : De la mesure du risque à la décision
Un modèle de scoring attribue à chaque dossier une probabilité de défaut (PD), c'est-à-dire la probabilité qu'un emprunteur cesse d'honorer ses échéances. Là où l'évaluation artisanale repose sur l'impression d'un analyste, par nature subjective et difficile à tracer, le modèle produit une mesure homogène, reproductible et explicable. C'est cette objectivation du risque qui rend possible une décision de crédit cohérente d'un dossier à l'autre.
L'apport de l'intelligence artificielle
Le principe d'un modèle d'apprentissage automatique est simple à énoncer. À partir de l'historique réel de remboursement de l'institution, l'algorithme apprend les combinaisons de caractéristiques qui ont précédé les défauts passés, puis il applique cette connaissance à chaque nouveau dossier pour en estimer le risque. Là où un barème figé applique les mêmes règles à tous, un modèle entraîné sur les données propres du SFD repère des signaux que l'analyse manuelle laisse de côté, comme la régularité des flux de mobile money, la saisonnalité d'une activité ou le comportement de remboursement sur les cycles précédents.
Les techniques disponibles vont de la simple grille de score à la régression logistique, jusqu'à des modèles plus performants comme les forêts aléatoires ou le boosting. Mais la performance brute d'un algorithme ne suffit pas. Ce qui fait la différence, c'est la rigueur de la construction du modèle, la fiabilité de son passage en production et la qualité de son suivi dans le temps, car un modèle mal conçu ou mal surveillé produit des décisions erronées à grande échelle.
Fixer un seuil d'octroi
L'apport décisif n'est pas le score, mais la décision qu'il permet : on définit un seuil d'octroi en dessous duquel un dossier n'est pas financé. Ce seuil arbitre explicitement entre risque et rendement, et devient pour la première fois pilotable.
| SEUIL | DOSSIERS FINANCÉS | DÉFAUT ATTENDU |
|---|---|---|
| Permissif (PD ≤ 25 %) | 820 | ~11 % |
| Équilibré (PD ≤ 12 %) | 610 | ~6 % |
| Prudent (PD ≤ 6 %) | 410 | ~3 % |
Plus le seuil se durcit, plus le volume baisse, mais le défaut attendu baisse plus vite encore. La direction choisit le point d'équilibre en connaissance de cause. (Chiffres illustratifs.)
Répétée sur tout le portefeuille, cette discipline le « purifie » sans refus brutaux : le taux de défaut baisse sans servir moins de clients. À l'échelle de l'UEMOA, chaque point de dégradation évité représente de l'ordre de 27 milliards FCFA de pertes en moins, auxquels s'ajoutent des délais d'instruction réduits à quelques minutes, un coût par dossier divisé, et des provisions mieux dimensionnées qui ramènent la capitalisation vers sa norme. Le modèle ne remplace pas pour autant la connaissance fine du client : la proximité du chargé de clientèle saisit ce qui échappe aux chiffres. Données et terrain se complètent.
05 — Mise en œuvre : Une feuille de route, pas un outil isolé
Un dispositif crédible suit une séquence où chaque étape renforce la suivante.
- Scoring — Statistique et jugement d'expert, segmenté par profil.
- PD — Calibrée sur l'historique interne et le BIC, aux bons horizons.
- Limites & seuils — Dérivés de la PD et de la capacité de remboursement.
- Provisionnement — Prospectif, fondé sur la perte attendue.
- Gouvernance modèle — Backtesting, validation, suivi des dérives.
- Compétences — Équipes formées à lire et piloter le score.
06 — Réalités du terrain : Un modèle ne vaut que ce que vaut le process qui le porte
La transformation se joue dans les frictions du quotidien qu'aucun algorithme ne corrige seul : le dossier papier qui met des semaines à circuler, le client multi-emprunteur invisible faute de consultation du BIC en continu, le suivi en tableur recalculé une fois par mois, les incitations commerciales calées sur le volume et non la qualité. Poser un bon modèle sur un process défaillant ne fait qu'accélérer les erreurs.
Deux conditions encadrent donc la réussite. Le process d'abord : digitaliser le dossier, intégrer le BIC en temps réel, fluidifier le circuit de décision, aligner les incitations sur la qualité. La digitalisation et le scoring se complètent — l'une pose le véhicule, l'autre lui donne sa direction. Les compétences ensuite : un score n'a de valeur que si les équipes savent le lire, l'expliquer et repérer ses dérives. Process et humain ne sont pas le décor de la transformation, ils en sont les fondations.
Sources : BCEAO — Situation de la microfinance dans l'UMOA au 31 décembre 2024 (avril 2025). Commission Bancaire de l'UMOA — Rapport annuel 2024. Bureau d'Information sur le Crédit de l'UEMOA — Cotonou, octobre 2025. Accion — Credit Scoring, Risk Management Tool Guide n° 3 (janvier 2024). Wave : licence d'établissement de monnaie électronique, 14 avril 2022 (OSIRIS) ; Agence Ecofin, octobre 2025.