WeBank, première banque 100 % numérique de Chine, créée en 2014 avec Tencent comme actionnaire principal, est devenue une référence mondiale du crédit PME sans garantie. Son prêt de trésorerie en ligne Weiyedai, lancé en 2017, a reçu les demandes de plus de 5 millions de micro, petites et moyennes entreprises (PR Newswire). Son secret n’est pas une meilleure intuition du risque : c’est une meilleure façon d’utiliser les données des autres, sans jamais les récupérer.
Prêter sur des données, pas sur des garanties
WeBank n’a pas d’agence et ne demande pas de garantie immobilière. Elle évalue les entreprises à partir de données tierces authentifiées et autorisées par le client : administration fiscale, registre du commerce, crédit, justice, électricité, sécurité sociale (WeBank). Autant de signaux qui décrivent l’activité réelle d’une PME, bien mieux qu’un bilan qu’elle n’a souvent pas.
Le Federated Learning vertical, cœur du modèle
La plupart des présentations du Federated Learning décrivent des institutions semblables qui entraînent un même modèle sur des clients différents : c’est le Federated Learning horizontal. WeBank a surtout développé l’autre forme, le Federated Learning vertical : des acteurs qui ont des informations différentes sur les mêmes entreprises construisent ensemble un modèle de risque.
Son cas fondateur, en 2019, associe WeBank, qui connaît les remboursements de prêts, et le centre national des factures électroniques, qui connaît les factures des mêmes entreprises (Intel et WeBank). Le procédé tient en trois étapes :
- Repérage des entreprises communes, sans que personne ne révèle sa liste de clients.
- Entraînement sur des calculs chiffrés : chaque partie calcule chez elle, et seuls des résultats chiffrés circulent, illisibles même pour celui qui les combine.
- Un modèle commun plus précis que celui de la banque seule, sans qu’aucune donnée brute n’ait été échangée (revue scientifique).
Une technologie ouverte et normalisée
WeBank a rendu sa plateforme de Federated Learning open source et l’a confiée à la Linux Foundation. Elle a aussi porté la norme IEEE 3652.1, le guide international d’architecture du Federated Learning (IEEE). Une stratégie de confiance : les banques et les régulateurs adoptent plus facilement une technologie qu’ils peuvent auditer.
Ce que cela change pour l’UEMOA
Les équivalents des données de WeBank existent dans notre région, et certains deviennent enfin exploitables :
- Paiements : les flux de la PI-SPI de la BCEAO, reçus via des fintechs et agrégateurs de paiement partenaires, avec l’accord de la PME.
- Fiscalité : l’administration fiscale (DGI) et ses factures.
- Énergie et sécurité sociale : sociétés d’électricité, CNPS et caisses équivalentes.
- Crédit : les bureaux d’information sur le crédit, comme Creditinfo West Africa.
Pour une banque ou une IMF, l’intérêt est direct : évaluer une PME sans historique de crédit à partir de son activité réelle, sans que ces données ne quittent jamais leurs détenteurs. C’est la même logique que celle décrite dans notre article sur le financement des PME africaines.
Adapter, pas copier
WeBank s’appuie sur l’écosystème de Tencent, que personne n’a dans l’UEMOA. La force d’un modèle africain viendra donc des partenariats de données, construits dans le respect du cadre des bureaux d’information sur le crédit de l’UMOA et de la protection des données personnelles. Et là où WeBank prête elle-même, SCORE360 reste un Tech-Enabler : la décision de crédit appartient toujours à l’institution.
Notre approche pour le pilote
SCORE360 combine les deux formes de Federated Learning. Pour la phase pilote, prévue en novembre 2026 avec une banque et deux institutions de microfinance :
- Horizontal : la banque et les deux IMF entraînent le même modèle, chacune sur ses propres dossiers.
- Vertical : chaque institution est associée à e-SIGNAL, notre premier partenaire de données, qui apporte les signaux digitaux des PME : commandes et messages, interactions clients, réputation en ligne.
D’autres sources, comme la fiscalité, l’énergie ou la sécurité sociale, viendront ensuite. Découvrez l’architecture sur la page Technologie, ou demandez une démonstration pour voir ce que cette approche peut apporter à votre institution.
Questions fréquentes
Qu’est-ce que le Federated Learning vertical ?
C’est une forme d’apprentissage fédéré où des acteurs qui détiennent des informations différentes sur les mêmes clients construisent ensemble un modèle. Par exemple, une banque qui connaît les remboursements et un acteur qui connaît les paiements ou les factures, sans jamais s’échanger leurs données brutes.
Comment WeBank prête-t-elle aux PME sans garantie ?
WeBank évalue les entreprises à partir de données authentifiées et autorisées par le client : fiscalité, registre du commerce, crédit, justice, électricité, sécurité sociale. Le Federated Learning lui permet d’exploiter certaines de ces sources sans les centraliser.
Comment SCORE360 applique-t-il le Federated Learning vertical ?
Pour la phase pilote, chaque institution partenaire est associée à e-SIGNAL, premier partenaire de données de SCORE360, qui apporte les signaux digitaux des PME. Les entreprises communes sont repérées sans révéler les listes, et seuls des calculs chiffrés circulent, avec le consentement de la PME.
Le modèle WeBank est-il applicable dans l’UEMOA ?
Oui, à condition de l’adapter. Les flux PI-SPI, la fiscalité, l’énergie et la sécurité sociale offrent des équivalents aux données de WeBank. La différence tient aux partenariats de données à construire et au cadre réglementaire de la BCEAO et de l’ARTCI.