Affirm élargit ses approbations grâce à un modèle transformer

Déploiement américain Affirm a déployé la semaine dernière un nouveau modèle de souscription fondé sur une architecture transformer sur l’ensemble de son parcours de paiement aux États-Unis. Le modèle cherche des motifs dans l’historique de crédit que les modèles classiques peuvent manquer. Il examine notamment le moment et l’ordre des événements de crédit. Cette analyse a déjà permis à Affirm d’approuver certains candidats que son système précédent aurait refusés. Selon l’entreprise, ces approbations supplémentaires ont produit 3,4 % d’achats finalisés en plus qu’un groupe témoin présentant des niveaux de risque comparables. Affirm indique aussi que cette expansion a mieux performé qu’une extension similaire menée avec ses précédents modèles d’apprentissage automatique. Lire l’article original

Le temps complète le score Un score de crédit résume une histoire financière complexe en un nombre unique. Cette compression peut toutefois masquer la trajectoire d’un emprunteur. Deux consommateurs peuvent présenter des historiques d’impayés similaires, tout en évoluant différemment. Le premier peut se remettre d’une mauvaise année, tandis que le second peut continuer à se dégrader. Affirm estime que les modèles traditionnels représentent imparfaitement ces différences. Son nouveau système cherche donc à mieux intégrer la dimension temporelle de plusieurs achats et de plusieurs événements de crédit dans la vie d’un client. Le président d’Affirm, Libor Michalek, a déclaré que cette dimension n’était pas représentée avec une fidélité particulièrement élevée auparavant. Cette approche place la séquence des événements au centre de l’évaluation.

Affirm élargit son activité

Une base client élargie Affirm ne limite plus son activité au prêt à tempérament au point de vente. L’entreprise a développé l’Affirm Card, son application, sa place de marché et le produit d’épargne Affirm Money Account. Ces produits donnent à Affirm plusieurs points de contact avec ses consommateurs. L’entreprise observe aussi une utilisation plus fréquente de ses services et des achats plus petits. Au cours de l’exercice 2026, son nombre de consommateurs actifs a atteint 27,8 millions, en hausse de 21 %. Le nombre de transactions par consommateur actif est passé de 5,8 à 7,0. Cette évolution rend la qualité du moteur de souscription plus importante pour les produits réunis autour de son activité historique. Voir l’analyse publiée par Tearsheets

Des signaux déjà exploités Le modèle d’Affirm extrait de nouveaux signaux à partir de données déjà détenues par l’entreprise. Il ne se limite donc pas à appliquer une lecture statique de l’historique de crédit. Son objectif opérationnel consiste à identifier des séquences que les systèmes précédents pouvaient moins bien distinguer. Les résultats communiqués portent sur les candidats supplémentaires approuvés et sur leurs achats finalisés. Affirm compare ces résultats à un groupe témoin présentant un risque comparable. L’entreprise compare également cette expansion à celle obtenue avec ses anciens modèles d’apprentissage automatique. Les données publiées indiquent un gain de 3,4 % d’achats finalisés face au groupe témoin. Elles indiquent aussi une meilleure performance que l’expansion précédente. Ces mesures relient directement le modèle aux décisions d’approbation et à l’activité de paiement.

Affirm relie données et paiements

Un avantage fondé sur l’usage Affirm mise sur la vue transactionnelle construite autour de ses consommateurs. Cette vue s’appuie sur plusieurs produits et sur une fréquence d’utilisation en hausse. Les 27,8 millions de consommateurs actifs recensés durant l’exercice 2026 ont effectué en moyenne 7,0 transactions, contre 5,8 auparavant. Le modèle de souscription peut ainsi examiner les événements de crédit dans leur ordre et leur temporalité. Affirm présente cette capacité comme un possible avantage concurrentiel propre à ses données. Les résultats annoncés restent centrés sur les approbations supplémentaires, les achats finalisés et la comparaison des niveaux de risque. Le déploiement américain constitue déjà une étape opérationnelle. La poursuite de cette approche dépendra de son utilisation sur les autres produits de l’entreprise.