Nubank
foundation model transactionnel pour le scoring de credit
En 2025, Nubank met en production nuFormer, un foundation model transactionnel qui ameliore l'AuC du scoring de credit de +1,25% relatif face a LightGBM, reduit le churn de 4,4% et lui vaut son plus fort gain trimestriel de part de marche carte de credit au Bresil en dix trimestres.
L'essentiel
- Foundation model transactionnel nuFormer pour le scoring de credit.
- Transformer self-supervise custom, embeddings fusionnes avec des variables tabulaires (PyTorch, Databricks).
- +1,25% d'AuC relatif vs LightGBM, -4,4% de churn, plus fort gain de part de marche en 10 trimestres.
- Preuve B, statut confirme.
Objectif
Approuver du credit pour des profils que le scoring classique ecarte, sans degrader la qualite du portefeuille, et gagner de la part de marche carte de credit en prenant de meilleures decisions de risque a grande echelle.
Le déploiement
Nubank a construit nuFormer, un foundation model self-supervise entraine sur ses donnees de transaction. Le modele produit des embeddings du comportement transactionnel du client, qu'il fusionne avec des variables tabulaires classiques pour scorer le risque de credit et alimenter les decisions d'octroi et d'augmentation de limite. Sur les segments comparables, la version fusionnee a apporte une amelioration relative de l'AuC de +1,25% par rapport a la reference du secteur (LightGBM), et le modele en production a reduit le churn client de 4,4% en relatif face au modele de reference. Nubank attribue a nuFormer son plus fort gain trimestriel de part de marche carte de credit au Bresil en dix trimestres, au quatrieme trimestre 2025. Le modele est operationnel au Bresil et se deploie vers les prets personnels et les marches du Mexique et de la Colombie.
Résultats Preuve B
Les gains de modele (AuC, churn) proviennent de la recherche publiee par Nubank et de son deploiement en production ; le gain de part de marche figure dans les resultats du quatrieme trimestre 2025. Sources concordantes (page officielle Nubank, analyse tierce reprenant les memes chiffres). Attribution du gain de part de marche a nuFormer portee par Nubank, donc conservee comme telle.
Comment ça fonctionne
Architecture documentéeLa stack en détail
- llm nuFormer Foundation model transformer self-supervise entraine en interne sur les sequences de transactions, produisant des embeddings de comportement client fusionnes avec les variables tabulaires.
- llm LightGBM Gradient boosting servant de baseline sectorielle de scoring, battue de +1,25% d'AuC relatif par le modele fusionne.
- outil PyTorch Framework d'entrainement du foundation model.
- plateforme Databricks Plateforme de traitement de donnees a grande echelle pour l'entrainement et le scoring.
- infra PySpark (Apache Spark) Pipelines de preparation des donnees transactionnelles.
Comment ça tourne, concrètement
Pour les équipes ops-
1Pre-entrainement equipe data
nuFormer apprend en self-supervise sur les sequences de transactions pour produire des embeddings du comportement client.
-
2Fusion et scoring IA
Les embeddings sont combines a des variables tabulaires classiques pour scorer le risque de credit.
-
3Decision de credit equipe risque
Le score alimente l'octroi, la limite et son augmentation, sous garde-fous de politique de risque.
-
4Suivi en production equipe data
Plus d'un millier d'indicateurs de suivi sont surveilles pour detecter la derive et declencher un reentrainement.
Le comportement de transaction et le remboursement observe. Si la donnee transactionnelle se degrade ou si les labels de defaut arrivent en retard, la calibration du risque devient moins fiable.
Comment vos clients perçoivent ce type d'usage
Études sourcéesC'est la famille la moins acceptee : 68% des Americains jugent inacceptable un score financier personnel calcule par algorithme et 67% l'analyse video automatisee d'entretiens d'embauche (Pew Research, 2018). La demande d'explication et de recours est massive : 83% veulent savoir quelles donnees l'IA utilise et 91% veulent pouvoir corriger des donnees erronees (Consumer Reports, 2024). A l'echelle mondiale, seuls 46% se disent prets a faire confiance aux systemes d'IA et 70% jugent une regulation necessaire (KPMG / Universite de Melbourne, 2025).
Conditions d'acceptation
- Transparence sur les donnees utilisees : 83% des Americains la reclament (Consumer Reports 2024)
- Droit de correction des donnees erronees : 91% le demandent (Consumer Reports 2024)
- Explication de la logique de decision : 44% des consommateurs sont plus enclins a utiliser un agent IA si sa logique est clairement expliquee (Salesforce 2024)
- L'acceptabilite depend du contexte de la decision : 50% des Americains jugent equitable un score de risque criminel pour la liberation conditionnelle, contre 32% pour un score financier applique aux consommateurs (Pew Research 2018)
Lignes rouges
- La decision opaque et sans recours sur l'emploi, le credit ou le logement : 45% tres mal a l'aise pour l'embauche, 39% pour le pret, 39% pour le logement (Consumer Reports 2024)
- Le scoring des personnes a partir de donnees comportementales : 68% le jugent inacceptable pour les offres financieres (Pew Research 2018)
Sources : Pew Research Center 2018 · Consumer Reports 2024 · KPMG / Universite de Melbourne 2025 · Salesforce 2024
Voir l'acceptation complète : par pays, par usage, par génération
Comment répliquer
Inférence - non sourcéPrérequis data
- Volume important de sequences de transactions first-party
- Historique de defaut et de remboursement labellise
- Infrastructure de traitement a grande echelle
Prérequis orga
- Equipe data science capable d'entrainer un foundation model
- Fonction risque credit et conformite
- Gouvernance modele (AI Act haut risque)
Stack possible
- Foundation model custom (voie Nubank)
- gradient boosting type LightGBM comme baseline
- PyTorch, Databricks, Spark
Le plan, étape par étape
- Étape 1Etablir une baseline de scoring robuste (gradient boosting sur variables tabulaires) et documenter son AuC par segment.Livrable : Baseline documentee avec metriques de reference.
- Étape 2Pre-entrainer un modele self-supervise sur les sequences de transactions first-party.Livrable : Embeddings transactionnels evalues hors ligne.
- Étape 3Fusionner embeddings et variables tabulaires, puis mesurer le gain marginal d'AuC contre la baseline sur les segments comparables.Livrable : Modele fusionne battant la baseline, avec gain chiffre.
- Étape 4Passer la validation risque et conformite : explicabilite, supervision humaine, gouvernance de systeme a haut risque (AI Act, art. 22 RGPD).Livrable : Dossier de gouvernance modele approuve.
- Étape 5Deployer progressivement sur les decisions d'octroi et de limite, avec monitoring de derive et reentrainement declenchable.Livrable : Modele en production avec indicateurs de suivi et plan de repli.
Première étape : Etablir un baseline de scoring robuste (gradient boosting) et mesurer le gain marginal d'embeddings transactionnels avant d'industrialiser.
Le même pattern, prouvé dans d'autres industries
Sources
- S1 Nu's AI-powered credit model extends access while maintaining portfolio quality Officiel intéressé archive à générer
- S2 Nubank's AI Model Rewrites Credit Underwriting (WhiteSight) Secondaire archive à générer
- S3 How Nubank uses causality, machine learning and Python to support credit limit increase decisions Officiel intéressé archive à générer
Une erreur, une info plus récente, une source ?
Cette fiche vit de sa justesse. Si un chiffre a bougé, si le déploiement a changé, ou si vous avez une source de meilleure qualité, dites-le nous. Toute correction sourcée est vérifiée avant publication.