Calcul Du Ks Evolution

Analyse de performance

Calculez le KS d’une période précédente et d’une période actuelle, mesurez son évolution, comparez vos distributions cumulées bons et mauvais, puis visualisez immédiatement le résultat sur un graphique interactif.

Paramètres de la période précédente

Paramètres de la période actuelle

Guide expert du calcul du KS Evolution

Le calcul du KS Evolution sert à mesurer comment la capacité de séparation d’un modèle change entre deux périodes. Dans la pratique, on l’utilise surtout en scoring crédit, en détection de fraude, en assurance, en recouvrement et dans toutes les situations où un score doit distinguer deux populations, par exemple les bons et les mauvais comptes, les clients qui remboursent et ceux qui font défaut, ou encore les transactions légitimes et les transactions suspectes. Le terme KS renvoie à la statistique de Kolmogorov-Smirnov, généralement résumée comme l’écart maximal entre deux distributions cumulées. Quand on parle de KS Evolution, on ne se contente plus d’un niveau ponctuel. On observe la différence entre le KS d’une période de référence et celui d’une période récente afin de détecter une amélioration, une stabilité ou une dégradation de la performance.

Sur le terrain, cet indicateur est particulièrement utile pour la gouvernance des modèles. Un score performant au moment de sa mise en production peut perdre de son pouvoir discriminant lorsque les comportements clients changent, que la politique d’octroi évolue, que la fraude se déplace vers de nouveaux schémas, ou que la qualité des données se dégrade. Le KS Evolution offre alors un signal simple, robuste et lisible. S’il monte, le score sépare mieux les deux populations au seuil étudié ou sur sa zone optimale. S’il baisse, il faut investiguer. Une chute du KS ne veut pas toujours dire que le modèle est inutilisable, mais elle indique souvent qu’un recalibrage, une revue des variables ou une nouvelle segmentation devient nécessaire.

Définition simple du KS

Le KS se calcule à partir des distributions cumulées des deux groupes comparés. En scoring, on ordonne généralement les observations selon le score, puis on mesure la distance maximale entre la courbe cumulée des bons et la courbe cumulée des mauvais. Si, à un certain seuil, 76 % des bons et 34 % des mauvais sont cumulés, alors le KS au seuil vaut 42 points de pourcentage. Dans sa forme la plus utilisée pour le pilotage métier :

Formule pratique : KS = | cumul des bons (%) – cumul des mauvais (%) |

Le calcul du KS Evolution suit ensuite une logique directe :

1. Calculer le KS de la période précédente.
2. Calculer le KS de la période actuelle.
3. Soustraire l’ancien KS du nouveau KS.
4. Interpréter l’écart absolu et l’écart relatif.

Formule de l’évolution : KS Evolution = KS actuel – KS précédent

Un résultat positif traduit une amélioration de la séparation. Un résultat négatif indique une dégradation. L’évolution relative permet en plus de savoir si l’écart est petit ou important proportionnellement au niveau de départ. Par exemple, passer de 34 % à 42 % représente une hausse absolue de 8 points et une hausse relative d’environ 23,5 %.

Pourquoi le KS Evolution est si utile

• Il résume la qualité de séparation d’un modèle en un chiffre lisible.
• Il permet une comparaison facile entre périodes, portefeuilles ou segments.
• Il aide à détecter le drift de population et la dérive de performance.
• Il complète très bien l’AUC, le Gini, le PSI et les analyses de calibration.
• Il reste compréhensible pour les équipes risque, data, conformité et direction.

Dans beaucoup d’organisations, le KS est regardé chaque mois ou chaque trimestre en parallèle d’autres métriques. Un bon pilotage ne s’appuie pas sur le KS seul, mais cet indicateur demeure un excellent point d’entrée. Il répond rapidement à la question suivante : est-ce que le score continue à bien trier les cas favorables et défavorables ?

Comment interpréter le niveau du KS

Il n’existe pas un seuil universel valable pour tous les secteurs, car les portefeuilles, les définitions de défaut et les fenêtres d’observation diffèrent. En revanche, il existe des repères opérationnels. En scoring crédit de détail, un KS supérieur à 40 % est souvent considéré comme solide. Entre 30 % et 40 %, la performance est généralement correcte à bonne. Entre 20 % et 30 %, il faut examiner le contexte métier, les contraintes d’acceptation et la stabilité des données. En dessous de 20 %, la séparation peut être jugée faible, surtout si le modèle est récent ou s’il prétend supporter une décision automatisée importante.

Niveau de KS	Lecture opérationnelle	Décision fréquente
Moins de 20 %	Pouvoir discriminant faible ou segment difficile	Revoir le modèle, les variables, la segmentation ou le seuil
20 % à 30 %	Performance modeste à moyenne	Contrôler le drift et compléter avec AUC, Gini et stabilité
30 % à 40 %	Performance correcte à bonne	Maintien possible avec surveillance régulière
Plus de 40 %	Bonne à très bonne séparation	Confirmer la robustesse sur plusieurs périodes et segments

Ces repères ne remplacent pas une validation statistique. Un KS très élevé sur un échantillon trop petit peut être trompeur. Inversement, un KS plus modeste mais très stable dans le temps peut être plus utile qu’un score spectaculaire mais fragile. C’est la raison pour laquelle notre calculateur affiche aussi une valeur critique approximative basée sur l’approche à deux échantillons du test KS. Cette lecture vous aide à évaluer si l’écart observé entre les distributions est suffisamment marqué au regard des tailles d’échantillon.

Valeurs critiques statistiques utiles

Dans le test de Kolmogorov-Smirnov à deux échantillons, la valeur critique asymptotique repose sur une constante qui dépend du niveau de confiance. Ces constantes sont des statistiques classiques largement reprises dans les références académiques et institutionnelles. Elles sont particulièrement utiles pour comprendre pourquoi un KS identique n’a pas la même portée sur 100 observations ou sur 100 000.

Niveau de signification	Confiance	Constante critique	Usage courant
0,10	90 %	1,22	Contrôle exploratoire, alerte précoce
0,05	95 %	1,36	Référence standard en validation
0,01	99 %	1,63	Contexte exigeant ou revue renforcée

Concrètement, la valeur critique approximative d’une comparaison entre bons et mauvais peut être estimée par : 1,36 × racine carrée de ((n bons + n mauvais) / (n bons × n mauvais)). Lorsque le KS observé dépasse cette borne, la différence entre les distributions est considérée comme statistiquement notable au niveau de 5 %. Dans notre calculateur, cette borne est convertie en pourcentage pour rester cohérente avec l’usage métier du KS en points de pourcentage.

Étapes recommandées pour un calcul fiable du KS Evolution

1. Définir clairement les deux populations comparées, par exemple bons et mauvais.
2. Choisir le même principe de cumul et le même seuil sur les deux périodes.
3. Vérifier que les définitions métier n’ont pas changé entre les périodes.
4. Contrôler la qualité des données, surtout les scores manquants et les doublons.
5. Comparer les tailles d’échantillon pour éviter des conclusions hâtives.
6. Analyser le KS global mais aussi par segments : canal, produit, région, ancienneté.
7. Compléter l’analyse avec des indicateurs de stabilité comme le PSI.

Si vous travaillez en banque ou dans un environnement régulé, pensez également à documenter la logique de calcul, le périmètre analysé, la période d’observation et les raisons éventuelles d’une rupture de série. Une variation de KS peut provenir d’un changement de politique d’acceptation, d’une nouvelle source de données, d’une crise conjoncturelle ou d’une modification du ciblage commercial. Sans contexte, le chiffre seul peut être mal interprété.

Exemple concret de calcul du KS Evolution

Imaginons qu’au seuil optimal d’un score, vous observiez les résultats suivants :

• Période précédente : cumul bons = 72 %, cumul mauvais = 38 %
• Période actuelle : cumul bons = 76 %, cumul mauvais = 34 %

Le KS précédent vaut 34 points. Le KS actuel vaut 42 points. Le KS Evolution vaut donc +8 points. Si l’on raisonne en relatif, cela représente environ +23,5 %. L’interprétation est favorable : la séparation entre les deux populations s’améliore. Toutefois, avant de conclure que le modèle est meilleur, il faut vérifier si cette amélioration vient vraiment de la qualité prédictive et non d’un changement de composition du portefeuille. Par exemple, une politique d’octroi plus stricte peut mécaniquement déplacer les distributions et améliorer le KS observé sans que le modèle intrinsèque soit devenu plus puissant.

Erreurs fréquentes dans le calcul du KS Evolution

• Comparer deux périodes avec des définitions de défaut différentes.
• Utiliser des seuils différents sans le préciser.
• Confondre pourcentage cumulé et taux simple non cumulé.
• Oublier de segmenter et conclure trop vite à une dérive globale.
• Interpréter un gain de KS comme une amélioration business garantie.
• Négliger les tailles d’échantillon et la significativité statistique.

Une autre erreur courante consiste à ne regarder qu’un seul mois. Le KS est puissant, mais il peut fluctuer à court terme. Une bonne pratique consiste à tracer une série temporelle mensuelle ou trimestrielle du KS, puis à analyser la tendance et la dispersion. C’est précisément ce qui donne tout son sens au concept d’évolution : on ne veut pas seulement un niveau, on veut comprendre la dynamique.

KS Evolution, AUC, Gini et PSI : comment les combiner

Le KS mesure l’écart maximal entre deux distributions cumulées. L’AUC résume la capacité globale du modèle à classer correctement les observations. Le Gini dérive de l’AUC et reste très populaire dans l’industrie financière. Le PSI, lui, ne mesure pas la discrimination mais la stabilité de la population. Un pilotage premium combine ces outils :

• KS pour le pouvoir discriminant observable au point de séparation maximal.
• AUC ou Gini pour une vision globale de classement.
• PSI pour détecter le changement de structure de la population.
• Taux de défaut observé pour relier la métrique à la réalité business.

Si le KS baisse et que le PSI augmente, vous avez souvent un signal de drift de population. Si le KS reste stable mais que les taux de défaut montent, la discrimination peut être préservée alors que la calibration est devenue insuffisante. Si le KS augmente mais seulement sur un segment devenu plus petit, la lecture globale doit être nuancée. L’analyse experte ne se limite donc jamais à un seul nombre.

Sources académiques et institutionnelles pour approfondir

Pour une compréhension rigoureuse du test de Kolmogorov-Smirnov et de ses usages, vous pouvez consulter les références suivantes :

• NIST Engineering Statistics Handbook, section Kolmogorov-Smirnov Goodness-of-Fit Test
• Penn State University, cours de statistiques sur les tests non paramétriques
• University of California, Berkeley, ressource pédagogique sur le test de Kolmogorov-Smirnov

Quand agir après un calcul du KS Evolution

En gouvernance modèle, il est utile de définir des seuils d’action. À titre de pratique interne, certaines équipes déclenchent une revue légère si le KS recule de 3 à 5 points, une revue approfondie au-delà de 5 points, et une revalidation si la baisse persiste plusieurs périodes ou s’accompagne d’une dégradation de la stabilité. Ces seuils dépendent du portefeuille et du niveau de risque. L’important est d’établir à l’avance une grille claire, documentée et appliquée de manière cohérente.

Il faut aussi distinguer trois cas :

1. Hausse du KS : vérifier que le gain est réel, stable et non lié à un biais de sélection.
2. Stabilité du KS : bonne nouvelle, mais contrôler quand même la calibration et le drift.
3. Baisse du KS : analyser les segments, les politiques métier, les données et le besoin de recalibrage.

En résumé

Le calcul du KS Evolution est une méthode simple et puissante pour suivre la qualité de séparation d’un modèle entre deux périodes. Il part d’un principe clair, l’écart maximal entre deux distributions cumulées, puis le transpose à la gestion dynamique de la performance. Correctement utilisé, il devient un excellent indicateur d’alerte et un support de décision fiable. Pour qu’il soit vraiment utile, il faut toutefois le calculer sur un périmètre cohérent, le compléter avec des tests de significativité et l’interpréter à la lumière du contexte métier. Le calculateur ci-dessus vous permet justement d’obtenir cette première lecture de façon immédiate, chiffrée et visuelle.