De la data à la fraude fintech

La chaîne des jalons

Chaque jalon renvoie à sa fiche de parcours : problème traité, promesse, prérequis, jalons mensuels et pile technique.

Aboutissement : Product Manager FinTech

Sommaire de la monographie

• —Résumé exécutif
• 01Le cursus en un coup d'œil
• 02Pourquoi cette voie — le contexte UEMOA
• 03Jalon 1 · Data Scientist (44)
• 04Jalon 2 · Ingénieur Fraude (48)
• 05La passerelle F3 → F5 — de la fraude au crédit fintech
• 06Jalon 3 · Spécialiste Crédit (87)
• 07Jalon 4 · Product Manager FinTech (86)
• 08Plan de mise en œuvre sur 30 mois
• 09Étude de cas — la trajectoire d'Ousmane
• 10Activer ce cursus — lecture RH & DSI
• 11Conclusion
• AAnnexe A — récapitulatif des quatre jalons
• BAnnexe B — compétences & certifications par jalon
• CAnnexe C — glossaire & repères
• DAnnexe D — variantes, bifurcations & cursus voisins
• EAnnexe E — indicateurs de progression par jalon
• FAnnexe F — ressources de montée en compétences

Résumé exécutif

Quatre jalons prouvés, une passerelle médiane : comment un data scientist se reconvertit dans la fintech par le risque financier, jusqu'à la responsabilité produit.

Le cursus « De la data à la fraude fintech » conduit un data scientist jusqu'au poste de Product Manager FinTech. Sa logique : deux jalons dans la Famille 3 (Data & IA) — Data Scientist, puis Ingénieur Fraude — qui ancrent la science des données dans le risque financier, puis une passerelle vers la Famille 5 (FinTech) — Spécialiste Crédit, puis Product Manager. Comme le cursus « Du développeur au paiement », c'est une reconversion latérale entre deux familles techniques, et non une promotion vers le management.

Son enjeu se concentre sur la passerelle, placée au milieu du parcours : le passage de la fraude (un métier de data science) au crédit (un métier de fintech). La compétence-pont est précise : la science des données appliquée au risque financier. Détecter une fraude et évaluer un crédit relèvent du même craft statistique — un scoring de risque — appliqué à deux décisions différentes. C'est sur cette continuité que cette monographie insiste le plus.

Pour les organisations de la zone UEMOA, où le scoring par données alternatives ouvre le crédit aux non-bancarisés et où la fraude sur mobile money est un enjeu majeur, ce cursus est un instrument d'inclusion et de maîtrise du risque : former en interne, à partir de profils data, les spécialistes et product managers du risque financier. Ce document en détaille chaque jalon, le plan de mise en œuvre sur trente mois, une étude de cas et la lecture RH & DSI pour l'activer.

01

Le cursus en un coup d'œil

De la science des données au pilotage d'un produit de risque : quatre jalons, une passerelle médiane, la voie qui reconvertit un data scientist vers la fintech par le risque financier.

Le cursus « De la data à la fraude fintech » part d'un poste de Data Scientist et conduit jusqu'au poste de Product Manager FinTech. Sa logique : deux jalons dans la Famille 3 (Data & IA) — Data Scientist, puis Ingénieur Fraude — qui ancrent la science des données dans le risque financier, puis une passerelle vers la Famille 5 (FinTech & Paiement) — Spécialiste Crédit, puis Product Manager. Comme le cursus « Du développeur au paiement », c'est une reconversion latérale entre deux familles techniques — un changement de domaine, pas une promotion vers le management.

La passerelle survient au milieu du parcours, et non au début ni à la fin. Le professionnel construit d'abord une solide assise de data scientist, se spécialise dans la fraude — un métier de data science déjà profondément financier —, puis bascule vers la fintech comme spécialiste crédit, avant d'atteindre la responsabilité produit. L'aboutissement n'est pas un poste de direction, mais un rôle produit qui valorise toute la profondeur analytique acquise.

Les quatre jalons

Jalon	Rôle (n°)	Famille	Niveau	Durée
1	Data Scientist (44)	F3 · Data & IA	Modéliser	0 – 8 mois
2	Ingénieur Fraude (48)	F3 · Data & IA	Détecter	8 – 16 mois
3	Spécialiste Crédit (87)	F5 · FinTech	Évaluer	16 – 24 mois
4	Product Manager FinTech (86)	F5 · FinTech	Produire	24 mois +

Profil d'entrée, profil de sortie

À l'entrée, un data scientist qui construit des modèles. À la sortie, un Product Manager FinTech qui porte un produit de risque — fraude, scoring, crédit — sa valeur, son adoption, sa trajectoire. Entre les deux, une spécialisation dans le risque, un changement de famille médian puis une montée vers le produit — du modéliser au détecter, puis à l'évaluer, puis au produire.

02

Pourquoi cette voie — le contexte UEMOA

Scoring par données alternatives pour les non-bancarisés, lutte contre la fraude sur mobile money : la data est au cœur de l'inclusion financière de la zone — et les profils qui la maîtrisent y sont rares.

Dans la zone UEMOA, la donnée porte deux promesses majeures pour la finance. D'abord l'inclusion : des millions de personnes n'ont pas d'historique bancaire, mais laissent une empreinte de données — transactions mobile money, recharges, comportements — qui permet, par le scoring, de leur ouvrir l'accès au crédit. Ensuite la sécurité : le mobile money, devenu l'infrastructure financière dominante, est une cible de fraude que seule la science des données permet de contenir à grande échelle. Or les profils capables de relier la data au risque financier — fraude, scoring, crédit — sont rares.

Ce cursus répond à trois besoins structurels du marché régional. D'abord la lutte contre la fraude : détecter en temps réel les transactions frauduleuses sur des volumes massifs. Ensuite le scoring pour l'inclusion : évaluer le risque de crédit de populations sans historique bancaire, par des données alternatives. Enfin la montée en valeur produit : faire passer un profil data du modèle au produit de risque qu'il sert.

Trois moteurs de la demande

Moteur	Ce qu'il impose	Rôle du cursus
Fraude sur mobile money	Détecter en temps réel, à très grand volume.	Forme le data scientist, puis l'ingénieur fraude.
Inclusion par le scoring	Évaluer le crédit sans historique bancaire classique.	Mène à la spécialité crédit, par données alternatives.
Produits de risque	Des produits fintech pilotés par la donnée.	Conduit jusqu'à la responsabilité produit (PM).

Pour une fintech ou une banque de la zone, ce cursus est un instrument d'inclusion et de maîtrise du risque. Le profil qui en résulte est rare : un Product Manager qui comprend les modèles parce qu'il les a construits, la fraude parce qu'il l'a combattue, et le crédit parce qu'il l'a scoré. Cette profondeur analytique au service du produit est un avantage décisif sur des produits où le risque est le cœur du métier.

À qui ce cursus profite dans la zone

Employeur	Poste-cible	Pourquoi ce cursus
FinTech de crédit / scoring	Spécialiste crédit, PM produits de risque	Scoring par données alternatives, inclusion.
Opérateur mobile money	Ingénieur fraude, data scientist	Lutte anti-fraude en temps réel, à l'échelle.
Banque / établissement financier	Spécialiste crédit, PM, data scientist	Modèles de risque, scoring, conformité.
Assurance / institution de microfinance	Data scientist, spécialiste risque	Évaluation du risque, inclusion par la donnée.

03

Jalon 1 · Data Scientist (44)

• FamilleF3 · Data & IA
• MouvementDépart
• NiveauModéliser
• Durée0 – 8 mois

Le point d'entrée du cursus : maîtriser la science des données — des données aux modèles utiles — le socle transférable sur lequel toute la reconversion s'appuiera.

Le rôle

Le Data Scientist transforme la donnée en modèles utiles : exploration et préparation des données, ingénierie des variables (features), entraînement et évaluation de modèles, validation, mesure de la performance réelle. Il est le bâtisseur des modèles qui prédisent, classent, détectent. C'est un rôle de « modéliser » : il produit de la connaissance actionnable à partir de données brutes. Dans ce cursus, il représente le point de départ — le métier d'origine, avant la reconversion vers la fintech.

Ce jalon n'est pas propre à la fintech : c'est un poste de data science classique. Mais c'est précisément ce qui en fait la force pour ce cursus. Les compétences qui s'y acquièrent — ingénierie des variables, évaluation rigoureuse, lutte contre le sur-apprentissage, mesure de la performance réelle — sont exactement celles qui feront un bon ingénieur fraude, puis un bon spécialiste crédit. Un data scientist qui évalue honnêtement ses modèles possède déjà l'essentiel de ce qu'exige le scoring de risque.

Missions principales

Mission	En quoi elle consiste
Explorer & préparer	Comprendre, nettoyer et préparer les données.
Ingénierie des variables	Construire les variables qui portent le signal utile.
Entraîner des modèles	Choisir, entraîner et régler des modèles adaptés.
Évaluer honnêtement	Mesurer la performance réelle, éviter le sur-apprentissage.
Communiquer	Rendre les résultats compréhensibles et actionnables.

Compétences à acquérir

• Préparation des données et ingénierie des variables.
• Modélisation : classification, régression, choix de modèle.
• Évaluation rigoureuse : métriques, validation, sur-apprentissage.
• Statistiques et raisonnement sur l'incertitude.
• Programmation orientée données et reproductibilité.
• Communication des résultats à des non-spécialistes.

Une semaine-type

Activité	Part du temps
Exploration, préparation, ingénierie des variables	≈ 35 %
Entraînement et réglage des modèles	≈ 25 %
Évaluation, validation, lutte contre le sur-apprentissage	≈ 25 %
Communication et restitution des résultats	≈ 15 %

Le mouvement

C'est le départ du cursus — et le métier que le professionnel va spécialiser, puis transposer. Le socle qu'il capitalise ici — modélisation, évaluation rigoureuse, raisonnement sur le risque — est précisément la compétence-pont qui rendra possible la reconversion vers la fintech. La qualité de ce socle conditionne la suite : un data scientist honnête dans son évaluation deviendra un excellent ingénieur fraude ; un data scientist qui se berce d'illusions de performance échouera face à la fraude réelle.

Pièges à éviter

• Se bercer d'illusions de performance : confondre score d'entraînement et réalité.
• Négliger les variables : croire au modèle magique plutôt qu'au signal des données.
• Rester loin du métier : modéliser sans comprendre la décision que le modèle sert.

04

Jalon 2 · Ingénieur Fraude (48)

• FamilleF3 · Data & IA
• MouvementTrajectoire interne (F3 → F3)
• NiveauDétecter
• Durée8 – 16 mois

De la modélisation générale à la détection de fraude : appliquer la science des données au risque financier en temps réel — le métier data le plus proche de la fintech.

Le rôle

L'Ingénieur Fraude applique la science des données à la détection de la fraude : modèles de détection sur les transactions, scoring de risque en temps réel, gestion du compromis entre détection et faux positifs, adaptation à des fraudeurs qui changent de tactique, supervision et dérive des modèles. Là où le data scientist modélise en général, lui modélise un risque financier concret et adverse. C'est un rôle de « détecter » : il transforme la science des données en bouclier contre la fraude.

Ce jalon est le pivot du cursus : il reste dans la data (Famille 3), mais il est déjà profondément financier. La détection de fraude est un scoring de risque — exactement la compétence qui, transposée, fera le spécialiste crédit. L'ingénieur fraude apprend ici des réalités propres au risque financier : l'adversité (les fraudeurs s'adaptent), le compromis détection / faux positifs (bloquer un fraudeur sans bloquer un client honnête), la dérive (un modèle vieillit). C'est le tremplin naturel vers la fintech.

Missions principales

Mission	En quoi elle consiste
Modéliser la fraude	Construire des modèles de détection sur les transactions.
Scorer en temps réel	Évaluer le risque d'une transaction à la volée.
Arbitrer détection / friction	Limiter la fraude sans bloquer les clients honnêtes.
Suivre la dérive	Surveiller et réentraîner face à des fraudeurs qui s'adaptent.
Collaborer avec le métier	Aligner les modèles sur les règles et la conformité.

Compétences à acquérir

• Détection d'anomalies et modèles de fraude.
• Scoring de risque en temps réel, sous contrainte de latence.
• Compromis détection / faux positifs : la friction client.
• Supervision des modèles : dérive, réentraînement, adversité.
• Compréhension du risque financier et de la conformité.
• Le scoring de risque comme craft — transférable au crédit.

Une semaine-type

Activité	Part du temps
Modélisation et amélioration de la détection de fraude	≈ 35 %
Scoring temps réel, compromis détection / friction	≈ 25 %
Supervision des modèles, dérive, réentraînement	≈ 20 %
Collaboration métier, conformité, restitution	≈ 20 %

Le mouvement

Trajectoire interne F3 → F3 (44 → 48). De la modélisation générale au scoring de risque financier. Le data scientist se spécialise dans un domaine déjà fintech par nature. Ce jalon est décisif : c'est ici qu'il acquiert le craft du scoring de risque — détecter, arbitrer, surveiller — qui, transposé au crédit, fondera la passerelle vers la fintech. On ne franchit bien vers le crédit que si l'on a d'abord maîtrisé le risque par la fraude.

Pièges à éviter

• Optimiser la détection en ignorant les faux positifs : bloquer les clients honnêtes.
• Oublier l'adversité : un modèle figé que les fraudeurs finissent par contourner.
• Négliger la dérive : laisser un modèle vieillir sans le réentraîner.

05

La passerelle F3 → F5 — de la fraude au crédit fintech

Le moment où le data scientist devient un professionnel de la fintech. Une reconversion latérale, placée au milieu, portée par un même craft : le scoring de risque.

Dans la plupart des cursus de la collection, la passerelle est un franchissement vers le management (la Famille 6). Celle-ci est différente, comme dans le cursus « Du développeur au paiement » : elle est latérale — elle relie deux familles techniques (Data & IA et FinTech), sans changer de posture. Mais elle se distingue par sa position médiane : elle survient au cœur du parcours, après que le profil a maîtrisé le risque par la fraude, et avant qu'il ne le porte comme produit. C'est le pivot du cursus.

La compétence-pont

Une passerelle ne se franchit jamais à vide : elle s'appuie sur une compétence commune aux deux familles. Ici, cette compétence-pont est la science des données appliquée au risque financier. Détecter une fraude et évaluer un crédit sont, statistiquement, le même geste : un scoring de risque. Dans les deux cas, on estime, à partir de données, la probabilité d'un événement coûteux — une transaction frauduleuse, un défaut de remboursement. L'ingénieur fraude qui sait construire, arbitrer et surveiller un score de risque possède déjà l'essentiel de ce qu'exige le scoring de crédit. Il ne repart pas de zéro : il transpose un craft.

Fraude et crédit : un même craft, deux décisions

Dimension	Détection de fraude (F3)	Scoring de crédit (F5)
La question	Cette transaction est-elle frauduleuse ?	Cet emprunteur va-t-il rembourser ?
Le geste	Un scoring de risque	Un scoring de risque
Le compromis	Détection vs faux positifs	Inclusion vs défaut
La décision	Bloquer ou laisser passer	Accorder ou refuser le crédit

Ce qui se transfère est l'essentiel du métier analytique ; ce qui s'apprend est le domaine : le crédit, ses produits, sa réglementation, son économie, et surtout sa finalité régionale — l'inclusion financière. Le professionnel ne change pas de nature — il reste un expert du risque par la donnée — mais il découvre un univers où le score sert une décision de crédit, avec ses enjeux humains et réglementaires propres.

Conditions de réussite

• Avoir réellement maîtrisé le scoring de risque par la fraude : la passerelle s'appuie dessus.
• Apprendre le domaine du crédit : produits, réglementation, économie du risque.
• Intégrer la finalité d'inclusion : le scoring ouvre l'accès, il ne doit pas exclure injustement.
• Garder l'humilité du débutant dans un nouveau domaine, tout en valorisant son craft.

Pourquoi une passerelle médiane ?

Contrairement au cursus « Du développeur au paiement », où la reconversion est précoce, celle-ci survient au milieu. La raison : le métier de fraude (jalon 2) est le sas naturel entre la data et la fintech. Il faut d'abord avoir maîtrisé le scoring de risque dans un cadre data, sur la fraude, avant de le porter dans un cadre fintech, sur le crédit. La passerelle se place donc après ce sas, au cœur du parcours.

06

Jalon 3 · Spécialiste Crédit (87)

• FamilleF5 · FinTech & Paiement
• MouvementPasserelle franchie (F3 → F5)
• NiveauÉvaluer
• Durée16 – 24 mois

Le premier jalon dans la fintech : transposer son craft du risque au scoring de crédit — où le score ouvre, ou ferme, l'accès au financement.

Le rôle

Le Spécialiste Crédit conçoit et opère le scoring de crédit en fintech : modèles de scoring (y compris par données alternatives), politique de risque, arbitrage entre inclusion et défaut, explicabilité et conformité, suivi de la performance du portefeuille. C'est le premier poste du profil dans la fintech — et celui où sa compétence-pont s'exprime pleinement : scorer un crédit, c'est un scoring de risque, exactement comme la fraude. C'est un rôle d'« évaluer », désormais au service d'une décision de financement.

Ce jalon ancre la reconversion dans un enjeu majeur de la zone : l'inclusion financière par les données alternatives. Beaucoup de clients n'ont pas d'historique bancaire, mais une empreinte de données — mobile money, recharges, comportements — qui permet d'évaluer leur risque. Le spécialiste crédit transforme cette donnée en accès au financement. Il découvre aussi des exigences nouvelles : l'explicabilité (justifier un refus), la conformité, l'équité (ne pas exclure injustement).

Missions principales

Mission	En quoi elle consiste
Concevoir le scoring	Modèles de crédit, y compris par données alternatives.
Définir la politique de risque	Seuils, arbitrage inclusion / défaut, segments.
Garantir l'explicabilité	Justifier les décisions, répondre au régulateur.
Suivre le portefeuille	Performance, défaut, recouvrement, ajustement.
Assurer l'équité & la conformité	Éviter les biais, respecter la réglementation.

Compétences à acquérir

• Scoring de crédit : modèles, y compris par données alternatives.
• Politique de risque : seuils, segments, arbitrage inclusion / défaut.
• Explicabilité : justifier une décision de crédit, conformité.
• Suivi de portefeuille : défaut, performance, ajustement.
• Équité et lutte contre les biais des modèles.
• Connaissance du domaine du crédit et de l'inclusion.

Une semaine-type

Activité	Part du temps
Conception et amélioration du scoring de crédit	≈ 35 %
Politique de risque, seuils, arbitrages	≈ 25 %
Explicabilité, conformité, équité	≈ 20 %
Suivi du portefeuille et ajustements	≈ 20 %

Le mouvement

Premier jalon après la passerelle F3 → F5 (87, dans la nouvelle famille). Le spécialiste de la fraude confirme sa reconversion en transposant son craft au crédit. Ce jalon est décisif : c'est ici qu'il valide que le scoring de risque, maîtrisé sur la fraude, tient dans un cadre fintech, sur le crédit — avec ses exigences propres d'explicabilité et d'équité. La maîtrise acquise prépare le jalon final, où il portera le crédit comme produit.

Pièges à éviter

• Traiter le crédit comme un pur problème de modèle : oublier l'humain et le régulateur.
• Négliger l'explicabilité : un score opaque est inexploitable et non conforme.
• Ignorer les biais : un modèle qui exclut injustement trahit la finalité d'inclusion.

07

Jalon 4 · Product Manager FinTech (86)

• FamilleF5 · FinTech & Paiement
• MouvementTrajectoire interne (F5 → F5) · Aboutissement
• NiveauProduire
• Durée24 mois +

L'aboutissement du cursus : porter un produit de risque de bout en bout — fraude, scoring, crédit — avec la profondeur analytique d'un ancien data scientist.

Le rôle

Le Product Manager FinTech porte un produit de bout en bout : compréhension des besoins (discovery), feuille de route, priorisation, métriques d'adoption et de valeur, mise sur le marché, dialogue avec la technique, la data, le risque et la conformité. Sur les produits de risque — scoring, crédit, anti-fraude —, le profil issu de ce cursus est particulièrement pertinent : il décide quoi construire et pourquoi, en comprenant intimement le modèle qui est au cœur du produit. C'est un rôle de « produire » — l'aboutissement de la reconversion.

Ce jalon couronne le cursus en faisant la synthèse de tout le parcours. Le Product Manager issu de cette voie est rare : il possède la profondeur analytique d'un ancien data scientist, la maîtrise du risque d'un ingénieur fraude, et la connaissance du crédit d'un spécialiste fintech. Quand il arbitre sur un produit de scoring, il sait ce qu'un modèle peut et ne peut pas faire. Cette crédibilité fait de lui un PM redoutablement efficace sur les produits où le risque et la donnée sont le cœur du métier.

Notons-le : l'aboutissement de ce cursus n'est pas un poste de management. Le Product Manager influence, aligne et décide de la valeur — mais ne dirige pas une équipe au sens hiérarchique. C'est un rôle de leadership produit, distinct du management. Pour qui souhaite ensuite diriger ou s'orienter vers l'écosystème, la voie reste ouverte (voir la conclusion) ; mais le cursus, lui, s'accomplit dans le produit.

Missions principales

Mission	En quoi elle consiste
Comprendre les besoins	Discovery : usages, frictions, opportunités du marché.
Prioriser la feuille de route	Arbitrer entre demandes, dire non, séquencer la valeur.
Piloter les produits de risque	Scoring, crédit, anti-fraude : valeur et performance.
Juger les modèles avec crédibilité	Évaluer ce qu'un modèle apporte et risque.
Coordonner sans autorité	Aligner data, risque, conformité et métier.

Compétences à acquérir

• Product discovery : comprendre les usages et les frictions réelles.
• Priorisation : arbitrer, séquencer, savoir dire non.
• Métriques produit : adoption, valeur, performance du risque.
• Go-to-market et coordination transverse sans lien hiérarchique.
• Jugement éclairé sur les modèles et les produits de risque.
• Mise au service du produit de tout le socle analytique acquis.

Une semaine-type

Activité	Part du temps
Discovery, dialogue avec les usages et les métiers	≈ 30 %
Feuille de route, priorisation, arbitrages	≈ 25 %
Pilotage des produits de risque, mesure de la valeur	≈ 25 %
Go-to-market et coordination transverse	≈ 20 %

Le mouvement

Trajectoire interne F5 → F5 (87 → 86), et aboutissement du cursus. La reconversion est complète : le data scientist est devenu un responsable produit fintech, riche d'un socle analytique que peu de PM possèdent. Ce sommet n'est pas un poste de management mais un rôle produit — une destination en soi, qui valorise pleinement le chemin parcouru. Pour qui le souhaite, il peut ensuite ouvrir vers l'écosystème, la direction produit ou la direction de programme (voir la conclusion).

Pièges à éviter

• Rester data scientist dans sa tête : vouloir peaufiner le modèle au lieu de porter le produit.
• Sur-estimer la donnée : croire qu'un bon modèle suffit à faire un bon produit.
• Construire sans discovery : livrer un produit de risque que personne n'adopte.

08

Plan de mise en œuvre sur 30 mois

Un jalon à la fois, une preuve à chaque étape : la cadence qui sécurise la reconversion du data scientist au responsable produit fintech.

Le cursus se déploie sur une trentaine de mois, de la science des données à la responsabilité produit. La règle est constante : chaque jalon mobilise plusieurs mois, le temps de produire une preuve déployable avant d'ouvrir le suivant. La particularité tient à la passerelle : elle survient au milieu, après la spécialisation en fraude, qui sert de sas entre la data et la fintech.

Phase	Mois	Objectif	Preuve attendue
Jalon 1	M1 – M8	Maîtrise de la science des données	Modèle utile, honnêtement évalué, en conditions réelles
Jalon 2	M9 – M16	Détection de fraude (scoring de risque)	Système de détection en production, faux positifs maîtrisés
Passerelle	M14 – M17	Reconversion vers la fintech (crédit)	Immersion crédit, transposition du craft de risque
Jalon 3	M17 – M24	Scoring de crédit en fintech	Score de crédit fiable, explicable, inclusif
Jalon 4	M25 – M30+	Product management d'un produit de risque	Produit adopté + métriques de valeur

Le détail par grandes étapes

Période	Focus	Livrable de la période
M1 – M8	Données, variables, modèles, évaluation rigoureuse	Modèle utile en conditions réelles
M9 – M16	Détection de fraude, scoring temps réel, dérive	Système anti-fraude en production
M14 – M17	Immersion crédit : produits, réglementation, inclusion	Bascule réussie vers la fintech
M17 – M24	Scoring de crédit, politique de risque, explicabilité	Scoring de crédit fiable et inclusif
M25 – M30+	Discovery, feuille de route, métriques, go-to-market	Produit de risque adopté

09

Étude de cas — la trajectoire d'Ousmane

Comment WaariPay reconvertit en interne, en trente mois, un data scientist en Product Manager de ses produits de risque et d'inclusion — sans recrutement externe.

Le point de départ

Ousmane est data scientist chez WaariPay : cinq ans d'expérience, des modèles rigoureux et honnêtement évalués, et une curiosité pour l'impact réel de son travail. Il veut que ses modèles servent une décision, pas un tableau de bord. La fintech, qui veut renforcer sa lutte anti-fraude et lancer une offre de crédit inclusif, identifie en lui un potentiel et lui propose le cursus « De la data à la fraude fintech ».

La trajectoire, par grandes étapes

Étape	Jalon	Preuve produite
Phase 1	Data Scientist (44)	Modèles utiles sur les données de transactions, honnêtement évalués.
Phase 2	Ingénieur Fraude (48)	Système de détection de fraude en production, faux positifs maîtrisés.
Passerelle	Reconversion F3 → F5	Immersion réussie dans le domaine du crédit, transposition du craft de risque.
Phase 3	Spécialiste Crédit (87)	Scoring de crédit par données alternatives, inclusif, explicable et soutenable.
Phase 4	Product Manager FinTech (86)	Lancement d'une offre de crédit, adoptée et mesurée.

Le bilan

En une trentaine de mois, Ousmane est passé d'un rôle de data scientist à la responsabilité produit d'une offre de crédit inclusif. Chaque étape s'est validée par une preuve déployable, ce qui a permis à la fintech de sécuriser sa reconversion sans pari. WaariPay a transformé un data scientist de talent en un profil produit rare — capable de porter des produits de risque qu'il comprend de l'intérieur.

Les trois décisions-clés de la direction

La réussite d'Ousmane ne tient pas au hasard mais à trois décisions de la direction. D'abord, choisir le bon profil : un data scientist rigoureux et soucieux de l'impact, pas seulement performant. Ensuite, accompagner la passerelle : un soin particulier à l'immersion dans le domaine du crédit et de l'inclusion. Enfin, exiger la preuve : aucune étape validée sans livrable déployable, ce qui a permis d'avancer sans pari.

Le calcul économique

	Recrutement externe	Reconversion interne (Ousmane)
Délai	6 – 12 mois de recherche, profil risque/produit rare	Reconversion planifiée, à partir d'un vivier interne
Coût	Prime de rareté, package élevé, risque d'échec	Accompagnement (mentors, temps) bien moindre
Risque	Méconnaissance des modèles et du contexte	Profil connu, double socle data et fintech
Inclusion	Dépendance à un profil importé	Expert du scoring inclusif, ancré dans la zone

10

Activer ce cursus — lecture RH & DSI

De l'intention au pilotage : comment une direction RH, une DSI ou une fintech met concrètement ce cursus de reconversion en mouvement.

Quatre usages pour une direction

Usage	Ce que le cursus permet
Reconversion de talents data	Transformer des data scientists en profils fintech du risque.
Maîtrise du risque	Former en interne les experts de la fraude et du crédit.
Inclusion financière	Développer le scoring qui ouvre l'accès au financement.
Profils hybrides	Faire émerger des PM qui comprennent vraiment les modèles.

Une feuille de route en 90 jours

À J+30, repérer les data scientists à fort potentiel (ceux qui sont rigoureux et soucieux de l'impact) et le poste-cible (ingénieur fraude, puis spécialiste crédit, puis PM). À J+60, valider l'appétence des candidats pour le risque financier et désigner sponsor et mentors. À J+90, lancer le jalon 1 — ou la spécialité fraude si le socle data est déjà solide — avec une preuve attendue claire et un accompagnement renforcé sur la passerelle médiane.

Facteurs de réussite & risques

Facteur de réussite	Risque symétrique à éviter
Socle data solide et évaluation honnête	Reconvertir un data scientist qui s'illusionne sur ses modèles
Maîtrise réelle du scoring par la fraude	Brûler l'étape fraude, sas vers la fintech
Accompagnement de l'immersion crédit	Traiter le crédit comme un pur problème de modèle
Souci de l'inclusion et de l'équité	Déployer un scoring biaisé ou inexplicable

11

Conclusion

Une voie de reconversion de la data vers la fintech, à condition d'en respecter la discipline : la preuve à chaque jalon, et une immersion sérieuse dans le domaine du crédit.

« De la data à la fraude fintech » est, avec « Du développeur au paiement », l'un des deux cursus de reconversion latérale de la collection : ni voie vers le management, ni pure voie d'expertise, mais un changement de famille technique. Il a pour lui la cohérence : un même craft — le scoring de risque — porté de la fraude au crédit, puis au produit. Il a contre lui une exigence : la passerelle, bien que naturelle, ne doit pas être prise à la légère. Traiter le crédit comme un simple problème de modèle, c'est oublier l'humain, le régulateur et l'inclusion.

Pour le professionnel, ce cursus offre une perspective précieuse : passer d'un métier de data science parfois cantonné aux modèles à un rôle où la donnée sert une décision à fort impact — l'accès au financement. Pour l'employeur, il offre un instrument de reconversion et d'inclusion : faire émerger des spécialistes du risque et des product managers à partir d'un vivier de data scientists. Pour la zone UEMOA, il répond à un besoin structurel : mettre la science des données au service de l'inclusion financière et de la maîtrise de la fraude.

Trois principes à retenir

• La preuve, pas la promesse : chaque jalon se valide par un livrable déployable.
• Le craft se transpose : le scoring de risque relie la fraude au crédit.
• Le crédit engage une responsabilité : le scoring décide de l'accès de personnes réelles au financement.

Pour aller plus loin

Ce cursus est jumeau du cursus « Du développeur au paiement » : tous deux mènent au Product Manager FinTech (86), mais par deux portes différentes — le code pour l'un, la data pour l'autre. Et le PM FinTech peut prolonger vers le leadership d'écosystème puis la direction de programme, comme le trace le cursus « De la fintech à l'écosystème ». Ces trois cursus dessinent ensemble l'univers de la fintech : deux portes d'entrée, un sommet commun, et un prolongement vers l'écosystème.

A

Annexe A — récapitulatif des quatre jalons

Jalon	Rôle (n°)	Famille	Mouvement	Durée
1	Data Scientist (44)	F3	Départ	0 – 8 mois
2	Ingénieur Fraude (48)	F3	Interne	8 – 16 mois
3	Spécialiste Crédit (87)	F5	Passerelle F3 → F5	16 – 24 mois
4	Product Manager FinTech (86)	F5	Interne · Aboutissement	24 mois +

• Enchaînement complet44 → 48 → 87 → 86
• · FamillesF3 → F3 → F5 → F5
• · AboutissementProduct Manager FinTech (86).

B

Annexe B — compétences & certifications par jalon

Jalon	Compétences clés	Certification / preuve cible
Data Scientist (44)	Données, variables, modèles, évaluation rigoureuse	Certifs data science / ML
Ingénieur Fraude (48)	Détection, scoring temps réel, dérive, adversité	Preuve : système anti-fraude en production
Spécialiste Crédit (87)	Scoring de crédit, politique de risque, explicabilité	Preuve : scoring inclusif et soutenable
Product Manager (86)	Discovery, priorisation, métriques, go-to-market	Certifs product management

C

Annexe C — glossaire & repères

Terme	Définition
Data science	Discipline qui transforme la donnée en connaissance et en modèles utiles.
Variable (feature)	Caractéristique extraite des données, porteuse de signal pour un modèle.
Sur-apprentissage	Modèle qui colle aux données d'entraînement mais échoue dans le réel.
Scoring de risque	Estimation, par la donnée, de la probabilité d'un événement coûteux.
Détection de fraude	Scoring du risque qu'une transaction soit frauduleuse.
Scoring de crédit	Scoring du risque qu'un emprunteur ne rembourse pas.
Données alternatives	Données non bancaires (mobile money, comportements) servant au scoring.
Explicabilité	Capacité à justifier une décision issue d'un modèle.
Dérive (drift)	Perte de performance d'un modèle à mesure que la réalité change.
Reconversion latérale	Changement de famille technique sans changement de posture (pas vers le management).

D

Annexe D — variantes, bifurcations & cursus voisins

« De la data à la fraude fintech » n'est pas l'unique destin d'un data scientist. Plusieurs bifurcations s'ouvrent en chemin, et son aboutissement peut lui-même se prolonger.

Ce cursus décrit une voie de reconversion directe, mais le graphe des compétences en autorise d'autres. L'Ingénieur Fraude (48) comme le Spécialiste Crédit (87) sont des rôles-charnières : depuis ces points, plusieurs trajectoires divergent. Connaître ces bifurcations aide une direction à orienter chaque talent.

Trois bifurcations fréquentes

Bifurcation	Point de départ	Vers	Cursus voisin
Vers l'écosystème	Product Manager (86)	Lead Écosystème, direction de programme	Cursus 7 · De la fintech à l'écosystème
Vers l'expertise data	Ingénieur Fraude (48)	Lead Data, architecte data (sans passerelle)	Cursus 6 · De la conformité à la donnée
Vers le pilotage data	Ingénieur Fraude (48)	Lead Data puis DSI / CDO	Cursus 5 · De la donnée au pilotage

Deux portes vers le même sommet

L'aboutissement de ce cursus — le Product Manager FinTech (86) — est exactement celui du cursus « Du développeur au paiement ». Les deux se rejoignent ainsi : l'un entre dans la fintech par le code (Génie Logiciel, F2), l'autre par la data (Data & IA, F3). Deux portes, un même sommet. Un PM FinTech issu de la data excellera sur les produits de risque (scoring, crédit, fraude) ; un PM issu du code, sur les produits d'intégration et de paiement. Une organisation gagne à disposer des deux.

E

Annexe E — indicateurs de progression par jalon

Comment objectiver l'avancement : pour chaque jalon, un indicateur de maîtrise et sa cible, à revoir avant d'ouvrir le suivant.

Jalon	Indicateur de maîtrise	Cible de fin de jalon
1 · Data Scientist (44)	Qualité analytique	Modèle utile, performance réelle confirmée
2 · Ingénieur Fraude (48)	Maîtrise du risque	Fraude réduite, faux positifs maîtrisés
Passerelle F3 → F5	Réussite de l'immersion	Maîtrise des fondamentaux du crédit
3 · Spécialiste Crédit (87)	Scoring inclusif & soutenable	Crédit étendu, défaut maîtrisé, décisions explicables
4 · Product Manager (86)	Adoption & valeur	Produit de risque adopté, valeur mesurée

F

Annexe F — ressources de montée en compétences

Pour chaque jalon, les modalités d'apprentissage les plus efficaces : la pratique d'abord, la preuve ensuite, le mentorat tout du long.

Jalon	Modalités de montée en compétences
Data Scientist (44)	Projets de modélisation réels, ateliers d'évaluation et de lutte contre le sur-apprentissage ; mentorat d'un data scientist senior.
Ingénieur Fraude (48)	Travail sur un système de détection réel, scoring temps réel, gestion de la dérive ; mentorat d'un ingénieur fraude.
Passerelle F3 → F5	Immersion dans le domaine du crédit : produits, réglementation, inclusion, économie du risque ; accompagnement renforcé.
Spécialiste Crédit (87)	Conception de scoring de crédit, politique de risque, explicabilité ; mentorat d'un spécialiste crédit.
Product Manager (86)	Discovery réelle, feuille de route, mesure d'adoption, go-to-market ; mentorat d'un Product Manager confirmé.

G	Annexe G — anti-modèles à éviter dans ce cursus

Les erreurs récurrentes qui font dérailler la reconversion — et l'antidote correspondant, à garder en tête à chaque jalon.

Anti-modèle	Pourquoi il nuit	Antidote
L'illusion de performance	Confondre score d'entraînement et réalité mène à des modèles faux.	Évaluer honnêtement, en conditions réelles.
La détection aveugle aux faux positifs	Bloquer les fraudeurs en bloquant les clients honnêtes.	Arbitrer détection et friction, mesurer l'impact client.
Le modèle figé	Un modèle non surveillé dérive et se fait contourner.	Superviser la dérive, réentraîner, anticiper l'adversité.
Le crédit-comme-modèle	Réduire le crédit à une optimisation oublie l'humain et le régulateur.	Intégrer explicabilité, équité, inclusion, conformité.
Le scoring biaisé	Un modèle injuste exclut et trahit la finalité d'inclusion.	Lutter contre les biais, viser un scoring équitable.
Le PM resté data scientist	Peaufiner le modèle au lieu de porter le produit dénature le rôle.	Assumer le passage du modèle au produit.

H	Annexe H — scoring de crédit & inclusion financière dans l'UEMOA

Un primer sur l'enjeu où culmine ce cursus : comment le scoring par données alternatives ouvre l'accès au crédit, et à quelles conditions.

Ce cursus prend tout son sens dans un contexte régional précis : une large part de la population n'a pas d'historique bancaire, et reste donc exclue du crédit classique. Le scoring par données alternatives change la donne — et c'est l'aboutissement de la trajectoire data-vers-fintech décrite ici.

Notion	Ce qu'elle recouvre
Non-bancarisation	Absence d'historique bancaire, donc d'évaluation de crédit classique.
Données alternatives	Empreinte mobile money, recharges, comportements — un signal de risque.
Scoring inclusif	Évaluer le risque autrement, pour ouvrir l'accès au financement.
Explicabilité	Justifier une décision de crédit, notamment un refus, au client et au régulateur.
Équité	Éviter qu'un modèle n'exclue injustement certains groupes.
Soutenabilité	Étendre le crédit sans dériver vers un défaut excessif.

Trois principes pour un scoring responsable

Trois principes encadrent un scoring de crédit responsable dans la zone. L'inclusion : le but est d'ouvrir l'accès, pas de reproduire l'exclusion bancaire sous une autre forme. L'explicabilité : une décision de crédit doit pouvoir être justifiée, au client comme au régulateur. La soutenabilité : un crédit accordé trop largement, sans maîtrise du défaut, dessert à terme les emprunteurs comme le prêteur. Le spécialiste crédit issu de ce cursus tient ces trois exigences ensemble.

I	Annexe I — questions fréquentes

Les interrogations les plus courantes des directions et des candidats au moment d'engager ce cursus.

Pourquoi passer par la fraude avant le crédit ?

Parce que la fraude est le sas naturel entre la data et la fintech. C'est un métier de data science déjà profondément financier, où l'on apprend le scoring de risque dans toutes ses dimensions — adversité, faux positifs, dérive. Une fois ce craft maîtrisé, le transposer au crédit devient naturel. La passerelle se place donc après la fraude, au milieu du parcours.

Un data scientist peut-il vraiment devenir Product Manager ?

Oui, et il y excelle sur les produits de risque. Le PM issu de ce cursus comprend les modèles parce qu'il les a construits : il sait ce qu'un score vaut, ce qu'il risque, ce qu'il coûte de se tromper. À condition d'assumer le passage du modèle au produit — du « comment » au « pourquoi » —, c'est un profil rare et efficace sur le scoring, le crédit et l'anti-fraude.

En quoi ce cursus diffère-t-il du cursus « Du développeur au paiement » ?

Les deux mènent au même sommet — Product Manager FinTech (86) — mais par deux portes différentes : le code pour l'un, la data pour l'autre. Le PM issu de la data excelle sur les produits de risque (scoring, crédit, fraude) ; celui issu du code, sur les produits d'intégration et de paiement. Ce sont deux reconversions latérales vers la fintech, complémentaires.

Faut-il abandonner la modélisation ?

La modélisation n'est pas abandonnée, elle est spécialisée puis dépassée. Aux jalons 2 et 3, le profil modélise encore beaucoup — fraude, scoring. Au jalon 4 (produit), il modélise moins, mais sa compréhension des modèles reste un atout permanent, surtout sur des produits de risque. Le cursus ne renie pas le data scientist : il l'élève vers un rôle où sa science sert le produit.

Le scoring de crédit n'est-il pas risqué pour les clients ?

Il l'est s'il est mal conçu — d'où l'importance des principes d'inclusion, d'explicabilité et d'équité développés dans ce cursus. Bien conçu, le scoring par données alternatives est au contraire un outil d'inclusion : il ouvre le crédit à des personnes que le système bancaire classique excluait. Le cursus forme des spécialistes conscients de cette responsabilité.

Ce cursus convient-il aux petites structures ?

Oui, en adaptant l'échelle. Dans une petite fintech de crédit, reconvertir un data scientist interne vers le risque et le produit est souvent la voie la plus réaliste. La logique des jalons et des preuves reste la même ; seuls le rythme et la séparation des rôles s'adaptent aux moyens.

Ce document constitue l'approfondissement du Cursus 9 · De la data à la fraude fintech, neuvième des treize cursus de la collection « Les cursus intra & inter familles » de la Méthode SAKITI.