La prédiction du risque de prêt est cruciale pour les institutions financières afin de minimiser les risques de prêt. Cette étude examine l'efficacité des données transactionnelles dans la prédiction du risque de prêt, en comparant les performances de deux algorithmes populaires: la régression logistique et les réseaux neuronaux feed-forward. La recherche vise à évaluer les capacités prédictives, l'interprétabilité et l'applicabilité pratique de ces modèles dans l'identification des défauts de paiement potentiels sur la base de modèles transactionnels. Les données transactionnelles, acquises sur Kaggle, ont subi un prétraitement rigoureux et une ingénierie des caractéristiques adaptée aux caractéristiques uniques des enregistrements de transactions financières. Les deux modèles ont été largement entraînés et évalués à l'aide de mesures établies, englobant l'exactitude, la précision, le rappel et le score F1, afin d'évaluer de manière exhaustive leur performance dans la prédiction des défauts de paiement. Les résultats indiquent des forces variées entre les modèles: la régression logistique démontre une interprétabilité louable tout en atteignant des mesures de performance compétitives, tandis que le réseau neuronal feed-forward présente une précision prédictive plus élevée, mais avec une complexité accrue et une interprétabilité réduite.