Techniques de scoring

Data Value

Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Étudiant
Prix
Nous contacter
Durée
Nous contacter
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
En savoir plus sur les localités en présentiel
Cette formation est disponible dans les centres de formation suivants:
  • 75 - Paris 12e
Cette formation peut être dispensée dans votre entreprise dans les localités suivantes :
  • 75 - Paris
  • 77 - Seine-et-Marne
  • 78 - Yvelines
  • 91 - Essonne
  • 92 - Hauts-de-Seine
  • 93 - Seine-Saint-Denis
  • 94 - Val-de-Marne
  • 95 - Val-d'Oise
Objectifs
Apprendre à mettre en œuvre les techniques de scoring afin d'affecter un score à un client, un prospect, un patient, .... pour répondre à différents objectifs : sélection des risques, prévision des défauts, suivi et contrôle ...


Compétences visées

- Comprendre les principes de base du scoring et leurs applications

- Revoir les méthodes statistiques multidimensionnelles pour le scoring

- Construire, évaluer et auditer des modèles de scoring avec R

- Mesurer le pouvoir discriminant des modèles et appliquer les connaissances à des cas concrets (santé, crédit, marketing, …)
Programme
Programme

- Introduction aux bases du scoring et rappels de statistique multidimensionnelles

  • Introduction au scoring

    • Définition et applications (santé, crédit, fidélisation, ...)

    • Présentation des différents types de scores : appétence, risque, attrition



  • Préparation et exploration des données

    • Nettoyage des données : gestion des valeurs manquantes, détection des outliers

    • Encodage des variables catégorielles

    • Normalisation et standardisation des variables numériques

    • Méthodes exploratoires

    • Méthodes exploratoires : ACP et analyse factorielle des correspondances (AFC) pour réduire la dimensionnalité




- Construction et évaluation des modèles de scoring

  • Construction des modèles

    • Régression logistique pour le scoring : Introduction et implémentation avec R

    • Introduction aux algorithmes avancés (arbres de décision, forêts aléatoires, gradient boosting) avec R



  • Évaluation et comparaison des modèles

    • Validation croisée et sélection des hyperparamètres

    • Mesures de performance

    • Introduction à l'interprétabilité des modèles avec SHAP et LIME




- Audit, détection des biais et applications avancées

  • Audit et Biais de sélection

    • Définition et impact

    • Modalités de traitement



  • Établissement des indicateurs clés

    • Importance des indicateurs dans un contexte opérationnel

    • Mise en œuvre pratique



  • Atelier d'audit pratique

    • Étude de cas : Audit complet d'un modèle de scoring

    • Détection des faiblesses et recommandations



  • Applications avancées des scores

    • Étude de l'attrition (fidélisation) et scoring comportemental

    • Analyse comparative entre les segments à l'aide des scores


Haut de page