Objectifs
Le scoring est une technique consistant à affecter un score à un client, un prospect, un patient, .... Il permet de répondre à différents objectifs : sélection des risques, prévision des défauts, suivi et contrôle
Pré-requis
Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Réaliser ses analyses statistiques avec R
Méthode
Les scripts d’exécution seront fournis pour utilisations ultérieures par les participants à la formation
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Accessibilité
Vous souhaitez suivre notre formation Techniques de scoring et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage
Programme
- Le scoring et ses applications
- L’élaboration d’un modèle de scoring
- La sélection des variables
- La modélisation
- La mesure du pouvoir discriminant
- Conclusion, conditions de réussites
- Exemples traités avec applications dans le logiciel R
- Les scripts d’exécution seront fournis pour utilisations ultérieures par les participants à la formation
- Introduction
- Rappels de statistiques multidimensionnelles
- Méthodes exploratoires (analyses factorielles)
- Méthodes décisionnelles (modélisation : régression logistique, …)
- Les divers types de scores
- Appétence ou propension
- Risque (comportement)
- Octroi ou acceptation
- Attrition (fidélisation, impayés)
- Diagnostic médical
- Spam courriels
- L’élaboration d’un modèle de scoring
- Définition de la variable à expliquer
- Biais de sélection
- Construction de la base d’analyse
- Sélection des périodes d’observation
- Analyse exploratoire des données
- Traitement des valeurs manquantes
- Normalisation : transformations
- Découpage en classes, regroupement de modalités
- La sélection des variables
- Importance de la sélection des variables
- Variables corrélées
- Complexité du modèle versus pouvoir explicatif
- Sélection multidimensionnelle
- La modélisation
- Logique d’apprentissage et de test
- Méthodes et algorithmes utilisés pour le scoring
- La mesure du pouvoir discriminant
- Validation des modèles
- Les courbes ROC
- Conclusion, conditions de réussites
- Exemples traités avec applications dans le logiciel R
- Les scripts d’exécution seront fournis pour utilisations ultérieures par les participants à la formation
