Data Science

Objectifs

• L’objectif est de vous former aux techniques de Scoring afin de vous aider à optimiser vos ciblages en proposant la bonne offre au bon client, au bon moment, via le canal de communication le plus pertinent : l’efficacité et la rentabilité de vos actions seront ainsi renforcées

Programme

Introduction au scoring

• Principe et Apports
• Principales familles de scores
• Exemples d’application dans différents secteurs d’activité

Les principales techniques

• Régressions Linéaires, Modèles linéaires généralisés, Régression Logistique, Arbres de décision, Réseaux Bayésiens, Réseaux de neurones, SVM, régressions pénalisées (Elastic net, Lasso, Ridge, PLS)
• Rappels théoriques
• Contexte d’application
• Exemples et Interprétation des résultats obtenus

La démarche projet

• Principales étapes de construction de score :

Cadrage du besoin (choix de la variable cible, population éligible.)

• Préparation des données
• Echantillonnage
• Modélisation
• Validation du modèle
• Mise en œuvre opérationnelle.
• Partage de Bonnes Pratiques en fonction des méthodes et problématiques

Application

• Construction d’un score choisi en fonction de vos problématiques (sur vos données, et le logiciel de votre choix entre R, SAS, Python ou IBM SPSS Modeler)