Data Science

Techniques de scoring avec R, Python, SAS

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)
Data mining et analyse des enquetes (Prev Lesson)
(Formation suivante) SAP Predictive Analytics
Retour à Data Science

Pas de commentaires

Donner un commentaire