Recherche avancée
Par formation
Par date
Par ville
logo HUB Formation
Organisme de Formation
aux Technologies et métiers de L'informatique
La pédagogie au service de la technologie
Accueil > Domaines > Big Data > Data science : Techniques de scoring

Data science : Techniques de scoring

USAGES ET PRATIQUES

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.

Public

  • Chefs de projets statistiques
  • chargés d’étude
  • analystes

Prérequis

  • Une connaissance des méthodes usuelles de Datamining est requise
  • utilisation usuelle d’un des outils suivants : R, Python, SAS, IBM SPSS Modeler

Programme de la formation

CHAPITRE 1 : Introduction au scoring

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

CHAPITRE 2 : 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

CHAPITRE 3 : 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

CHAPITRE 4 : 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)