Le problème à résoudre
Une grande partie de la population n’a pas d’historique bancaire classique et se voit refuser tout crédit, faute de méthode pour évaluer son risque. L’inclusion financière bute sur l’absence de scoring adapté.
La promesse pour la direction
Votre analyste conçoit des modèles de scoring alternatif exploitant des données non traditionnelles (historique Mobile Money, télécom, comportement) — évaluant équitablement le risque de clients jusque-là exclus, dans le respect de la réglementation.
Ce que le parcours débloque
bancarisés)
Population évaluable Élargie (non
Documentée
Explicabilité des décisions
Contrôlée
Maîtrise des biais
Le cadre
| Élément | Valeur |
|---|---|
| Profil cible | Analyste crédit / risque |
| Prérequis | Finance, statistiques, données |
| Durée | 6 mois (accélérateur) |
| Format | Blended · 70 % de pratique |
Pile technique maîtrisée à l’issue
Python · scikit-learn · XGBoost · SHAP · Fairlearn · FastAPI · Feature Store
Les jalons
Une trajectoire pour un collaborateur déjà en poste. Chaque mois est validé par un livrable et un critère d’acceptation écrit à l’avance.
| Mois | Thème | Atelier | Validation |
|---|---|---|---|
| M1 | Scoring & inclusion Données alternatives | Identifier des données prédictives du risque | ✔ Sources de données validées |
| M2 | Modélisation du risque ML interprétable | Construire un modèle de scoring | ✔ Modèle de scoring performant |
| M3 | Équité & biais Modèle responsable | Détecter et corriger les biais | ✔ Modèle équitable documenté |
| M4 | Explicabilité Décision justifiable | Rendre chaque décision explicable | ✔ Décisions de crédit explicables |
| M5 | Industrialisation Scoring en production | Exposer le scoring au système de crédit | ✔ Scoring intégré au processus |
| M6 | Projet scoring Cas réel | Livrer un modèle de scoring inclusif | ✔ Soutenance + décision justifiée |