Ressources à consulter
Sélection d’articles et guides sur scoring crédit et machine learning
Consultez nos dossiers, articles et guides pour décortiquer l’approche data du scoring crédit. Ici, vous trouverez des ressources concrètes sur la construction des scores, l’utilisation du machine learning en environnement réglementé et les pièges à éviter. Notre sélection s’adresse aux utilisateurs qui exigent des preuves, pas des slogans. Pour toute question ou suggestion d’ajout, contactez notre équipe.
ÉchangerLexique technique
Lexique du scoring crédit
Comprendre la terminologie du scoring crédit, des modèles statistiques aux notions de
conformité RGPD, sans jargon inutile mais sans compromis sur la rigueur.
Statistiques
Écart-type et variance
Mesure de la variabilité d’un ensemble de données, utile pour évaluer la stabilité d’un score ou détecter des comportements atypiques dans la distribution des résultats.
Outils et environnements recommandés
Une sélection d’outils essentiels pour manipuler les données, auditer les modèles et
visualiser les scores, utilisés par notre équipe et recommandés aux praticiens.
R
Environnement open source dédié à l’analyse statistique avancée, utilisé pour tester la robustesse des scores crédit et explorer la distribution des variables.
Python
Langage polyvalent incontournable en machine learning, il permet d’implémenter, de tester et d’ajuster des modèles de scoring selon les retours terrain.
Jupyter Notebook
Interface interactive idéale pour documenter les analyses, partager les modèles et
faciliter l’auditabilité par des tiers ou lors de contrôles internes.
Outils d’anonymisation
Solutions logicielles dédiées à l’anonymisation et la pseudonymisation, garantissant le respect du RGPD à chaque étape du cycle de vie des données.
Tableau
Logiciel de visualisation pour créer des rapports détaillés, explicites et personnalisés, facilitant la compréhension des scores générés.