SlideShare une entreprise Scribd logo
pfe
MASTER 2 MBFA
le comportement d'achat de
produits dérivés
Université de montpellier
Augmenter les revenus du Big Data et réduire les coûts
sont les résultats d'une excellente maîtrise du Big Data.
Récemment, les données sont devenues de plus en plus
complexes et difficiles à gérer, de sorte que de
nombreuses entreprises ont utilisé de nombreuses
méthodes modernes afin d'adopter des stratégies
efficaces et de prendre des mesures intelligentes et des
décisions appropriées.
Introduction
Problématique
 Quels sont les Produits Dérivés ?
 comment expliquer et prévoir le
comportement d'achat de ces
produits ?
 les produits dérivés sont des produits financier dont l'objectif initiale
est de permettre à des entreprises de couvrir le risque lié aux
fluctuations de cordinalitif comme la matière première et la devise .
 ce sont plutôt des instruments financières dont la valeur dépend du
cours d'un produit de référence qu'on appelle le " sous-jacent".
 ils existe énormément plusieurs produits dérivés sur le marché, les
plus connus sont les CFD, les options, les swaps...
 Concernant les principaux types : les Warrant, les Trackers, les
Certificats, les contrats à terme sur action, les Bons de souscription.
À propos des produits dérivés
Dans cette étude de cas, Tous les clients
appartiennent tous à une catégorie socio-
professionnelle (ouvrier, employé,...)
Il y a 2 modalités dans cette Variable muette
Yes , Si le client
achète le produit
dérivé
n possède pas
No , Si le client
n'achète pas
le produit
dérivé
Statistiques descriptives
Les résultats du DataSet montrent que les produits dérivés sont acquis
par 48,56% des clients, dont 22,9% sont des femmes, les acheteurs
appartiennent à la catégorie socio-professionnelle de type (ouvrier,
employé ....) et 41% sont sans emploi, ils sont tous assurés, avec des
enfants et 84,4% entre eux sont mariés.
Count Rendement 73.00
SUM Rendement 146,00
Mean 0,485749
Average Rendement 2,01
Rendement MIN 1,32
Rendement MAX 2,26
84%
16%
Clients par
status marital
Marié
Célibatai
re
Les Analyses bivariées
41%
59%
clients par
emploi perdu
emploi
perdu
emploi non
perdu
48%
29%
14%
9%
Satisfaction par sexe
Hommes
satisfaits
Hommes
insatisfaits
Femmes
satisfaites
femmes
insatisfaites
816
3441
693
0-25 ANS 26-50 ANS 51+ ANS
NOMBRE DE CLIENTS PAR AGE
NOMBRE DE CLIENTS PAR AGE
Après avoir fait une analyse statistique descriptives et déterminer la problématique, on va
utiliser un modèle de régression logistique Machine Learning sur Python.
Le modèle de régression logistique permet un apprentissage automatique, on va prendre un
modèle d’entrainement sur la variable y « Dérives » afin de prévoir le comportement
d’achats des produits dérivés.
Après avoir Trans-codifié les valeurs en binaires sauf ‘rendement’ & ‘âge’ qui sont déjà
numériques, on constate d’après les coefficients que la variable la moins pertinente est la
‘CSP-inf.’
Après avoir Trans-codifié les valeurs en binaires sauf
‘rendement’ & ‘âge’ qui sont déjà numériques, on
constate d’après les coefficients que la variable la
moins pertinente est la ‘CSP-inf.’
Modèle de régression logistique
Résultats
Après avoir vérifié la précision du modèle, on constate que son score est
de 100%, on a utilisé un modèle de d’entrainement sur une partie de
l’échantillon du DataSet avec une grandeur de test de 20% et aucune
valeur aléatoire.
La matrice de confusion montre qu’on a 976 prédictions correctes et 0
prédictions erronées, 500 clients n’ont pas acheté le produit dérivé alors
que 476 l’ont acheté.
Conclusion
 Pour espérer un bon rendement du produit dérivé, l’investisseur peut faire
une étude complète à travers les différents outils développés en Data
Sciences pour mieux connaitre la rentabilité de ses investissements.
 La sélection de variable nous a permis de ne garder que les plus
importantes, et les échantillons permettent d’avoir des résultats plus
convergentes.
 Les méthodes de Deep Learning sont les plus efficaces puisqu’ils
présentent le moins d’inconvénients.
 Une autre méthode basique peut s’appliquer mais qui n’est pas assez
fiable, est celle de l’envoie d’un questionnaire à chaque client.

Contenu connexe

Similaire à le comportement des produits derivees.pdf

EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...
EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...
EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...
Léa Sapolin 🐯
 
Aressy Business Break Ideas 2014
Aressy Business Break Ideas 2014Aressy Business Break Ideas 2014
Aressy Business Break Ideas 2014
Iria Marquès
 
3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB
3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB
3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB
aressy
 
Transformation digitale - Semaine de spécialisation IFAG Réunion
Transformation digitale - Semaine de spécialisation IFAG RéunionTransformation digitale - Semaine de spécialisation IFAG Réunion
Transformation digitale - Semaine de spécialisation IFAG Réunion
Remy EXELMANS
 
Revue Echanges n°27
Revue Echanges n°27Revue Echanges n°27
Revue Echanges n°27
France Qualité • AFQP
 
Enjeux data decideurs francais par iProspect et Les Echosmédias
Enjeux data decideurs francais par iProspect et Les EchosmédiasEnjeux data decideurs francais par iProspect et Les Echosmédias
Enjeux data decideurs francais par iProspect et Les Echosmédias
iProspect France
 
Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016
Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016
Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016
Romain Fonnier
 
Le marketing comportemental[1]
Le marketing comportemental[1]Le marketing comportemental[1]
Le marketing comportemental[1]
Bbasatof Mostafa
 
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-FdPrésentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Jean-Michel POU
 
[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...
[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...
[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...
HUB INSTITUTE
 
Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...
Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...
Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...
Kévin DO VALE
 
Le marketing prédictif - Intema Solutions (Livre blanc)
Le marketing prédictif - Intema Solutions (Livre blanc)Le marketing prédictif - Intema Solutions (Livre blanc)
Le marketing prédictif - Intema Solutions (Livre blanc)
Intema Solutions
 
Compte rendu présentation FNIM-PharmaSuccess 2013
Compte rendu présentation FNIM-PharmaSuccess 2013Compte rendu présentation FNIM-PharmaSuccess 2013
Compte rendu présentation FNIM-PharmaSuccess 2013PharmaSuccess
 
Skeelbox Consulting - Présentation
Skeelbox Consulting - PrésentationSkeelbox Consulting - Présentation
Skeelbox Consulting - Présentation
SKEELBOX CONSULTING
 
La prévoyance autrement 2015 sc
La prévoyance autrement 2015   scLa prévoyance autrement 2015   sc
La prévoyance autrement 2015 sc
Charles-Antoine
 
La prévoyance autrement 2015
La prévoyance autrement 2015La prévoyance autrement 2015
La prévoyance autrement 2015
Charles-Antoine
 
Molitor Consult : Le n°4 du mag
Molitor Consult : Le n°4 du magMolitor Consult : Le n°4 du mag
Molitor Consult : Le n°4 du mag
L'Assurance en mouvement
 
Cours systême d'intelligence marketing
Cours systême d'intelligence marketingCours systême d'intelligence marketing
Cours systême d'intelligence marketing
Jean Roger Mably
 
3 Veille I.Choquet
3 Veille I.Choquet3 Veille I.Choquet
3 Veille I.Choquet
Université de Metz
 
Veille 1 - I. Choquet
Veille 1 - I. ChoquetVeille 1 - I. Choquet
Veille 1 - I. Choquet
Université de Metz
 

Similaire à le comportement des produits derivees.pdf (20)

EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...
EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...
EXPLOITATION DES DONNEES CLIENTS : UN PASSAGE RISQUE MAIS STRATEGIQUE POUR LE...
 
Aressy Business Break Ideas 2014
Aressy Business Break Ideas 2014Aressy Business Break Ideas 2014
Aressy Business Break Ideas 2014
 
3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB
3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB
3 grandes priorités pour réussir sa rentrée Marketing & Communication BtoB
 
Transformation digitale - Semaine de spécialisation IFAG Réunion
Transformation digitale - Semaine de spécialisation IFAG RéunionTransformation digitale - Semaine de spécialisation IFAG Réunion
Transformation digitale - Semaine de spécialisation IFAG Réunion
 
Revue Echanges n°27
Revue Echanges n°27Revue Echanges n°27
Revue Echanges n°27
 
Enjeux data decideurs francais par iProspect et Les Echosmédias
Enjeux data decideurs francais par iProspect et Les EchosmédiasEnjeux data decideurs francais par iProspect et Les Echosmédias
Enjeux data decideurs francais par iProspect et Les Echosmédias
 
Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016
Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016
Etude enjeux data des décideurs francais - iProspect - Les Echos Medias - 2016
 
Le marketing comportemental[1]
Le marketing comportemental[1]Le marketing comportemental[1]
Le marketing comportemental[1]
 
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-FdPrésentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
Présentation de la Smart Metrology - 9 Juin 2016 - Clermont-Fd
 
[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...
[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...
[HUBFORUM] MEDIAPOST - BIG DATA ET MARKETING RELATIONNEL : LA RÉALITÉ DES NOU...
 
Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...
Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...
Le Neuromarketing appliqué à l'analyse du comportement des consommateurs : qu...
 
Le marketing prédictif - Intema Solutions (Livre blanc)
Le marketing prédictif - Intema Solutions (Livre blanc)Le marketing prédictif - Intema Solutions (Livre blanc)
Le marketing prédictif - Intema Solutions (Livre blanc)
 
Compte rendu présentation FNIM-PharmaSuccess 2013
Compte rendu présentation FNIM-PharmaSuccess 2013Compte rendu présentation FNIM-PharmaSuccess 2013
Compte rendu présentation FNIM-PharmaSuccess 2013
 
Skeelbox Consulting - Présentation
Skeelbox Consulting - PrésentationSkeelbox Consulting - Présentation
Skeelbox Consulting - Présentation
 
La prévoyance autrement 2015 sc
La prévoyance autrement 2015   scLa prévoyance autrement 2015   sc
La prévoyance autrement 2015 sc
 
La prévoyance autrement 2015
La prévoyance autrement 2015La prévoyance autrement 2015
La prévoyance autrement 2015
 
Molitor Consult : Le n°4 du mag
Molitor Consult : Le n°4 du magMolitor Consult : Le n°4 du mag
Molitor Consult : Le n°4 du mag
 
Cours systême d'intelligence marketing
Cours systême d'intelligence marketingCours systême d'intelligence marketing
Cours systême d'intelligence marketing
 
3 Veille I.Choquet
3 Veille I.Choquet3 Veille I.Choquet
3 Veille I.Choquet
 
Veille 1 - I. Choquet
Veille 1 - I. ChoquetVeille 1 - I. Choquet
Veille 1 - I. Choquet
 

le comportement des produits derivees.pdf

  • 1. pfe MASTER 2 MBFA le comportement d'achat de produits dérivés Université de montpellier
  • 2. Augmenter les revenus du Big Data et réduire les coûts sont les résultats d'une excellente maîtrise du Big Data. Récemment, les données sont devenues de plus en plus complexes et difficiles à gérer, de sorte que de nombreuses entreprises ont utilisé de nombreuses méthodes modernes afin d'adopter des stratégies efficaces et de prendre des mesures intelligentes et des décisions appropriées. Introduction
  • 3. Problématique  Quels sont les Produits Dérivés ?  comment expliquer et prévoir le comportement d'achat de ces produits ?
  • 4.  les produits dérivés sont des produits financier dont l'objectif initiale est de permettre à des entreprises de couvrir le risque lié aux fluctuations de cordinalitif comme la matière première et la devise .  ce sont plutôt des instruments financières dont la valeur dépend du cours d'un produit de référence qu'on appelle le " sous-jacent".  ils existe énormément plusieurs produits dérivés sur le marché, les plus connus sont les CFD, les options, les swaps...  Concernant les principaux types : les Warrant, les Trackers, les Certificats, les contrats à terme sur action, les Bons de souscription. À propos des produits dérivés
  • 5. Dans cette étude de cas, Tous les clients appartiennent tous à une catégorie socio- professionnelle (ouvrier, employé,...) Il y a 2 modalités dans cette Variable muette Yes , Si le client achète le produit dérivé n possède pas No , Si le client n'achète pas le produit dérivé
  • 6. Statistiques descriptives Les résultats du DataSet montrent que les produits dérivés sont acquis par 48,56% des clients, dont 22,9% sont des femmes, les acheteurs appartiennent à la catégorie socio-professionnelle de type (ouvrier, employé ....) et 41% sont sans emploi, ils sont tous assurés, avec des enfants et 84,4% entre eux sont mariés. Count Rendement 73.00 SUM Rendement 146,00 Mean 0,485749 Average Rendement 2,01 Rendement MIN 1,32 Rendement MAX 2,26
  • 7. 84% 16% Clients par status marital Marié Célibatai re Les Analyses bivariées 41% 59% clients par emploi perdu emploi perdu emploi non perdu 48% 29% 14% 9% Satisfaction par sexe Hommes satisfaits Hommes insatisfaits Femmes satisfaites femmes insatisfaites 816 3441 693 0-25 ANS 26-50 ANS 51+ ANS NOMBRE DE CLIENTS PAR AGE NOMBRE DE CLIENTS PAR AGE
  • 8. Après avoir fait une analyse statistique descriptives et déterminer la problématique, on va utiliser un modèle de régression logistique Machine Learning sur Python. Le modèle de régression logistique permet un apprentissage automatique, on va prendre un modèle d’entrainement sur la variable y « Dérives » afin de prévoir le comportement d’achats des produits dérivés. Après avoir Trans-codifié les valeurs en binaires sauf ‘rendement’ & ‘âge’ qui sont déjà numériques, on constate d’après les coefficients que la variable la moins pertinente est la ‘CSP-inf.’ Après avoir Trans-codifié les valeurs en binaires sauf ‘rendement’ & ‘âge’ qui sont déjà numériques, on constate d’après les coefficients que la variable la moins pertinente est la ‘CSP-inf.’ Modèle de régression logistique
  • 9. Résultats Après avoir vérifié la précision du modèle, on constate que son score est de 100%, on a utilisé un modèle de d’entrainement sur une partie de l’échantillon du DataSet avec une grandeur de test de 20% et aucune valeur aléatoire. La matrice de confusion montre qu’on a 976 prédictions correctes et 0 prédictions erronées, 500 clients n’ont pas acheté le produit dérivé alors que 476 l’ont acheté.
  • 10. Conclusion  Pour espérer un bon rendement du produit dérivé, l’investisseur peut faire une étude complète à travers les différents outils développés en Data Sciences pour mieux connaitre la rentabilité de ses investissements.  La sélection de variable nous a permis de ne garder que les plus importantes, et les échantillons permettent d’avoir des résultats plus convergentes.  Les méthodes de Deep Learning sont les plus efficaces puisqu’ils présentent le moins d’inconvénients.  Une autre méthode basique peut s’appliquer mais qui n’est pas assez fiable, est celle de l’envoie d’un questionnaire à chaque client.