OC
Téléchargé parOulaya CHOUAY
PPTX, PDF10,683 vues

modèle de scoring pour la clientèle

Le document présente un modèle de scoring destiné à la clientèle d'entreprises, axé sur l'évaluation du risque de crédit pour les PME et les grandes entreprises. Il décrit le processus d'élaboration du modèle à travers l'analyse de données et la mise en œuvre de méthodes statistiques comme la régression logistique. L'objectif est d'automatiser l'analyse et d'améliorer la prise de décision concernant le crédit accordé aux entreprises.

Intégrer la présentation

Téléchargé 316 fois
ELABORATION D’UN MODÈLE DE SCORING POUR LA CLIENTÈLE « ENTREPRISES » Présenté par: FRIRAH Sara EL RHARMOULI Ghita Présenté le: 27 Juin 2013 Devant le jury : M. Said Ramadan NSIRI Encadrant interne (INSEA) M. Idriss EFFINA Examinateur (INSEA) M. Alaaeddine BENNANI Encadrant externe (CAM) Projet de Fin d’Etude
Introduction
Plan I II III IV V Contexte général du projet Présentation de la base de données Traitement et analyse univariée de la base de données Elaboration d’un modèle de score pour les PME et GE Automatisation des modèles sous VBA
Contexte général du projet Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Bale II Exigence de fonds propres Procédure de surveillance de la gestion des fonds propres Discipline de marché et communication financière Pilier I Pilier II Pilier IIIPilier I Calcul du RC Approche standard Approche NI (Notation Interne) (Fondation) (Avancée) Dispositif Bâle II
Définition du défaut bâlois au sens 8/G/2010 1. Un retard de paiement de plus de 90 jours. 2. Un ou plusieurs arriérés de paiement de plus de 90 jours sur des crédits escompte. 3. Des dépassements persistants de plus de 90 jours. 4. Des comptes gelés depuis plus de 90 jours. Retard de 90 jours Notion du défaut Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet
31/12/11 31/12/12 Stock de dossiers présentant un encours Observation du Défaut 12 mois Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Horizon de prévision
Comment mesurer le risque de crédit ? L’entreprise va-t-elle rembourser sa dette ? Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La problèmatique
Méthode statistique d’estimation de la probabilité de défaut de la contrepartie Données historiques & QuantifierEffets des caractéristiques des emprunteurs sur leur probabilité de défaut Isoler Scoring Score obtenu Score seuil Prise de décision Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Scoring
Elaborer deux modèles de prédiction Grandes Entreprises ( CA > 175 Mdhs) Petites et Moyennes Entreprises (10 Mdhs < CA< 175 Mdhs) 65 % des expositions brutes au titre du risque de crédit Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Objectif du projet
Transformer sous format numérique Construire la BD Comparer les méthodes utilisées Choisir les variables discriminantes Elaborer deux modèles prédictifs Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Étapes du projet
Présentation de la base de données Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Population entière Nouvelle base 50% des entreprises défaillantes 50% des entreprises non défaillantes 9% des entreprises défaillantes 91% des entreprises non défaillantes Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Echantillon de travail
TAILLE  CA  Total Bilan  TC_CA  TC_RN DYNAMISMEENDETTEMENT  DCT /AC  DLT/T Bilan  T DETTES/ FP RENTABILITÉ  EBE / CA  FDR / AC  RN / FP  RN / CA STRUCTURE  FP / Fin Permanent  FDR / CA  FDR / T Bilan  FP / T Bilan  BFR / CA TRÉSORERIE TN / T Bilan LIQUIDITÉ AC / PC AUTRES  Age de l’entreprise  Ancienneté de la relation  Forme juridique  Ville  Secteur d’activité  Qualité de l’actionnariat Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Présentation des variables de la base de données
Traitement et analyse univariée de la base de données Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Traitement des valeurs extrêmes Numéro des observations associées aux valeurs extrêmes du ratio T_Dettes / FP
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Discrétisation des variables Manuelle (CAM) Automatique sous SAS Discrétisation Intervalle <0.1 [0.1 ; 0.35 [ ≥0.35 Code 1 2 3 Fonds propres/ Total Bilan
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Manuelle (CAM) Discrétisation des variables Intervalle < 5 ans 5-10 ans 10-15 ans > 15 ans Code 0 1 2 3 Ancienneté de la relation avec CAM
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse univariée Analyse univariée Analyse de corrélation Analyse d’indépendance Test de KHI-2 V de Cramer
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Test de KHI-2 Test de KHI-2 H0 : Absence de relation entre deux variables catégorielles Thème Variable Test de KHI-2 P-value V de Cramer CC Taille CA 0.9494 0.0498 0.0498 T_Bilan 0.2706 0.1655 0.1633 Dynamisme TC_CA <0.0001 0.4731 0.4277 TC_RN 0.0084 0.2585 0.2503 Endettement DCT/AC <0.0001 0.3997 0.3711 DLT/T_Bilan 0.0121 0.2485 0.2412 T_Dettes/FP <0.0001 0.3874 0.3612 Rentabilité EBE/CA 0.0156 0.2694 0.2601 RN/CA 0.2524 0.1690 0 .1667 RN/FP 0.0040 0 .2726 0.2675 FDR/AC <0.0001 0.4206 0.3877 Structure FP/T_Bilan <0.0001 0.4050 0.3754 FP/Fin_Permnt <0,0001 0.2147 0.2099 FDR/T_Bilan 0,0371 0.4206 0.3877 FDR/CA <0,0001 0.4735 0.4279 BFR/CA <0,0001 0.4595 0.4175 Trésorerie TN/T_Bilan 0.0034 0.2458 0.2387 Liquidité AC/PC <0.0001 0.4392 0.4021 Autres Age_entp 0.0010 0.3634 0.3415  Dynamisme TC_CA; TC_RN  Endettement DCT/AC; DLT/T_Bilan; T_Dettes/FP  Rentabilité EBE/CA; RN/FP; FDR/AC  Structure FP/T_Bilan; FP/Fin_Prmnt; FDR/T_Bilan ; BFR/CA  Trésorerie TN /T_Bilan  Autres Age; Ville; Actionnariat La variable CA n’est pas retenue
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse de corrélation V de Cramer V de Cramer élevé signifie une forte corrélation entre deux variables catégorielles  FP/T_Bilan et T_Dettes/FP  FDR/T_Bilan et FDR/AC  FDR/CA et FDR/AC  FDR/CA et FDR/T_Bilan
Elaboration d’un modèle de score pour les PME et GE Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet E (Yi/Xi=xi) = Pi = Odds-ratios facilement interprétables Modélise directement une probabilité Pas d’hypothèse de normalité ni d’homoscédasticité Données sans valeurs manquantes Inconvénients Avantages La régression logistique
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La régression logistique pour les PME Méthode ascendante de Wald sous SPSS H0 : ‘βi = 0 ’ P-Value ≤ 5% 8 fois plus suscéptible de tomber en défaut Modalité 2 = [3;7[
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La régression logistique pour les PME
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Qualité de la modélisation Test de vraisemblance Récapitulatif des modèles Etape -2log-vraisemblance R-deux de Cox & Snell R-deux de Nagelkerke 1 164,040 ,213 ,284 2 147,385 ,299 ,399 3 133,697 ,363 ,484 4 123,005 ,409 ,545 5 113,786 ,446 ,595 6 105,391 ,478 ,637 63,7% Test de Hosmer-Lemshow H0 : L’ajustement du modèle est bon Etape Khi-Chi-deux ddl Sig. 6 10,737 8 ,217 > 5%
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle : échantillon d’apprentissage De/vers 0 1 % correct 0 59 13 81,9% 1 13 58 81,7% Total 81,8% Zone sous la courbe Variable(s) de résultats tests:Groupe prédit Zone Erreur Std.a Signif. asymptotiqueb Intervalle de confiance 95% asymptotique Borne inférieure Borne supérieure ,839 ,036 ,000 ,769 ,909 Taux de bon classement Indice de GINI = 68%
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La méthode Disqual pour les PME ACM sur les variables qualitatives Coordonnées continues des observations sur les axes factoriels Analyse discriminante de Fisher
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse des correspondances multiples Inertie expliquée par les axes Les 12 premiers axes expliquent environ de 64,70% de l’inertie totale Axe factoriel Observation Application de l’AFD sur les variables continues
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse discriminante de Fisher Lambda 0,502 F (Valeur observée) 10,749 F (Valeur critique) 1,827 DDL1 12 DDL2 130 p-value < 0,0001 alpha 0,05 Significativité globale du modèle: lambda de Wilks H0 : Les vecteurs moyens des deux classes sont égaux Test de Box -2Log(M) 162,087 F (Valeur observée) 1,192 F (Valeur critique) 1,277 DDL1 78 DDL2 62755 p-value 0.061 alpha 0,050 L’homogénéité des variances dans chacune des deux classes est vérifiée La fonction discriminante Le modèle est discriminant Coordonnées des modalités sur les 12 axes F1 F1 2,378 F2 -0,157 F3 -1,089 F4 -0,068 F5 0,958 F6 0,235 F7 0,409 F8 0,489 F9 -0,418 F10 -0,551 F11 -0,269 F12 -0,343 F(x) = 2,378*F1-0,157*F2-1,089*F3-0,068*F4+0,958*F5+0,235*F6+0,409*F7 +0,489*F8-0,418*F9-0,551*F10-0,269*F11-0,343*F12
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse discriminante de Fisher Extrait des scores des modalités Variables Modalités Score modalités 1 -2,107 FP_Nets/T_Bilan 2 -0,416 3 1,647 1 -1,069 Trésorerie_Net/T_Bilan 2 -0,754 3 0,669 4 0,955 1 -2,097 AC/PC 2 -0,314 3 1,739 0 0,032 Actionnariat 1 1,414 2 -0,501 3 -1,047 Age-entp 1 2,388 Critère d’affectation F1 0 0,982 1 -0,982 Fonctions aux barycentres F(x) > 0 l’entreprise est affectée à la classe des « saines »  F(x) < 0 L’entreprise est affectée à la classe des « défaillantes »
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0 0 0 0 1 1 1 1 1 1 Sensibilité 1 - Spécificité Courbe ROC (AUC=0,926) Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation de modèle : échantillon d’apprentissage De/vers 0 1 % correct 0 60 12 83% 1 9 62 87% Total 85% Zone sous la courbe Variable(s) de résultats tests:Groupe prédit Zone Erreur Std.a Signif. asymptotiqueb Intervalle de confiance 95% asymptotique Borne inférieure Borne supérieure ,839 ,036 ,000 ,769 ,909 Taux de bon classement Indice de GINI = 68%
Méthode statistique 1er échantillon test 2ème échantillon test Taux de bon classement AUC Taux de bon classement AUC Régression logistique 80,6% 0,808 78,4% 0,753 Méthode Disqual 75,8% 0,758 75% 0,716 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle : Les deux échantillons testComparaison des deux méthodes statistiques La régression logistique est retenue pour la classification des petites et moyennes entreprises
Classes Probabilité de défaut Taux du défautMinimum Maximum Moyenne Médiane 1 2 3 4 5 0.00124 0.08523 0.32262 0.61530 0.93138 0.08522 0.32261 0.61529 0.93137 0.99597 0.0338 0.1955 0.4668 0.8282 0.4059 0.0224 0.1740 0.4431 0.8293 0.4218 4% 17% 46% 86 % 96% 96% 83% 54% 14% 4% 4% 17% 46% 86% 96% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1 2 3 4 5 1 0 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Critère d’affectation : Répartition en classes de risque
Analyse univariée Corrélation  Dynamisme TC_CA TC_RN  Endettement DCT/AC DLT/T_Bilan  Rentabilité RN/FP  Structure FP/T_Bilan Procéder à une AFD Test de BOX Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet p- value > 0,05 Analyse discriminante de Fisher pour les GE p-value 0,061 alpha 0,05
Variable Lambda F DDL1 DDL2 p-value TC_CA 0,815 15,867 1 70 0,000 TC_RN 0,932 5,140 1 70 0,026 Dettes_CT/AC 0,856 11,798 1 70 0,001 Dettes court terme / Actif circulant Taux de croissance du chiffre d’affaires Constante F(x) = -2.122 + 2.018 TC_CA + 0.413 TC_RN + 2,224 Dettes_CT/AC Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse discriminante de Fisher pour les GE Taux de croissance du résultat net
De Vers 0 1 Total % correct 0 28 8 36 77,78% 1 4 32 36 88,89% Total 32 40 72 83,33% 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0 0 1 1 1 Sensibilité 1 - Spécificité Courbe ROC (AUC=0,867) INDICE DE GINI 73% Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle : échantillon d'apprentissage
A E.S. Wald ddl Sig. Exp(B) Etape 1a TC_CA -4,396 1,346 10,661 1 ,001 ,012 Constante ,469 ,297 2,493 1 ,114 1,598 Etape 2b TC_CA -5,282 1,598 10,928 1 ,001 ,005 Dettes_CT_AC -2,989 ,970 9,483 1 ,002 ,050 Constante 3,203 ,960 11,134 1 ,001 24,594 Etape 3c TC_CA -4,400 1,705 6,659 1 ,010 ,012 TC_RN -,795 ,379 4,409 1 ,036 ,452 Dettes_CT_AC -3,814 1,146 11,069 1 ,001 ,022 Constante 3,430 1,030 11,091 1 ,001 30,867   1 1 exp( 3,430 4,40 _ 0,795 _ 3,814 _ _ ) P TC CA TC RN Dettes CT AC       Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La régression logistique pour les GE
De/vers 0 1 % correct 0 29 7 80,6% 1 8 28 77,8% Total 79,2% INDICE DE GINI 58,4 % Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Qualité et validation du modèle R² de Nagelkerke = 0,523 Le pouvoir explicatif est assez bon L’aire sous la courbe de ROC est de 0,792
Méthode statistique 1er échantillon test 2ème échantillon test Taux de bon classement AUC Taux de bon classement AUC Régression logistique 76% 0,768 73% 0,725 AFD 80% 0,805 82% 0,786 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle sur les deux échantillons testComparaison des méthodes L’analyse discriminante de Fisher est retenue pour la classification des grandes entreprises
classe Score Probabilité de défaut Taux du défaut min max moyenne médiane min max moyenne médiane 1 49,28 100 67,09 67,08 0,0030 0,2200 0,086 0,052 6% 2 36,81 48,41 41,57 40,8 0,2201 0,4690 0,3665 0,38 19% 3 26,49 36,52 32,41 32,58 0,4691 0,6860 0,5681 0,566 67% 4 17,92 26,21 22,53 22,99 0,6861 0,8330 0,7629 0,7585 79% 5 0 17,35 11,647 11,46 0,8331 0,9150 0,8942 0,8915 86% 94% 81% 33% 21% 14% 6% 19% 67% 79% 86% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1 2 3 4 5 1 0 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Critère d’affectation : Répartition en classes de risque
Automatisation des modèles sous VBA Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Utilisation de l’application sous VBA
Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Exemple de l’application sous VBA
Conclusion
MERCI DE VOTRE ATTENTION
ELABORATION D’UN MODÈLE DE SCORING POUR LA CLIENTÈLE « ENTREPRISES » Présenté par: FRIRAH Sara EL RHARMOULI Ghita Présenté le: 27 Juin 2013 Devant le jury : M. Said Ramadan NSIRI Encadrant interne (INSEA) M. Idriss EFFINA Examinateur (INSEA) M. Alaaeddine BENNANI Encadrant externe (CAM) Projet de Fin d’Etude

Contenu connexe

PPTX
Transformation Digitale et Performances Economiques des Banques en Zone CEMAC
parlancedafric.org
 
PDF
Cours scoring
parfatim zahra
 
PDF
SYSTEMES-INTERACTIFS-D-AIDE-A-LA-DECISION-SIAD-1.pdf
parDhiaeddineabdelli
 
PDF
Digitalisation fiscale : peut-on vraiment attendre ?
parDeloitte Société d'Avocats
 
PDF
Innovation finanicère
parYounes Belfellah
 
PPT
Gestion de tresorerie
parabdou Quiero Te Quiero
 
PDF
Soutenance memoire simon (2017)
parCarl Nally Régi SIMON
 
PDF
S�rie d'exercices Finance Internationale.pdf
parAbdelkaderLakhal
 
Transformation Digitale et Performances Economiques des Banques en Zone CEMAC
parlancedafric.org
 
Cours scoring
parfatim zahra
 
SYSTEMES-INTERACTIFS-D-AIDE-A-LA-DECISION-SIAD-1.pdf
parDhiaeddineabdelli
 
Digitalisation fiscale : peut-on vraiment attendre ?
parDeloitte Société d'Avocats
 
Innovation finanicère
parYounes Belfellah
 
Gestion de tresorerie
parabdou Quiero Te Quiero
 
Soutenance memoire simon (2017)
parCarl Nally Régi SIMON
 
S�rie d'exercices Finance Internationale.pdf
parAbdelkaderLakhal
 

Tendances

PDF
Credit scoring, l'octroi des cartes bancaires
parMarwen Allaguy
 
PPTX
Soutenance gestion du risque credit
parZouhair Aitelhaj
 
PPT
Gestion des risques
parAymen Foudhaili
 
PDF
10 minutes : Tableaux de bord
parConverteo
 
PPT
Cours de Gestion des risques
parRémi Bachelet
 
PDF
La maitrise des risques du crédit bancaire (1)
parIntissar Abada
 
PDF
Audit des systemes d'information
parAnnick Franck Monyie Fouda
 
PDF
Analyse en composantes principales, ACP, sous SPSS (Principal Component Analy...
parAdad Med Chérif
 
PPT
Management des risques
parabdelghani Koura
 
PDF
Audit-audit-interne
parWidad Naciri
 
DOCX
Risque credit
paraniamassika
 
PDF
Rapport pfe Conceptionet Developpement d'une Application web et Mobile
parRaoua Bennasr
 
PDF
Mise en place d’un Système d’Information pour la gestion des collectivités l...
parMohammed OMARI
 
PDF
Fiche 4 management des risques
parHalim ARROUDJ
 
PDF
Conception d’une plateforme web d’e-Commerce au sein d’une entreprise commerc...
parSymphorien Niyonzima
 
PPTX
Risque achat , scm
parIlham Yachaoui
 
PDF
Memoire conception-mise-en-place-tableaux-de-bord-gestion-societe-confection[1]
parBrahim Mouacha
 
PDF
rapport de projet de fin d'étude_PFE
parDonia Hammami
 
PDF
+50 les plus belles dédicaces de mémoire de fin d'étude - pdf.pdf
parHani sami joga
 
PDF
Qcm analyse financière
parhappyshasha1
 
Credit scoring, l'octroi des cartes bancaires
parMarwen Allaguy
 
Soutenance gestion du risque credit
parZouhair Aitelhaj
 
Gestion des risques
parAymen Foudhaili
 
10 minutes : Tableaux de bord
parConverteo
 
Cours de Gestion des risques
parRémi Bachelet
 
La maitrise des risques du crédit bancaire (1)
parIntissar Abada
 
Audit des systemes d'information
parAnnick Franck Monyie Fouda
 
Analyse en composantes principales, ACP, sous SPSS (Principal Component Analy...
parAdad Med Chérif
 
Management des risques
parabdelghani Koura
 
Audit-audit-interne
parWidad Naciri
 
Risque credit
paraniamassika
 
Rapport pfe Conceptionet Developpement d'une Application web et Mobile
parRaoua Bennasr
 
Mise en place d’un Système d’Information pour la gestion des collectivités l...
parMohammed OMARI
 
Fiche 4 management des risques
parHalim ARROUDJ
 
Conception d’une plateforme web d’e-Commerce au sein d’une entreprise commerc...
parSymphorien Niyonzima
 
Risque achat , scm
parIlham Yachaoui
 
Memoire conception-mise-en-place-tableaux-de-bord-gestion-societe-confection[1]
parBrahim Mouacha
 
rapport de projet de fin d'étude_PFE
parDonia Hammami
 
+50 les plus belles dédicaces de mémoire de fin d'étude - pdf.pdf
parHani sami joga
 
Qcm analyse financière
parhappyshasha1
 

En vedette

PDF
Go to Market : Business model / Marketing
parEmmanuel GONON
 
PPTX
Transition matrices and PD’s term structure - Anna Cornaglia
parLászló Árvai
 
PDF
Présentation du Fonds de Garantie des Crédits aux PME (FGAR)
parOUADA Yazid
 
PDF
Operational Risk function in 1st line
parLászló Árvai
 
PDF
Creative thinking
parEmmanuel GONON
 
PDF
Risk Management in the Field of CCPs
parLászló Árvai
 
PDF
Introduction au Business Design - Journée CEA 2013
parEmmanuel GONON
 
PDF
IFRS 9: London versus Basel
parLászló Árvai
 
PDF
New Business Generation
parEmmanuel GONON
 
PPTX
Building out a Robust and Efficient Risk Management - Alan Cheung
parLászló Árvai
 
PDF
THE BANKING CHALLENGES AND OPPORTUNITIES IN CENTRAL AND EASTERN EUROPE
parLászló Árvai
 
PDF
Credit Risk Losses | Real Losses Are they inconsistent?
parLászló Árvai
 
PDF
T2S: two months after launch
parLászló Árvai
 
PDF
Pivoter sa startup - retours d'expérience avec Criteo
parEmmanuel GONON
 
Go to Market : Business model / Marketing
parEmmanuel GONON
 
Transition matrices and PD’s term structure - Anna Cornaglia
parLászló Árvai
 
Présentation du Fonds de Garantie des Crédits aux PME (FGAR)
parOUADA Yazid
 
Operational Risk function in 1st line
parLászló Árvai
 
Creative thinking
parEmmanuel GONON
 
Risk Management in the Field of CCPs
parLászló Árvai
 
Introduction au Business Design - Journée CEA 2013
parEmmanuel GONON
 
IFRS 9: London versus Basel
parLászló Árvai
 
New Business Generation
parEmmanuel GONON
 
Building out a Robust and Efficient Risk Management - Alan Cheung
parLászló Árvai
 
THE BANKING CHALLENGES AND OPPORTUNITIES IN CENTRAL AND EASTERN EUROPE
parLászló Árvai
 
Credit Risk Losses | Real Losses Are they inconsistent?
parLászló Árvai
 
T2S: two months after launch
parLászló Árvai
 
Pivoter sa startup - retours d'expérience avec Criteo
parEmmanuel GONON
 

Similaire à modèle de scoring pour la clientèle

PPTX
Machine intelligente d’analyse financiere
parSabrine MASTOURA
 
PDF
Ch6 Introduction à la Science de Données.pdf
parnesrinetaamallah
 
PPT
Data Miming-Introduction generale et dev.ppt
parernestmuhasa
 
PPTX
Data Analyse Introduction pour le slicences infocom
parAmarLakel
 
PDF
Herve balloux analyses risk and investment
parHerveBalloux
 
PDF
AlgerieTelecoTIR to be scientifc into ingeneer
parKatadaHamidzitch
 
PPTX
Pfe 2013 ece paris_black_litterman (Français)
parpfe_2013_ECE_PARIS_BL
 
Machine intelligente d’analyse financiere
parSabrine MASTOURA
 
Ch6 Introduction à la Science de Données.pdf
parnesrinetaamallah
 
Data Miming-Introduction generale et dev.ppt
parernestmuhasa
 
Data Analyse Introduction pour le slicences infocom
parAmarLakel
 
Herve balloux analyses risk and investment
parHerveBalloux
 
AlgerieTelecoTIR to be scientifc into ingeneer
parKatadaHamidzitch
 
Pfe 2013 ece paris_black_litterman (Français)
parpfe_2013_ECE_PARIS_BL
 

modèle de scoring pour la clientèle

  • 1.
    ELABORATION D’UN MODÈLEDE SCORING POUR LA CLIENTÈLE « ENTREPRISES » Présenté par: FRIRAH Sara EL RHARMOULI Ghita Présenté le: 27 Juin 2013 Devant le jury : M. Said Ramadan NSIRI Encadrant interne (INSEA) M. Idriss EFFINA Examinateur (INSEA) M. Alaaeddine BENNANI Encadrant externe (CAM) Projet de Fin d’Etude
  • 2.
  • 3.
    Plan I II III IV V Contexte général duprojet Présentation de la base de données Traitement et analyse univariée de la base de données Elaboration d’un modèle de score pour les PME et GE Automatisation des modèles sous VBA
  • 4.
    Contexte général duprojet Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Bale II Exigence de fonds propres Procédure de surveillance de la gestion des fonds propres Discipline de marché et communication financière Pilier I Pilier II Pilier IIIPilier I Calcul du RC Approche standard Approche NI (Notation Interne) (Fondation) (Avancée) Dispositif Bâle II
  • 5.
    Définition du défautbâlois au sens 8/G/2010 1. Un retard de paiement de plus de 90 jours. 2. Un ou plusieurs arriérés de paiement de plus de 90 jours sur des crédits escompte. 3. Des dépassements persistants de plus de 90 jours. 4. Des comptes gelés depuis plus de 90 jours. Retard de 90 jours Notion du défaut Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet
  • 6.
    31/12/11 31/12/12 Stock de dossiers présentantun encours Observation du Défaut 12 mois Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Horizon de prévision
  • 7.
    Comment mesurer le risquede crédit ? L’entreprise va-t-elle rembourser sa dette ? Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La problèmatique
  • 8.
    Méthode statistique d’estimationde la probabilité de défaut de la contrepartie Données historiques & QuantifierEffets des caractéristiques des emprunteurs sur leur probabilité de défaut Isoler Scoring Score obtenu Score seuil Prise de décision Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Scoring
  • 9.
    Elaborer deux modèles deprédiction Grandes Entreprises ( CA > 175 Mdhs) Petites et Moyennes Entreprises (10 Mdhs < CA< 175 Mdhs) 65 % des expositions brutes au titre du risque de crédit Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Objectif du projet
  • 10.
    Transformer sous format numérique Construire laBD Comparer les méthodes utilisées Choisir les variables discriminantes Elaborer deux modèles prédictifs Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Étapes du projet
  • 11.
    Présentation de labase de données Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Population entière Nouvelle base 50% des entreprises défaillantes 50% des entreprises non défaillantes 9% des entreprises défaillantes 91% des entreprises non défaillantes Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Echantillon de travail
  • 12.
    TAILLE  CA  TotalBilan  TC_CA  TC_RN DYNAMISMEENDETTEMENT  DCT /AC  DLT/T Bilan  T DETTES/ FP RENTABILITÉ  EBE / CA  FDR / AC  RN / FP  RN / CA STRUCTURE  FP / Fin Permanent  FDR / CA  FDR / T Bilan  FP / T Bilan  BFR / CA TRÉSORERIE TN / T Bilan LIQUIDITÉ AC / PC AUTRES  Age de l’entreprise  Ancienneté de la relation  Forme juridique  Ville  Secteur d’activité  Qualité de l’actionnariat Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Présentation des variables de la base de données
  • 13.
    Traitement et analyseunivariée de la base de données Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Traitement des valeurs extrêmes Numéro des observations associées aux valeurs extrêmes du ratio T_Dettes / FP
  • 14.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Discrétisation des variables Manuelle (CAM) Automatique sous SAS Discrétisation Intervalle <0.1 [0.1 ; 0.35 [ ≥0.35 Code 1 2 3 Fonds propres/ Total Bilan
  • 15.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Manuelle (CAM) Discrétisation des variables Intervalle < 5 ans 5-10 ans 10-15 ans > 15 ans Code 0 1 2 3 Ancienneté de la relation avec CAM
  • 16.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse univariée Analyse univariée Analyse de corrélation Analyse d’indépendance Test de KHI-2 V de Cramer
  • 17.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Test de KHI-2 Test de KHI-2 H0 : Absence de relation entre deux variables catégorielles Thème Variable Test de KHI-2 P-value V de Cramer CC Taille CA 0.9494 0.0498 0.0498 T_Bilan 0.2706 0.1655 0.1633 Dynamisme TC_CA <0.0001 0.4731 0.4277 TC_RN 0.0084 0.2585 0.2503 Endettement DCT/AC <0.0001 0.3997 0.3711 DLT/T_Bilan 0.0121 0.2485 0.2412 T_Dettes/FP <0.0001 0.3874 0.3612 Rentabilité EBE/CA 0.0156 0.2694 0.2601 RN/CA 0.2524 0.1690 0 .1667 RN/FP 0.0040 0 .2726 0.2675 FDR/AC <0.0001 0.4206 0.3877 Structure FP/T_Bilan <0.0001 0.4050 0.3754 FP/Fin_Permnt <0,0001 0.2147 0.2099 FDR/T_Bilan 0,0371 0.4206 0.3877 FDR/CA <0,0001 0.4735 0.4279 BFR/CA <0,0001 0.4595 0.4175 Trésorerie TN/T_Bilan 0.0034 0.2458 0.2387 Liquidité AC/PC <0.0001 0.4392 0.4021 Autres Age_entp 0.0010 0.3634 0.3415  Dynamisme TC_CA; TC_RN  Endettement DCT/AC; DLT/T_Bilan; T_Dettes/FP  Rentabilité EBE/CA; RN/FP; FDR/AC  Structure FP/T_Bilan; FP/Fin_Prmnt; FDR/T_Bilan ; BFR/CA  Trésorerie TN /T_Bilan  Autres Age; Ville; Actionnariat La variable CA n’est pas retenue
  • 18.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse de corrélation V de Cramer V de Cramer élevé signifie une forte corrélation entre deux variables catégorielles  FP/T_Bilan et T_Dettes/FP  FDR/T_Bilan et FDR/AC  FDR/CA et FDR/AC  FDR/CA et FDR/T_Bilan
  • 19.
    Elaboration d’un modèlede score pour les PME et GE Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet E (Yi/Xi=xi) = Pi = Odds-ratios facilement interprétables Modélise directement une probabilité Pas d’hypothèse de normalité ni d’homoscédasticité Données sans valeurs manquantes Inconvénients Avantages La régression logistique
  • 20.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La régression logistique pour les PME Méthode ascendante de Wald sous SPSS H0 : ‘βi = 0 ’ P-Value ≤ 5% 8 fois plus suscéptible de tomber en défaut Modalité 2 = [3;7[
  • 21.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La régression logistique pour les PME
  • 22.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Qualité de la modélisation Test de vraisemblance Récapitulatif des modèles Etape -2log-vraisemblance R-deux de Cox & Snell R-deux de Nagelkerke 1 164,040 ,213 ,284 2 147,385 ,299 ,399 3 133,697 ,363 ,484 4 123,005 ,409 ,545 5 113,786 ,446 ,595 6 105,391 ,478 ,637 63,7% Test de Hosmer-Lemshow H0 : L’ajustement du modèle est bon Etape Khi-Chi-deux ddl Sig. 6 10,737 8 ,217 > 5%
  • 23.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle : échantillon d’apprentissage De/vers 0 1 % correct 0 59 13 81,9% 1 13 58 81,7% Total 81,8% Zone sous la courbe Variable(s) de résultats tests:Groupe prédit Zone Erreur Std.a Signif. asymptotiqueb Intervalle de confiance 95% asymptotique Borne inférieure Borne supérieure ,839 ,036 ,000 ,769 ,909 Taux de bon classement Indice de GINI = 68%
  • 24.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La méthode Disqual pour les PME ACM sur les variables qualitatives Coordonnées continues des observations sur les axes factoriels Analyse discriminante de Fisher
  • 25.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse des correspondances multiples Inertie expliquée par les axes Les 12 premiers axes expliquent environ de 64,70% de l’inertie totale Axe factoriel Observation Application de l’AFD sur les variables continues
  • 26.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse discriminante de Fisher Lambda 0,502 F (Valeur observée) 10,749 F (Valeur critique) 1,827 DDL1 12 DDL2 130 p-value < 0,0001 alpha 0,05 Significativité globale du modèle: lambda de Wilks H0 : Les vecteurs moyens des deux classes sont égaux Test de Box -2Log(M) 162,087 F (Valeur observée) 1,192 F (Valeur critique) 1,277 DDL1 78 DDL2 62755 p-value 0.061 alpha 0,050 L’homogénéité des variances dans chacune des deux classes est vérifiée La fonction discriminante Le modèle est discriminant Coordonnées des modalités sur les 12 axes F1 F1 2,378 F2 -0,157 F3 -1,089 F4 -0,068 F5 0,958 F6 0,235 F7 0,409 F8 0,489 F9 -0,418 F10 -0,551 F11 -0,269 F12 -0,343 F(x) = 2,378*F1-0,157*F2-1,089*F3-0,068*F4+0,958*F5+0,235*F6+0,409*F7 +0,489*F8-0,418*F9-0,551*F10-0,269*F11-0,343*F12
  • 27.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse discriminante de Fisher Extrait des scores des modalités Variables Modalités Score modalités 1 -2,107 FP_Nets/T_Bilan 2 -0,416 3 1,647 1 -1,069 Trésorerie_Net/T_Bilan 2 -0,754 3 0,669 4 0,955 1 -2,097 AC/PC 2 -0,314 3 1,739 0 0,032 Actionnariat 1 1,414 2 -0,501 3 -1,047 Age-entp 1 2,388 Critère d’affectation F1 0 0,982 1 -0,982 Fonctions aux barycentres F(x) > 0 l’entreprise est affectée à la classe des « saines »  F(x) < 0 L’entreprise est affectée à la classe des « défaillantes »
  • 28.
    0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0 00 0 1 1 1 1 1 1 Sensibilité 1 - Spécificité Courbe ROC (AUC=0,926) Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation de modèle : échantillon d’apprentissage De/vers 0 1 % correct 0 60 12 83% 1 9 62 87% Total 85% Zone sous la courbe Variable(s) de résultats tests:Groupe prédit Zone Erreur Std.a Signif. asymptotiqueb Intervalle de confiance 95% asymptotique Borne inférieure Borne supérieure ,839 ,036 ,000 ,769 ,909 Taux de bon classement Indice de GINI = 68%
  • 29.
    Méthode statistique 1er échantillontest 2ème échantillon test Taux de bon classement AUC Taux de bon classement AUC Régression logistique 80,6% 0,808 78,4% 0,753 Méthode Disqual 75,8% 0,758 75% 0,716 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle : Les deux échantillons testComparaison des deux méthodes statistiques La régression logistique est retenue pour la classification des petites et moyennes entreprises
  • 30.
    Classes Probabilité de défaut Tauxdu défautMinimum Maximum Moyenne Médiane 1 2 3 4 5 0.00124 0.08523 0.32262 0.61530 0.93138 0.08522 0.32261 0.61529 0.93137 0.99597 0.0338 0.1955 0.4668 0.8282 0.4059 0.0224 0.1740 0.4431 0.8293 0.4218 4% 17% 46% 86 % 96% 96% 83% 54% 14% 4% 4% 17% 46% 86% 96% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1 2 3 4 5 1 0 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Critère d’affectation : Répartition en classes de risque
  • 31.
    Analyse univariée Corrélation  Dynamisme TC_CA TC_RN Endettement DCT/AC DLT/T_Bilan  Rentabilité RN/FP  Structure FP/T_Bilan Procéder à une AFD Test de BOX Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet p- value > 0,05 Analyse discriminante de Fisher pour les GE p-value 0,061 alpha 0,05
  • 32.
    Variable Lambda FDDL1 DDL2 p-value TC_CA 0,815 15,867 1 70 0,000 TC_RN 0,932 5,140 1 70 0,026 Dettes_CT/AC 0,856 11,798 1 70 0,001 Dettes court terme / Actif circulant Taux de croissance du chiffre d’affaires Constante F(x) = -2.122 + 2.018 TC_CA + 0.413 TC_RN + 2,224 Dettes_CT/AC Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Analyse discriminante de Fisher pour les GE Taux de croissance du résultat net
  • 33.
    De Vers0 1 Total % correct 0 28 8 36 77,78% 1 4 32 36 88,89% Total 32 40 72 83,33% 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0 0 1 1 1 Sensibilité 1 - Spécificité Courbe ROC (AUC=0,867) INDICE DE GINI 73% Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle : échantillon d'apprentissage
  • 34.
    A E.S. Waldddl Sig. Exp(B) Etape 1a TC_CA -4,396 1,346 10,661 1 ,001 ,012 Constante ,469 ,297 2,493 1 ,114 1,598 Etape 2b TC_CA -5,282 1,598 10,928 1 ,001 ,005 Dettes_CT_AC -2,989 ,970 9,483 1 ,002 ,050 Constante 3,203 ,960 11,134 1 ,001 24,594 Etape 3c TC_CA -4,400 1,705 6,659 1 ,010 ,012 TC_RN -,795 ,379 4,409 1 ,036 ,452 Dettes_CT_AC -3,814 1,146 11,069 1 ,001 ,022 Constante 3,430 1,030 11,091 1 ,001 30,867   1 1 exp( 3,430 4,40 _ 0,795 _ 3,814 _ _ ) P TC CA TC RN Dettes CT AC       Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet La régression logistique pour les GE
  • 35.
    De/vers 0 1% correct 0 29 7 80,6% 1 8 28 77,8% Total 79,2% INDICE DE GINI 58,4 % Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Qualité et validation du modèle R² de Nagelkerke = 0,523 Le pouvoir explicatif est assez bon L’aire sous la courbe de ROC est de 0,792
  • 36.
    Méthode statistique 1er échantillontest 2ème échantillon test Taux de bon classement AUC Taux de bon classement AUC Régression logistique 76% 0,768 73% 0,725 AFD 80% 0,805 82% 0,786 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Validation du modèle sur les deux échantillons testComparaison des méthodes L’analyse discriminante de Fisher est retenue pour la classification des grandes entreprises
  • 37.
    classe Score Probabilité dedéfaut Taux du défaut min max moyenne médiane min max moyenne médiane 1 49,28 100 67,09 67,08 0,0030 0,2200 0,086 0,052 6% 2 36,81 48,41 41,57 40,8 0,2201 0,4690 0,3665 0,38 19% 3 26,49 36,52 32,41 32,58 0,4691 0,6860 0,5681 0,566 67% 4 17,92 26,21 22,53 22,99 0,6861 0,8330 0,7629 0,7585 79% 5 0 17,35 11,647 11,46 0,8331 0,9150 0,8942 0,8915 86% 94% 81% 33% 21% 14% 6% 19% 67% 79% 86% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1 2 3 4 5 1 0 Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Critère d’affectation : Répartition en classes de risque
  • 38.
    Automatisation des modèlessous VBA Présentation de la base de données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Utilisation de l’application sous VBA
  • 39.
    Présentation de la basede données Traitement et analyse univariée de la BD Elaboration d’un modèle de score pour les PME et GE Automatisation sous VBA Contexte général du projet Exemple de l’application sous VBA
  • 40.
  • 41.
    MERCI DE VOTREATTENTION
  • 42.
    ELABORATION D’UN MODÈLEDE SCORING POUR LA CLIENTÈLE « ENTREPRISES » Présenté par: FRIRAH Sara EL RHARMOULI Ghita Présenté le: 27 Juin 2013 Devant le jury : M. Said Ramadan NSIRI Encadrant interne (INSEA) M. Idriss EFFINA Examinateur (INSEA) M. Alaaeddine BENNANI Encadrant externe (CAM) Projet de Fin d’Etude

Notes de l'éditeur

  • #3 Ce modèle peut être utilisé comme fichier de démarrage pour présenter des supports de formation à un groupe. Sections Cliquez avec le bouton droit sur une diapositive pour ajouter des sections. Les sections permettent d’organiser les diapositives et facilitent la collaboration entre plusieurs auteurs. Notes Utilisez la section Notes pour les notes de présentation ou pour fournir des informations supplémentaires à l’audience. Affichez ces notes en mode Présentation pendant votre présentation. N’oubliez pas de tenir compte de la taille de la police (critère important pour l’accessibilité, la visibilité, l’enregistrement vidéo et la production en ligne) Couleurs coordonnées Faites tout particulièrement attention aux diagrammes, graphiques et zones de texte. Tenez compte du fait que les participants imprimeront la présentation en noir et blanc ou nuances de gris. Effectuez un test d’impression pour vérifier que vos couleurs s’impriment correctement en noir et blanc intégral et nuances de gris. Graphiques, tableaux et diagrammes Faites en sorte que votre présentation soit simple : utilisez des styles et des couleurs identiques qui ne soient pas gênants. Ajoutez une étiquette à tous les graphiques et tableaux.
  • #41 Ce modèle peut être utilisé comme fichier de démarrage pour présenter des supports de formation à un groupe. Sections Cliquez avec le bouton droit sur une diapositive pour ajouter des sections. Les sections permettent d’organiser les diapositives et facilitent la collaboration entre plusieurs auteurs. Notes Utilisez la section Notes pour les notes de présentation ou pour fournir des informations supplémentaires à l’audience. Affichez ces notes en mode Présentation pendant votre présentation. N’oubliez pas de tenir compte de la taille de la police (critère important pour l’accessibilité, la visibilité, l’enregistrement vidéo et la production en ligne) Couleurs coordonnées Faites tout particulièrement attention aux diagrammes, graphiques et zones de texte. Tenez compte du fait que les participants imprimeront la présentation en noir et blanc ou nuances de gris. Effectuez un test d’impression pour vérifier que vos couleurs s’impriment correctement en noir et blanc intégral et nuances de gris. Graphiques, tableaux et diagrammes Faites en sorte que votre présentation soit simple : utilisez des styles et des couleurs identiques qui ne soient pas gênants. Ajoutez une étiquette à tous les graphiques et tableaux.
  • #42 Ce modèle peut être utilisé comme fichier de démarrage pour présenter des supports de formation à un groupe. Sections Cliquez avec le bouton droit sur une diapositive pour ajouter des sections. Les sections permettent d’organiser les diapositives et facilitent la collaboration entre plusieurs auteurs. Notes Utilisez la section Notes pour les notes de présentation ou pour fournir des informations supplémentaires à l’audience. Affichez ces notes en mode Présentation pendant votre présentation. N’oubliez pas de tenir compte de la taille de la police (critère important pour l’accessibilité, la visibilité, l’enregistrement vidéo et la production en ligne) Couleurs coordonnées Faites tout particulièrement attention aux diagrammes, graphiques et zones de texte. Tenez compte du fait que les participants imprimeront la présentation en noir et blanc ou nuances de gris. Effectuez un test d’impression pour vérifier que vos couleurs s’impriment correctement en noir et blanc intégral et nuances de gris. Graphiques, tableaux et diagrammes Faites en sorte que votre présentation soit simple : utilisez des styles et des couleurs identiques qui ne soient pas gênants. Ajoutez une étiquette à tous les graphiques et tableaux.