Je vais construire un modèle de scoring de risque de crédit avec Python et machine learning

Vous avez besoin de prédire le risque de crédit ou la probabilité de défaut d’un client ? Je crée des modèles de machine learning qui évaluent le risque avec précision et une interprétabilité commerciale, pas seulement une boîte noire.

Ce que vous obtiendrez :

• Analyse exploratoire des données et préparation des caractéristiques
• Modèle prédictif (régression logistique ou XGBoost, selon le périmètre)
• Explicabilité SHAP, pour comprendre pourquoi le modèle prédit ce qu'il prédit
• Optionnel : calibration de la probabilité et cadrage de la perte de crédit attendue (ECL) conforme aux normes réglementaires du secteur (OJK/IFRS 9)

J'ai construit des pipelines de scoring de crédit de bout en bout atteignant un AUC supérieur à 0,77 et une statistique KS dans la gamme « excellente », en mettant l'accent sur la rendre les résultats utilisables pour de véritables décisions commerciales, pas seulement pour des métriques académiques.

Outils que j’utilise : Python (XGBoost, scikit-learn, SHAP), Pandas

Vous ne savez pas quel package correspond à vos données et objectifs ? Contactez-moi avant de commander, je vous aiderai à définir le périmètre correctement.