Etude De Cas Et Statistique Decisionnelle

Comprendre les principes theoriques de la statistique est une chose ; savoir les mettre en pratique en est une autre, et le fosse peut etre large entre les deux.

C'est pour vous aider a le franchir que l'auteur a ecrit un ouvrage de "travaux pratiques" de la statistique decisionnelle, qui fait suite a son ouvrage de cours, Data Mining et statistique decisionnelle, paru dans la meme collection.

Ce nouvel ouvrage presente une etude de cas realisee de A a Z a partir du meme jeu de donnees, et repondant de facon complete et coherente a deux importantes problematiques de la statistique decisionnelle : la construction d'une segmentation de clientele et l'elaboration d'un score d'appetence a l'achat d'un produit ou la souscription d'un contrat.

Les donnees utilisees sont a la fois reelles et completes.

Elles proviennent du secteur de l'assurance, mais l'etude qu'elles permettent de realiser peut se transposer a de nombreux autres domaines.

Ces donnees sont disponibles sur Internet, notamment sur le site des Editions Technip ou elles sont accompagnees des programmes presentes dans l'ouvrage.

Ceci permettra au lecteur de completer sa lecture par des exercices personnels, par le test de variantes, mais aussi d'utiliser ces programmes pour les appliquer a ses propres donnees et ses propres projets.

L'etude de cas est menee avec le logiciel SAS, qui est a la fois le plus complet et le plus repandu des logiciels commerciaux, et qui permet de traiter tous les sujets abordes dans l'ouvrage, et meme d'optimiser, d'automatiser et d'industrialiser les traitements.

Tout au long de l'ouvrage, une bonne partie des procedures classiques de SAS/STAT est passee en revue, mais, au-dela des questions de programmation, nous souhaitons surtout montrer au lecteur qu'il est souhaitable et possible de conjuguer rigueur et productivite.

Pour le scoring, les trois principales methodes de modelisation sont mises en oeuvre et comparees, l'analyse discriminante lineaire, les arbres de decision et la regression logistique, de meme que l'agregation de modeles par bagging.