Étude de cas en statistique décisionnelle

Comprendre les principes théoriques de la statistique est une chose , les appliquer dans la pratique en est une autre. Le fossé entre ces deux aspects peut être considérable. Pour vous aider à le franchir, l’auteur a écrit un ouvrage pratique sur la statistique décisionnelle et la data science, qui s’inscrit dans la continuité de son livre précédent, *Data Mining et Statistique Décisionnelle*, paru dans la même collection.

Ce nouvel ouvrage présente une étude de cas complète, réalisée de A à Z à partir d’un même jeu de données. Il aborde deux problématiques essentielles : la construction d’une segmentation de clientèle et l’élaboration d’un score d’appétence à l’achat d’un produit ou à la souscription d’un contrat. Les données utilisées sont réelles et complètes, provenant du secteur de l’assurance. Cependant, l’étude qu’elles permettent de réaliser peut être appliquée à de nombreux autres domaines. Vous pouvez trouver ces données sur le Web, notamment sur le site des Éditions Technip, accompagnées des programmes présentés dans l’ouvrage. Cela permettra au lecteur de compléter sa lecture par des exercices pratiques, de tester des variantes, et d’utiliser ces programmes pour ses propres données et projets.

L’étude de cas utilise le logiciel SAS, le plus complet et le plus répandu des logiciels statistiques commerciaux, capable de traiter tous les sujets abordés dans le livre, tout en permettant d’optimiser et d’automatiser les traitements. Tout au long de l’ouvrage, une bonne partie des procédures classiques de SAS/STAT est examinée, en mentionnant les améliorations des versions récentes. Mais au-delà des questions de programmation, notre objectif est surtout de montrer qu’il est à la fois souhaitable et possible de conjuguer rigueur et productivité.

Pour le scoring, nous mettons en œuvre et comparons quatre méthodes classiques de modélisation : l’analyse discriminante linéaire, les arbres de décision, la régression logistique et le classificateur bayésien naïf. Nous explorons également des techniques plus avancées, telles que le bagging, les forêts aléatoires et le gradient boosting, en intégrant du code R dans le programme SAS.

Prêt à plonger dans l’univers de la statistique décisionnelle ?