Projet d'analyse exploratoire de données visant à identifier les clients bancaires à risque d'attrition (ceux susceptibles de résilier leur contrat). En comprenant les facteurs de churn sous-jacents, l'analyse permet à la banque d'adopter des stratégies ciblées pour réduire l'attrition et fidéliser sa clientèle, en s'appuyant sur l'écosystème data-science de Python pour le nettoyage, la visualisation et l'exploration statistique.
Moteur de scoring du risque de churn pour l'activité pièces détachées d'un concessionnaire, isolant une cohorte fiable de 230 comptes à partir d'un export de 3,1 M de lignes corrompu par un bug de plafonnement ayant fait disparaître 63 % des clients, et surpassant les modèles de référence récence/fréquence avec un PR-AUC de 0,51 validé par bootstrap.
Segmentation non supervisée de 2 635 clients réels en 4 segments (ARI bootstrap de 0,97), révélant une liste de réactivation de 668 000 $ extraite d'un export tronqué.
Combine process mining et machine learning pour détecter les réclamations d'assurance frauduleuses à partir de journaux d'événements.