Modélisation de l’appétence au crédit à la consommation : approche segmentée ou globale ?

Details

Supervisors

Satinet, Chloé

Faculty

Louvain School of Management

Degree label

Master [120] : ingénieur de gestion, à finalité spécialisée

Abstract

frCe mémoire s’intéresse à la prédiction de l’appétence des clients bancaires pour un crédit à la consommation. Dans un contexte où les campagnes commerciales doivent être de plus en plus ciblées, l’objectif est d’évaluer si des modèles de machine learning peuvent améliorer l’identification des clients les plus susceptibles de souscrire ce type de produit. L’étude est menée à partir de données internes de Beobank et compare deux approches de modélisation. La première repose sur des modèles locaux, entraînés séparément sur différents segments de clients selon leur historique avec les produits de crédit. La seconde repose sur un modèle global, construit sur une population consolidée afin de tester si une architecture plus simple peut offrir des performances comparables. Pour répondre à cette question, plusieurs modèles prédictifs ont été entraînés et comparés. Une attention particulière a été portée au déséquilibre des classes, les clients souscrivant effectivement un crédit représentent une faible proportion de la population étudiée. Les modèles ont été évalués à l’aide de métriques adaptées au ciblage commercial, telles que l’Average Precision, l’AUC et le Lift, puis testés sur une période temporelle ultérieure. Les résultats montrent que les modèles segmentés permettent de mieux capter certaines spécificités locales, mais que le modèle global atteint des performances suffisamment proches pour constituer une alternative pertinente d’un point de vue opérationnel. Toutefois, son utilisation nécessite une attention particulière à la composition des clients les mieux classés, afin d’éviter de concentrer le ciblage sur un seul type de profil.