Leçon 1Considérations de déploiement : cadence de réentraînement, pipelines de données, surveillance de la dérive et backtesting des prévisionsPlanifiez le déploiement des systèmes de prévision des revenus, incluant la cadence de réentraînement, les pipelines de données automatisés, la surveillance des dérives de données et de concept, et le backtesting continu pour assurer une performance stable dans les conditions de marché changeantes au Sénégal.
Conception de pipelines de données robustesPlanification de réentraînement et mises à jourSurveillance des dérives de données et de conceptBacktesting continu et benchmarksStratégies d'alertes et de rollbackLeçon 2Communication des prévisions aux parties prenantes : visualisation des prévisions ponctuelles et intervalles, analyse de scénarios, transparence des hypothèsesCommuniquez efficacement les prévisions de revenus aux parties prenantes en utilisant des visualisations claires des prédictions ponctuelles et intervalles, l'analyse de scénarios, et une documentation transparente des hypothèses, limitations et considérations de risque des modèles.
Visualisation des prévisions ponctuelles et intervallesConception d'analyse de scénarios et what-ifExplication des facteurs clés et featuresDocumentation des hypothèses et limitesAdaptation des messages aux parties prenantesLeçon 3Modèles d'apprentissage automatique pour séries temporelles : forêts aléatoires/gradient boosting avec features retardées, XGBoost/LightGBM, et modèles de séquence (LSTM/GRU)Entraînez des modèles d'apprentissage automatique pour la prévision des revenus en séries temporelles, incluant les ensembles d'arbres avec features retardées et modèles de séquence comme LSTM et GRU, tout en gérant la non-stationnarité, la saisonnalité et l'hétérogénéité au niveau produit.
Forêts aléatoires avec features retardéesGradient boosting, XGBoost, LightGBMModèles globaux vs locaux de prévisionModèles de séquence avec LSTM et GRUGestion de la non-stationnarité et scalingLeçon 4Formulation des objectifs de prévision et horizons d'évaluation (ex. 3, 6, 12 prochains mois)Définissez les objectifs de prévision pour les produits bancaires de base en sélectionnant les cibles de prédiction, horizons et granularité, et alignez-les avec les décisions business comme le budget, la tarification, la planification de liquidité et les besoins réglementaires ou de reporting risque.
Choix des cibles et unités de revenusSélection des horizons et fréquences de prévisionAlignement des prévisions avec décisions businessGranularité par produit, segment et régionGestion des nouveaux produits et historiques courtsLeçon 5Identification et sourcing des données en séries temporelles (séries financières publiques, volumes de paiements, techniques de génération synthétique)Apprenez à identifier, évaluer et sourcer des données en séries temporelles pour la prévision des revenus bancaires, incluant les métriques internes de produits, séries financières publiques et données synthétiques qui augmentent sûrement les historiques rares ou bruités.
Catalogage des séries de revenus produits internesUtilisation des sources macro et marché publiquesCollecte des données volumes paiements et transactionsÉvaluation qualité données, gaps et révisionsGénération données synthétiques pour scénarios stressLeçon 6Entraînement et réglage hyperparamètres : recherche grid/random, optimisation bayésienne, scoring temporelOptimisez la performance des modèles avec des stratégies structurées de réglage hyperparamètres, incluant recherche grid et random, optimisation bayésienne, et scoring temporel respectant l'ordre chronologique et focalisé sur les horizons critiques business.
Définition espaces de recherche et priorsTrade-offs recherche grid et randomWorkflows optimisation bayésienneValidation et scoring temporelArrêt précoce et limites ressourcesLeçon 7Ensembles de modèles et réconciliation : moyenne simple, ensembles pondérés, stacking pour séries temporellesCombinez plusieurs modèles de prévision des revenus bancaires avec moyennes simples, ensembles pondérés et stacking, et appliquez la réconciliation hiérarchique pour assurer des prévisions cohérentes à travers produits, agences et niveaux organisationnels.
Moyenne simple et pondérée de modèlesStacking et meta-learners pour sériesDiversité et corrélation entre modèlesRéconciliation hiérarchique et groupéeÉvaluation stabilité ensemble dans le tempsLeçon 8Méthodes de base séries temporelles : ARIMA, ETS, modèles naifs et saisonniers naifs, décomposition (tendance/saisonnalité)Explorez les modèles de base séries temporelles pour revenus bancaires, incluant naifs, saisonniers naifs, ARIMA, ETS et décomposition, pour établir performances de référence et interpréter tendance et saisonnalité avant modèles ML complexes.
Benchmarks naifs et saisonniers naifsDécomposition classique tendance et saisonnalitéModélisation ARIMA pour séries revenus bancairesLissage exponentiel et variantes ETSComparaison baselines à travers produitsLeçon 9Ingénierie de features pour revenus : retards, moyennes/std roulantes, différenciation, effets calendaires, indicateurs fériés, effets cohortes, flags marketing/campagnesConcevez des features prédictives pour revenus bancaires, incluant retards, statistiques roulantes, différenciation, effets calendaires et fériés, indicateurs cohortes et lifecycle, et flags marketing ou campagnes capturant shifts de demande et ruptures structurelles.
Features retards et avances pour revenusMoyennes roulantes, volatilité et ratiosEffets calendaires, fériés et paydaysFeatures basées cohortes et lifecycleFlags impact marketing et campagnesLeçon 10Découpage données et validation croisée pour séries temporelles : splits train/validation/test, CV fenêtre glissante, CV bloquéConcevez des découpages de données et schémas de validation croisée adaptés au temps pour prévision revenus, incluant approches roulantes et bloquées, pour éviter fuites, mimer usage production et obtenir estimations fiables de performance temporelle.
Splits holdout train, validation et testValidation fenêtre glissante et expansiveValidation croisée bloquée pour saisonnalitéPrévention fuites temporelles dans featuresBacktesting sur multiples origines prévisionLeçon 11Métriques d'évaluation et analyse erreurs : MAE, RMSE, MAPE, sMAPE symétrique, intervalles prédiction et couvertureÉvaluez prévisions revenus avec métriques comme MAE, RMSE, MAPE, sMAPE symétrique et couverture intervalles, et effectuez analyse erreurs détaillée par segment, horizon et régime pour détecter biais et faiblesses modèles.
Métriques erreurs dépendantes échelleMétriques erreurs pourcentages et relativesIntervalles prédiction et couvertureDiagnostics horizon et segmentAnalyse erreurs régime et événementielleLeçon 12Régresseurs macro et externes : utilisation IPC, chômage, taux intérêt, mobilité, Google Trends ; sélection features et alignement retardsIntégrez régresseurs macroéconomiques et externes dans modèles revenus, comme IPC, chômage, taux intérêt, mobilité et tendances recherche, et apprenez techniques alignement retards, scaling et sélection features pour éviter surapprentissage.
Sélection indicateurs macro pertinentsAlignement retards macro et revenusTransformation et scaling données externesSélection features et régularisationSuperpositions stress et scénarios avec macros
