Leçon 1Considérations de déploiement : rythme de réentraînement, pipelines de données, surveillance de la dérive et backtesting des prévisionsPlanifiez le déploiement des systèmes de prévision des revenus, incluant le rythme de réentraînement, les pipelines de données automatisés, la surveillance de la dérive des données et des concepts, et le backtesting continu pour assurer des performances stables dans des conditions de marché changeantes.
Conception de pipelines de données robustesPlanification de réentraînement et mises à jourSurveillance de la dérive des données et des conceptsBacktesting 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 les 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 versus locauxModèles 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, les horizons et la granularité, et alignez-les avec les décisions business telles que le budget, la tarification, la planification de liquidité et les besoins de reporting réglementaire ou risque.
Choix des cibles et unités de revenusSélection des horizons et fréquencesAlignement avec les décisions businessGranularité par produit, segment, régionGestion des nouveaux produits et historiques courtsLeçon 5Identification et sourcing des données de séries temporelles (séries financières publiques, volumes de paiements, techniques de génération synthétique)Apprenez à identifier, évaluer et sourcer des données de séries temporelles pour la prévision des revenus bancaires, incluant les métriques internes de produits, les séries financières publiques, et les données synthétiques qui augmentent en toute sécurité les historiques rares ou bruités.
Catalogage des séries de revenus produits internesUtilisation des sources macro et marché publiquesCollecte des données de volumes paiements/transactionsÉvaluation qualité, lacunes et révisionsGénération données synthétiques pour scénarios stressLeçon 6Entraînement et réglage hyperparamètres : recherche grid/random, optimisation bayésienne, scoring temporelOptimisez les performances 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 priorsCompromis recherche grid et randomWorkflows optimisation bayésienneValidation et scoring temporelArrêt anticipé 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 des modèlesStacking et meta-apprenants pour sériesDiversité et corrélation entre modèlesRéconciliation hiérarchique et groupéeÉvaluation stabilité ensemble dans le tempsLeçon 8Méthodes de base séries temporelles : ARIMA, ETS, modèles naïfs et saisonniers, décomposition (tendance/saisonnalité)Explorez les modèles de base séries temporelles pour revenus bancaires, incluant naïf, naïf saisonnier, ARIMA, ETS et décomposition, pour établir des performances de référence et interpréter tendance et saisonnalité avant modèles ML complexes.
Benchmarks naïf et naïf saisonnierDécomposition classique tendance/saisonnalitéModélisation ARIMA pour séries revenus bancairesLissage exponentiel et variantes ETSComparaison baselines across produitsLeçon 9Ingénierie des features pour revenus : lags, moyennes/std roulantes, différenciation, effets calendaires, indicateurs fériés, effets cohortes, flags marketing/campagnesConcevez des features prédictives pour revenus bancaires, incluant lags, statistiques roulantes, différenciation, effets calendaires et fériés, indicateurs cohortes et cycle de vie, et flags marketing/campagnes capturant shifts de demande et ruptures structurelles.
Features lag et lead pour revenusMoyennes roulantes, volatilité, ratiosEffets calendaires, fériés, paydaysFeatures basées cohortes et cycle vieFlags 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 des performances temporelles.
Splits train, validation, test holdoutValidation 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 les prévisions de revenus avec métriques comme MAE, RMSE, MAPE, sMAPE symétrique et couverture intervalles, et réalisez analyses d'erreurs détaillées par segment, horizon et régime pour détecter biais et faiblesses modèles.
Métriques erreurs dépendantes échelleMétriques erreurs pourcentages/relativesIntervalles prédiction et couvertureDiagnostics horizon et segmentAnalyse erreurs régime et événementielleLeçon 12Régresseurs macro et externes : utilisation CPI, chômage, taux intérêt, mobilité, Google Trends ; sélection features et alignement lagsIntégrez régresseurs macroéconomiques et externes dans modèles revenus, comme CPI, chômage, taux intérêt, mobilité et tendances recherche, et apprenez techniques alignement lags, scaling et sélection features pour éviter surapprentissage.
Sélection indicateurs macro pertinentsAlignement lags macro et revenusTransformation et scaling données externesSélection features et régularisationSuperpositions stress/scénarios avec macros
