Construire un premier modèle
Le rapport compare des données historiques et des variables de devis, puis compare les modèles à l’aide de matrices de confusion, de scores de classification et de courbes par tranche de probabilité.
CAS D’ÉTUDE · DATA SCIENCE
ÉVALUATION SUR LE PREMIER TRIMESTRE 2025
Pricing
et prédiction.
Estimer la transformation d’un devis
Un modèle de classification explore les données historiques pour estimer si un devis sera transformé. Le rapport documente les itérations, les différentes étapes de préparation, de modélisation et d’analyse des résultats.
PythonPandasScikit-learnLightGBMMachine Learning
01 — PROBLÈME
Transformer un historique
en signal exploitable.
L’objectif du projet était d’aider les équipes à mieux estimer la transformation des devis. Le travail a exploré deux niveaux de prédiction : les lignes d’un devis et le devis dans son ensemble, avec des variables d’historique et des informations métier.
QUESTION MÉTIER
Comment les scores peuvent-ils aider à organiser la lecture des devis et à orienter l’analyse métier ?
02 — DÉMARCHE
Une démarche construite
par étapes.
Définir le protocole temporel
Le rapport organise les données par période : apprentissage sur l’historique 2024, puis analyse du premier trimestre 2025. Les variables d’historique sont rattachées à une période antérieure pour inscrire la prédiction dans son contexte métier.
Créer des variables métier
Les variables sont enrichies avec des agrégats par devis, comme la moyenne et la médiane du montant HT, afin de comparer plusieurs façons de représenter les données métier.
Comparer par catégorie
Le rapport présente des scores F1 et AUC par catégorie. Les catégories sont anonymisées dans ce graphique afin de montrer la dispersion sans publier les libellés internes.
03 — DONNÉES DU RAPPORT
Les scores varient
selon la catégorie.
Chaque point représente une catégorie du tableau de test, anonymisée. Les deux axes reprennent les scores F1 et AUC reportés.
MÉDIANE F1équilibre précision / rappel
MÉDIANE AUCclassement des observations
CATÉGORIESlignes du tableau source
F1 / AUC · TEST T1 2025
Scores par catégorie anonymisée
F1AUC
AUC
Chaque cercle relie les scores F1 et AUC d’une catégorie du tableau.Seuil
0,5 : repère de lecture
Source : tableau « Section / n / Acc / F1 / AUC » du Rapport Pricing. Valeurs F1 et AUC reprises telles quelles ; les noms de catégories et les volumes ont été retirés. Les médianes sont calculées sur les lignes de ce tableau.
04 — LES ÉLÉMENTS CLÉS DU RAPPORT
De l’activité aux décisions.
Les captures réunissent le contexte commercial, les règles de recommandation et les principaux axes d’analyse. Chaque visuel éclaire une étape du projet.
01 · LE CONTEXTE
Où se concentre l’activité ?
Ce tableau de bord ventile les devis et le chiffre d’affaires par famille de produits. Il sert à repérer les écarts entre familles et à filtrer l’analyse. Cette vue pose le contexte métier de l’analyse avant la lecture des résultats du modèle.
02 · LE LIEN MARGE / TRANSFORMATION
Les recommandations dépendent du contexte.
Chaque point représente une observation du rapport. Les cadres ajoutés matérialisent les zones où la marge proposée varie avec le score et la position de la marge actuelle. Cette visualisation illustre la logique métier explorée et la manière dont marge et score sont lus conjointement.
03 · LE RETOUR OBSERVÉ
Les écarts se distribuent selon le statut du devis.
Le rapprochement entre écart de marge et statut du devis met en évidence deux distributions différentes. Le visuel met en regard le statut des devis et la répartition des écarts observés dans le rapport.
04 · LES RÈGLES MÉTIER TESTÉES
Comment le prototype proposait un ajustement.
Les arbres ci-dessous traduisent les essais de règles du rapport. Ils comparent notamment les taux observés aux références et prévoient des cas où le système conserve ou arrête l’action.
Cette première arborescence rend les règles métier explicites. Elle montre aussi leur dépendance à des seuils et à des moyennes : les seuils rendent explicite le périmètre de référence utilisé pour produire les recommandations.
La version trimestrielle ajoute une logique de retour : les indicateurs sont observés à chaque période afin d’adapter la stratégie au contexte actualisé.
Les visuels reprennent des analyses présentées dans le rapport Pricing. Les libellés de catégories ont été anonymisés pour cette présentation.
05 — SYNTHÈSE
Des données
à la lecture métier.
Le projet associe exploration des devis, création de variables, comparaison de modèles et restitution graphique. Les indicateurs par catégorie donnent une lecture plus détaillée que la seule moyenne globale et nourrissent les échanges avec les équipes métier.
Historique de devis→Modélisation→Analyse par
segment→Restitution
Cette étude m’a permis de travailler sur le cycle d’un projet de machine learning : préparation des données, choix des variables, comparaison des indicateurs et restitution des résultats aux équipes métier.