• Langue : Anglais
• Discipline : Sciences économiques
• Identifiant : 2023ULILA027
• Type de thèse : Doctorat
• Date de soutenance : 22/12/2023

Résumé en langue originale

Les complexités croissantes de la prise de décision financière, intensifiées par les crises financières récentes, requièrent une modélisation prédictive avancée et transparente, notamment dans les domaines du scoring de crédit et de la fidélisation des clients. Cette thèse explore les mérites significatifs des modèles hybrides basés sur la segmentation, en se concentrant de manière cruciale sur le Logit Leaf Model (LLM), à travers différentes applications : la fidélisation des clients Business-to-Business (B2B), le scoring de crédit, et la gestion des Prêts Non Performants (NPL). L'urgence d'outils analytiques robustes, interprétables et flexibles a été amplifiée, surtout sur fond de défis financiers et économiques modernes. Ainsi, cette recherche lie minutieusement les conclusions de trois études clés pour explorer et critiquer la fonctionnalité, l'applicabilité, et le mérite du LLM dans divers contextes.L'étude dans le chapitre 2 met en lumière l'applicabilité du LLM dans les scénarios B2B, où la rétention des clients devient cruciale. L'étude montre comment le LLM peut améliorer les stratégies de rétention des clients B2B en utilisant la modélisation uplift et en fournissant des insights essentiels aux managers à travers des visualisations spécifiques, globales et de niveau segmentaire qui renforcent la prise de décision managériale. La seconde étude, présentée dans le chapitre 3, explore le domaine du scoring de crédit, mettant en lumière les performances prédictives supérieures du LLM et son interprétabilité exceptionnelle, ce qui le fait se démarquer des modèles traditionnels tels que la régression logistique et les arbres de décision, et même par rapport à des modèles avancés tels que les réseaux de neurones.Chapitre 4, introduisant la troisième étude, propose une analyse détaillée en utilisant le LLM pour démontrer sa capacité à prédire et comprendre les complexités des prêts non performants (NPL). Ceci est réalisé grâce à un examen approfondi des caractéristiques du débiteur, du prêt, et des indicateurs macroéconomiques. La capacité du modèle à fournir simultanément des prédictions précises et à produire des insights pratiques, comparée à divers autres modèles alternatifs de risque de crédit, souligne sa praticité dans la gestion du risque financier, en particulier pour les banques.À travers une exploration approfondie et une combinaison des études mentionnées ci-dessus, cette thèse met en lumière les diverses aptitudes du LLM à naviguer à travers différents domaines, tous guidés par les données. Elle soulève une discussion sur l'utilité des modèles hybrides basés sur la segmentation pour prendre des décisions complexes, louant le LLM pour sa capacité à allier puissance prédictive et interprétabilité, et à agir en tant qu'outil puissant à travers diverses applications. La thèse suggère également des domaines pour la recherche future dans le chapitre 5, encourageant une exploration plus poussée de la scalabilité, de l'adaptabilité, et des améliorations potentielles du LLM à travers divers secteurs et défis analytiques.

Résumé traduit

The increasing complexities of financial decision-making, intensified by recent financial crises, necessitate transparent advanced predictive modeling, especially in the realms of credit scoring and customer retention. This dissertation explores the significant merits of hybrid segmentation-based models, with a pivotal focus on the Logit Leaf Model (LLM), across varied applications: Business-to-Business (B2B) customer retention, credit scoring, and Non-Performing Loan (NPL) management. The exigency for robust, interpretable, and flexible analytical tools has been amplified, especially against the backdrop of modern financial and economic challenges. Thus, this research meticulously interweaves findings from three pivotal studies to explore and critique the functionality, applicability, and merit of the LLM in diverse contexts.The study in chapter 2 highlights LLM's applicability in B2B scenarios, where customer retention becomes crucial. The study shows how the LLM can improve strategies for B2B customer retention by using uplift modeling and providing essential insights to managers through specific, overall, and segment-level visualizations that strengthen managerial decision-making. The second study, presented in chapter 3, explores the field of credit scoring, spotlighting LLM's superior predictive performance and exceptional interpretability, which makes it stand out amidst traditional models like logistic regression and decision trees, and even when compared to advanced models such as neural networks.Chapter 4, introducing the third study, offers a detailed analysis using the Logit Leaf Model (LLM) to demonstrate its capability to predict and comprehend the complexities of Non-Performing Loans (NPLs). This is achieved through a thorough examination of debtor, loan, and macroeconomic features. The model's ability to concurrently provide precise predictions and yield practical insights, when compared with various alternate credit risk models, accentuates its practicality in managing financial risk, especially within retail banking scenarios.Through a thorough exploration and combination of the studies mentioned above, this dissertation highlights the LLM's varied abilities in navigating through different but inherently data-driven fields. It raises discussion on the usefulness of hybrid segmentation-based models in making complex decisions, praising the LLM for its ability to combine predictive power with interpretability and act as a powerful tool across various applications. The dissertation also suggests areas for future research in chapter 5, encouraging further exploration into the scalability, adaptability, and potential improvements of the LLM across various sectors and analytical challenges.