README.md

metadata

title: Business Risk Scoring
emoji: 🚀
colorFrom: blue
colorTo: indigo
sdk: docker
app_port: 7860
pinned: true
tags:
  - streamlit
  - machine-learning
  - docker
  - survival-analysis
  - sirene
  - fintech

📊 Scoring du Risque de Défaillance (Expertise ML)

Ce projet démontre ma capacité à concevoir et déployer une solution de Machine Learning de bout en bout, en appliquant des méthodes de modélisation avancées (Survival Analysis) à des problématiques de risque métier.

🎯 Objectif du Projet

L'enjeu est de modéliser la probabilité de survenance d'un événement (défaillance d'entreprise) sur un horizon temporel donné. Contrairement à une classification binaire classique, ce projet utilise une approche de Survival Analysis (Time-to-Event) pour capturer la dynamique temporelle du risque.

📂 Source des données & Périmètre

Le modèle exploite les données officielles de la base SIRENE V3 (Insee).

• Périmètre ciblé : Analyse focalisée sur les SAS et SARL.
• Contrainte : Étude limitée aux entités publiant leurs bilans annuels.
• Ingénierie : Filtrage et structuration de données administratives brutes pour isoler les variables financières et démographiques pertinentes.

🛠 Stack Technique & Ingénierie

• Langage : Python
• Modélisation : Survival Analysis avec XGBoost (Cox Model).
• Optimisation : Recherche d'hyperparamètres via Optuna.
• Conteneurisation : Architecture et déploiement via Docker.
• Interface : Dashboard de visualisation avec Streamlit.
• Performance : Modèle validé avec un score C-index de 0.749.

🚀 Contenu de la Démo

Cette interface est une vitrine technique permettant de visualiser :

• La performance du modèle : Analyse approfondie des métriques et validation du C-index.
• L'interprétabilité : Analyse de l'impact des variables (secteurs d'activité, tranches d'effectifs, ancienneté) sur le calcul du score de risque.
• L'architecture Ops : Démonstration d'un service packagé sous Docker, garantissant la portabilité et la mise en production du modèle.

---

Auteur : Joël Termondjian – Data Engineer & Expert Risk & Finance
LinkedIn | GitHub