🏢 Donner aux investisseurs immobiliers tous les outils pour trouver rapidement des biens rentables.LyBox conçoit des solutions logicielles (de type SaaS) pour aider les investisseurs particuliers et les professionnels de l’immobilier dans la recherche d'un investissement locatif.Si vous êtes un investisseur particulier, LyBox vous permet de :➡️ Retrouver toutes les annonces immobilières du web au même endroit➡️ Analyser simplement les tendances du marché immobilier➡️ Simuler et optimiser votre fiscalité immobilière en fonction de votre situation personnelle➡️ Générer un dossier bancaire PDF de qualité professionnelle pour maximiser vos chances d'obtenir un crédit.Si vous êtes un professionnel de l'immobilier, LyBox vous permet de :➡️Équiper vos collaborateurs et décupler leur productivité➡️Générer des rapports d'investissement PDF ludique à votre image pour impressionner vos clients➡️Accéder à nos millions de données par API

Au sein du département PACE de BNPP. PACE est un regroupement d'experts dont la mission est d'accompagner les entités Retail de BNPP dans leur transformation digitale, et ce dans tous les domaines (Data, marketing, product ...)Je suis intervenu sur les missions suivantes :En tant que Data Scientist :- Analyse des comportements et des valeurs clients Hello Bank! afin d'optimiser les campagnes d'acquisition marketing- Pivot de Hello Bank! : Conception et modélisation d'un business plan sous 5 scénarios de pivot envisageable pour Hello Bank!En tant que Business Analyst :- Gestion de projet d'un modèle de Machine Learning de tarification personnalisé sur le crédit immobilier. Impact en P&L > 50M€/an- Gestion de projet d'un modèle de Machine Learning de tarification personnalisé sur le crédit à la consommation. Impact en P&L > 10M€/an

Au sein du département ALMT de BNPP, l'équipe Data Science & Quantitative Finance a pour mission la conception de modèles statistiques et financiers en lien avec le risque de taux et/ou de liquidité de la banque.Je suis intervenu sur les missions suivantes :1) Gestion et conception de modèles statistiques- Refonte du modèle de remboursements anticipés des crédits immobiliers (Impact>2Mds€ sur la position de couverture / >100M€ en P&L). La refonte de ce modèle a entraîné un fort impact en P&L mais a également permis l'utilisation en production d'un modèle robuste aux aléas des marchés financiers.- Modèles de taux clients (crédits et dépôts)- Évolution des encours de comptes à vue & épargne2) Recherche et développement- Détermination d’une stratégie de couverture optimale d’un portefeuille de crédit en présence d’optionalité- Veille technologique : AI, DeepLearning, ML3) Encadrement- Accompagnement des filiales étrangères dans la construction des modèles et des indicateurs de risques locaux (Italie, Turquie)- Encadrement de 4 stages de recherche (ML, Optimisation, Automatisation)

Challenge d’un modèle de prédiction des remboursements anticipés et des renégociations des crédits immobiliers par des algorithmes de Machine Learning (Bagging, Boosting, SVM … )