Détermination des patterns d’usage des clients.• Contrôle et détection des anomalies des données des différentes sourcesde données.• Création des rapports d’analyses et de visualisations graphiques desdonnées.• Réalisation des études ad hoc : analyse et étude des comportementsclients selon les besoins et projets de la direction et contribution à l’élaborationde plans d’actions en ligne avec la stratégie.• Mettre en place plusieurs approches de Clustering des clients par laquantité de données consommées.• Détermination d’un seuil d’usage par plusieurs modèles de Classification.• Extraction de la régularité d’usage de certains clients ciblés.

Étude de la sinistralité automobile par des méthodes de Machine Learning (Scoring)• Sélection des classes d’individus homogènes en termes de risque desinistralité.• Application des modèles de Régression Logistique, Random Forest etXGBoost sur les jeux de données.• Élaboration d’une grille de score.

Calcule de la Value-at-Risk (VAR) pour un portefeuille des options de change:• Conception d’un Pricer des options européennes via le modèle de Blackand Sholes.• Application de la simulation de Monte Carlo sur un portefeuille d’optionpour le calcul de la VAR.• Estimation du risque de marché d’un portefeuille de type options (Value-At-Risk) et Backtesting de la métrique.

Etude statistique et prédiction sur les autorisations de construire.Prévisions sur la valeur des autorisations de construire en utilisant unmodèle ARIMA(0,1,0).