Share
Embed
Transcript
18 slides
-
Avec vous aujourd’hui Simon Lebastard Data Scientist à la DGE
simon.lebastard@finances.gouv.fr Vincent Viers Data Scientist transverse à beta.gouv.fr [email protected] -
Prévenir pour mieux guérir: un algorithme pour lutter contre la
faillite d’entreprise. Ministère de l’Economie, des Finances et de la Relance DGE, DGFiP Banque de France Ministère du Travail -
Identifier de nouvelles entreprises en situation de fragilité Anticiper et
qualifier les risques de défaillances Un algorithme produisant des listes de détection Un algorithme explicable, auditable et adaptable. Métier Technique -
Notre périmètre de prédiction Pour des détails: https://github.com/signaux-faibles/documentation/blob/master/description-donnees.md 330k établissements
10+ Etablissements de salariés Tous secteurs d’activité sauf secteur public 5.5% Taux de défaillance moyen -
Procédures collectives (sauvegarde, redressements, liquidation) Dettes sur cotisations sociales ACOSS
Ratios comptables et financiers (~100) MEFR & Banque de France Retards de paiement aux fournisseurs Indice Paydex (Altares) Demande et consommation d’activité partielle Ministère du Travail Pour des détails: https://github.com/signaux-faibles/documentation/blob/master/description-donnees.md Nos données -
Défaillance à moins de 18 mois Entrée en procédure collective
Dette sociale URSAFF de la cotisation sur 3+ mois Notre cible d’apprentissage -
Un nouveau modèle “à deux étages” Face à la crise,
remettre l’humain dans l’interface humain-algorithme -
Modèle commun DGFiP & migration sur Spark Mettre en place
un modèle en distribué Tirer profit de données financières et fiscales trimestrielles de la DGFiP Credits: Nav Photography Produire une liste commune Signaux Faibles & DGFiP -
Explorer d’autres sources de données interministérielles Données douanières: intégrer les
imports/exports extra-communautaires Ministère du Travail: mouvements de main d’oeuvre, données de rupture conventionnelles Credits: Oliver Sjöström Données de dépôt de dossier aux Prudhommes? Données d’accidents du travail? -
Vers un algorithme post-Covid Une situation inédite: quelle portabilité des
modèles pré-crise? Vers l’intégration de modèles micro- économiques? Une dette sociale peu informative, rôle grandissant de la valeur ajoutée? Credits: Yaroslav Danylchenko -
De meilleurs modèles Tester des modèles neuraux (LSTMs, CNNs) Une
modélisation hiérarchique adaptée aux disparités sectorielles et territoriales Credits: Vera Maida Tester des approches bayésiennes, notamment de la modélisation graphique pour prédire des distributions -
Apprendre des trajectoires Des approches séries temporelles adaptées à nos
données mensuelles et trimestrielles Prédire des distributions sur l’ évolution de nos variables Credits: Eberhard Grossgasteiger Superposer une prédiction de série et une classification explicable sur l’actuel et le prévisionnel -
Des détections explicables Nos prédictions aident les commissaires au redressement
productif à prioriser leur action Credits: Eberhard Grossgasteiger Notre algorithme n’est crédible que si il est compris Credits: Edwin Jaulani Modèle transparent ou black-box? Différentes méthodes d’explicabilité à explorer, comme Shap ou Anchors -
Enrichir notre cible Rigoureusement évaluer l’information dans nos données: à
quel horizon temporel pouvons-nous prédire une défaillance avec assurance? Compléter notre cible actuelle: licenciement collectifs, mouvements de main d’œuvre, variations d’embauches? Credits: Pavel Danilyuk