its my own . but i share with you now

1. pfe
MASTER 2 MBFA
le comportement d'achat de
produits dérivés
Université de montpellier

2. Augmenter les revenus du Big Data et réduire les coûts
sont les résultats d'une excellente maîtrise du Big Data.
Récemment, les données sont devenues de plus en plus
complexes et difficiles à gérer, de sorte que de
nombreuses entreprises ont utilisé de nombreuses
méthodes modernes afin d'adopter des stratégies
efficaces et de prendre des mesures intelligentes et des
décisions appropriées.
Introduction

3. Problématique
 Quels sont les Produits Dérivés ?
 comment expliquer et prévoir le
comportement d'achat de ces
produits ?

4.  les produits dérivés sont des produits financier dont l'objectif initiale
est de permettre à des entreprises de couvrir le risque lié aux
fluctuations de cordinalitif comme la matière première et la devise .
 ce sont plutôt des instruments financières dont la valeur dépend du
cours d'un produit de référence qu'on appelle le " sous-jacent".
 ils existe énormément plusieurs produits dérivés sur le marché, les
plus connus sont les CFD, les options, les swaps...
 Concernant les principaux types : les Warrant, les Trackers, les
Certificats, les contrats à terme sur action, les Bons de souscription.
À propos des produits dérivés

5. Dans cette étude de cas, Tous les clients
appartiennent tous à une catégorie socio-
professionnelle (ouvrier, employé,...)
Il y a 2 modalités dans cette Variable muette
Yes , Si le client
achète le produit
dérivé
n possède pas
No , Si le client
n'achète pas
le produit
dérivé

6. Statistiques descriptives
Les résultats du DataSet montrent que les produits dérivés sont acquis
par 48,56% des clients, dont 22,9% sont des femmes, les acheteurs
appartiennent à la catégorie socio-professionnelle de type (ouvrier,
employé ....) et 41% sont sans emploi, ils sont tous assurés, avec des
enfants et 84,4% entre eux sont mariés.
Count Rendement 73.00
SUM Rendement 146,00
Mean 0,485749
Average Rendement 2,01
Rendement MIN 1,32
Rendement MAX 2,26

7. 84%
16%
Clients par
status marital
Marié
Célibatai
re
Les Analyses bivariées
41%
59%
clients par
emploi perdu
emploi
perdu
emploi non
perdu
48%
29%
14%
9%
Satisfaction par sexe
Hommes
satisfaits
Hommes
insatisfaits
Femmes
satisfaites
femmes
insatisfaites
816
3441
693
0-25 ANS 26-50 ANS 51+ ANS
NOMBRE DE CLIENTS PAR AGE
NOMBRE DE CLIENTS PAR AGE

8. Après avoir fait une analyse statistique descriptives et déterminer la problématique, on va
utiliser un modèle de régression logistique Machine Learning sur Python.
Le modèle de régression logistique permet un apprentissage automatique, on va prendre un
modèle d’entrainement sur la variable y « Dérives » afin de prévoir le comportement
d’achats des produits dérivés.
Après avoir Trans-codifié les valeurs en binaires sauf ‘rendement’ & ‘âge’ qui sont déjà
numériques, on constate d’après les coefficients que la variable la moins pertinente est la
‘CSP-inf.’
Après avoir Trans-codifié les valeurs en binaires sauf
‘rendement’ & ‘âge’ qui sont déjà numériques, on
constate d’après les coefficients que la variable la
moins pertinente est la ‘CSP-inf.’
Modèle de régression logistique

9. Résultats
Après avoir vérifié la précision du modèle, on constate que son score est
de 100%, on a utilisé un modèle de d’entrainement sur une partie de
l’échantillon du DataSet avec une grandeur de test de 20% et aucune
valeur aléatoire.
La matrice de confusion montre qu’on a 976 prédictions correctes et 0
prédictions erronées, 500 clients n’ont pas acheté le produit dérivé alors
que 476 l’ont acheté.

10. Conclusion
 Pour espérer un bon rendement du produit dérivé, l’investisseur peut faire
une étude complète à travers les différents outils développés en Data
Sciences pour mieux connaitre la rentabilité de ses investissements.
 La sélection de variable nous a permis de ne garder que les plus
importantes, et les échantillons permettent d’avoir des résultats plus
convergentes.
 Les méthodes de Deep Learning sont les plus efficaces puisqu’ils
présentent le moins d’inconvénients.
 Une autre méthode basique peut s’appliquer mais qui n’est pas assez
fiable, est celle de l’envoie d’un questionnaire à chaque client.