{"id":35284,"date":"2025-12-16T15:31:45","date_gmt":"2025-12-16T14:31:45","guid":{"rendered":"https:\/\/leocare.eu\/fr\/?post_type=leocare_lab&p=35284"},"modified":"2026-02-18T21:24:11","modified_gmt":"2026-02-18T20:24:11","slug":"algorithme-prediction-regularisation-impaye","status":"publish","type":"leocare_lab","link":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/","title":{"rendered":"Comment nous avons cr\u00e9\u00e9 notre algorithme de pr\u00e9diction de r\u00e9gularisation d\u2019impay\u00e9 chez Leocare"},"content":{"rendered":"\n

Dans le secteur de l\u2019assurance, la gestion des impay\u00e9s est un d\u00e9fi op\u00e9rationnel et financier majeur. <\/strong>Chaque rejet de pr\u00e9l\u00e8vement perturbe le cycle financier et engage des ressources consid\u00e9rables. Chez Leocare, nous disposions de relances automatis\u00e9es (CRM) et la possibilit\u00e9 de r\u00e9g\u00e9n\u00e9rer une nouvelle tentative de paiement directement sur la carte bancaire, mais nous manquons d’une capacit\u00e9 d’intervention humaine directe. <\/strong><\/p>\n\n\n\n

Pourtant, il y a un co\u00fbt : chaque dossier non r\u00e9gularis\u00e9 entra\u00eene la r\u00e9siliation du contrat d\u2019assurance<\/strong><\/h2>\n\n\n\n

Face \u00e0 un montant non satisfaisant de rejet de pr\u00e9l\u00e8vements il est devenu \u00e9vident que nous devions introduire une nouvelle action : le rappel t\u00e9l\u00e9phonique.<\/strong> Mais l’action humaine est co\u00fbteuse. L’enjeu n’\u00e9tait donc pas de tout relancer, mais de relancer juste. L’incertitude est notre principal adversaire. Certaines situations se r\u00e9solvent spontan\u00e9ment, tandis que d’autres n\u00e9cessitent une intervention humaine pour \u00e9viter la perte d\u00e9finitive du contrat. Notre objectif n’\u00e9tait pas d’optimiser une capacit\u00e9 existante, mais de la cr\u00e9er de toute pi\u00e8ce en la rendant imm\u00e9diatement efficace.<\/strong><\/p>\n\n\n\n

Apr\u00e8s avoir constat\u00e9 l’insuffisance des m\u00e9thodes classiques (relances CRM seules, segmentation statique), nous avons fait le pari de la Data Science.<\/strong> Notre d\u00e9fi \u00e9tait de d\u00e9terminer si les donn\u00e9es dont nous disposons (historique client, le contexte bancaire, la nature du contrat) permettaient de pr\u00e9dire la probabilit\u00e9 de r\u00e9gularisation d\u2019un impay\u00e9 dans le d\u00e9lai contractuel de 40 jours. Cette intuition a marqu\u00e9 le d\u00e9but d\u2019un travail m\u00e9thodique visant \u00e0 formaliser un probl\u00e8me pr\u00e9dictif solide et exploitable en production. <\/strong>Le mod\u00e8le que nous avons construit a permis de cr\u00e9er un score de priorit\u00e9, servant de socle \u00e0 la mise en place d’une nouvelle capacit\u00e9 d’appel t\u00e9l\u00e9phonique qui maximise l’impact de chaque conversation.<\/p>\n\n\n\n

Le point de d\u00e9part : comprendre l\u2019impay\u00e9 et accepter l\u2019incertitude<\/strong><\/h2>\n\n\n\n

Avant m\u00eame d\u2019aborder la mod\u00e9lisation, nous devions reconna\u00eetre la complexit\u00e9 intrins\u00e8que du ph\u00e9nom\u00e8ne. Un impay\u00e9 n\u2019est jamais un incident isol\u00e9. <\/strong>Il s\u2019inscrit dans une trajectoire comportant des facteurs humains, techniques, bancaires et contractuels. Chaque rejet peut d\u00e9couler d\u2019une r\u00e9alit\u00e9 diff\u00e9rente : <\/strong>un solde insuffisant, une contrainte ponctuelle, une \u00e9volution de la situation du client, une insatisfaction, de la fraude, une particularit\u00e9 bancaire ou encore un d\u00e9calage dans nos syst\u00e8mes.<\/p>\n\n\n\n

\"impayes\"<\/figure>\n\n\n\n

Tr\u00e8s t\u00f4t, nous avons d\u00fb accepter une contrainte structurante : certaines informations, bien que pertinentes, ne sont accessibles qu\u2019en d\u00e9cal\u00e9. <\/strong>Les donn\u00e9es sur lesquelles nous nous appuyons ne sont disponibles qu\u2019\u00e0 J+1 dans notre datawarehouse, ce qui signifie que certaines r\u00e9gularisations ou tentatives ne sont visibles qu\u2019apr\u00e8s coup. De plus, les modalit\u00e9s de paiement, notamment les diff\u00e9rences entre CB et IBAN, impliquent des comportements et des historisations distinctes.<\/strong><\/p>\n\n\n\n

Cette prise de conscience nous a oblig\u00e9s \u00e0 adopter une approche prudente mais d\u00e9termin\u00e9e. <\/strong>Chaque hypoth\u00e8se devait \u00eatre v\u00e9rifi\u00e9e empiriquement, car l\u2019incertitude fait partie int\u00e9grante de la dynamique des impay\u00e9s.<\/p>\n\n\n\n

Nous avons rapidement compris que nos premi\u00e8res intuitions seraient mises \u00e0 l\u2019\u00e9preuve par la question de savoir si les donn\u00e9es porteraient suffisamment d\u2019information pour permettre la construction d\u2019un mod\u00e8le performant. Nous nous sommes alors appuy\u00e9s sur les \u00e9quipes m\u00e9tiers afin qu\u2019elles nous aident \u00e0 identifier les variables importantes selon leur expertise, pour ne passer \u00e0 c\u00f4t\u00e9 de rien.<\/strong><\/p>\n\n\n\n

Un autre obstacle important relev\u00e9 dans les documents concernait les limites du syst\u00e8me d\u2019information. <\/strong>Certains signaux que nous aurions souhait\u00e9 exploiter n\u2019existaient tout simplement pas dans nos bases. D\u2019autres n\u2019\u00e9taient pas historis\u00e9s, ou seulement partiellement. Nous devions donc accepter que notre compr\u00e9hension du ph\u00e9nom\u00e8ne serait contrainte par le p\u00e9rim\u00e8tre exact des donn\u00e9es disponibles.<\/strong><\/p>\n\n\n\n

Enfin, nous avons d\u00fb composer avec un paradoxe : l\u2019impay\u00e9 est fr\u00e9quent, mais sa dynamique est difficile \u00e0 g\u00e9n\u00e9raliser puisqu\u2019il est r\u00e9troactif <\/strong>(jusqu\u2019\u00e0 12 mois apr\u00e8s le pr\u00e9l\u00e8vement, ce qui ajoute un risque r\u00e9siduel). Les trajectoires sont vari\u00e9es, parfois contradictoires. Certaines r\u00e9gularisations surviennent en quelques jours, d\u2019autres au dernier moment du d\u00e9lai contractuel, d\u2019autres encore jamais. C\u2019est cette diversit\u00e9 qui nous a oblig\u00e9s \u00e0 penser le probl\u00e8me non pas comme une simple classification, mais comme une tentative de lecture de trajectoires behaviorales dans un syst\u00e8me o\u00f9 l\u2019information n\u2019est jamais parfaite.<\/strong><\/p>\n\n\n\n

Cette premi\u00e8re phase a donc \u00e9t\u00e9 bien plus que l\u2019identification d\u2019un probl\u00e8me. <\/strong>Elle a constitu\u00e9 une remise \u00e0 plat de nos repr\u00e9sentations. Nous avons d\u00fb accepter de ne pas tout ma\u00eetriser, de nous laisser guider par la donn\u00e9e, et d\u2019apprendre \u00e0 questionner nos intuitions. Cette humilit\u00e9 m\u00e9thodologique est devenue le socle sur lequel tout le reste du projet s\u2019est construit. Nous avons ainsi construit les fondations d\u2019une d\u00e9marche analytique ancr\u00e9e dans la r\u00e9alit\u00e9 op\u00e9rationnelle, <\/strong>consciente de ses limites mais structur\u00e9e pour progresser.<\/p>\n\n\n\n

D\u00e9finir la cible : un travail fondamental<\/strong><\/h2>\n\n\n\n

D\u00e9finir la cible a \u00e9t\u00e9 l\u2019un des moments les plus d\u00e9licats et les plus structurants du projet.<\/strong><\/p>\n\n\n\n

\u00c0 premi\u00e8re vue, l\u2019objectif semblait simple : pr\u00e9dire qu\u2019un impay\u00e9 serait ou non r\u00e9gularis\u00e9.<\/strong> Mais d\u00e8s que nous avons commenc\u00e9 \u00e0 explorer les donn\u00e9es et \u00e0 comprendre les flux contractuels, nous avons r\u00e9alis\u00e9 que la question devait \u00eatre beaucoup plus pr\u00e9cise. La mod\u00e9lisation ne visait pas seulement \u00e0 anticiper la r\u00e9gularisation, mais surtout \u00e0 trier les individus :<\/strong> identifier ceux pour lesquels une relance t\u00e9l\u00e9phonique serait pertinente et \u00e9viter de mobiliser inutilement les \u00e9quipes sur les cas susceptibles de se r\u00e9gulariser spontan\u00e9ment.

Ainsi, le choix de la fen\u00eatre de 30 jours n\u2019a pas \u00e9t\u00e9 arbitraire. Il s\u2019est impos\u00e9 \u00e0 nous au croisement de plusieurs contraintes \u00e9voqu\u00e9es.<\/strong><\/p>\n\n\n\n

D\u2019abord, la m\u00e9canique contractuelle.<\/strong> Une quittance impay\u00e9e suit un cycle strict, balis\u00e9 par des d\u00e9lais r\u00e9glementaires au-del\u00e0 desquels le statut du contrat \u00e9volue. Apr\u00e8s 30 jours, les m\u00e9canismes de suspension et les relances obligatoires modifient enti\u00e8rement la dynamique du dossier. Tenter de pr\u00e9dire une r\u00e9gularisation au-del\u00e0 de cette fen\u00eatre n\u2019aurait pas correspondu \u00e0 la r\u00e9alit\u00e9 op\u00e9rationnelle. \u00c0 l\u2019inverse, une fen\u00eatre plus courte aurait \u00e9t\u00e9 trop r\u00e9ductrice et n\u2019aurait pas captur\u00e9 les nombreux cas o\u00f9 les clients r\u00e9gularisent naturellement juste avant le seuil contractuel.<\/p>\n\n\n\n

Ensuite, l\u2019analyse statistique.<\/strong> Lorsque nous avons examin\u00e9 les distributions temporelles de r\u00e9gularisation, un pattern clair est apparu : la grande majorit\u00e9 des paiements se r\u00e9solvent dans les premiers 30 jours. Les rares cas de r\u00e9gularisation tardive ne constituent pas un signal exploitable, <\/strong>mais plut\u00f4t des exceptions dict\u00e9es par des situations particuli\u00e8res ou des processus externes. Cette observation, bien qu\u2019intuitive pour les \u00e9quipes m\u00e9tier, a trouv\u00e9 une confirmation solide dans les donn\u00e9es.<\/p>\n\n\n\n

Enfin, nous avons choisi de ne consid\u00e9rer que le premier rejet de pr\u00e9l\u00e8vement pour chaque quittance. <\/strong>Pour rappel, une quittance correspond \u00e0 un document officiel attestant qu\u2019un client doit r\u00e9gler un paiement pour une p\u00e9riode donn\u00e9e (souvent un mois de loyer ou de contrat). Si le client ne paie pas \u00e0 la premi\u00e8re pr\u00e9sentation, la m\u00eame quittance peut \u00eatre pr\u00e9sent\u00e9e plusieurs fois, parfois avec un d\u00e9lai d\u2019un mois ou plus entre les tentatives. Nous avons retenu uniquement le premier rejet, car c\u2019est le plus pertinent d\u2019un point de vue m\u00e9tier et cela \u00e9vite de diluer les signaux. <\/strong>Le premier rejet marque le basculement d\u2019un client r\u00e9gulier vers une situation d\u2019impay\u00e9, moment o\u00f9 le comportement futur devient incertain (exactement ce que nous voulions analyser). D\u2019autres rep\u00e8res temporels ont \u00e9t\u00e9 envisag\u00e9s, mais aucun n\u2019offrait la m\u00eame coh\u00e9rence analytique.<\/strong><\/p>\n\n\n\n

Cette r\u00e9flexion nous a aussi confront\u00e9s \u00e0 une autre probl\u00e9matique : l’arbitrage entre pr\u00e9cision th\u00e9orique et applicabilit\u00e9 m\u00e9tier. <\/strong>La d\u00e9finition trop complexe d\u2019une cible aurait rendu le mod\u00e8le difficile \u00e0 expliquer, donc difficile \u00e0 utiliser. \u00c0 l\u2019inverse, une d\u00e9finition trop simplifi\u00e9e aurait conduit \u00e0 une perte de sens op\u00e9rationnel. Le compromis choisi par la probabilit\u00e9 de r\u00e9gularisation dans les 30 jours suivant un premier rejet de quittance nous a permis de garder une logique \u00e0 la fois pr\u00e9dictive, interpr\u00e9table et li\u00e9e directement aux contraintes l\u00e9gales comme aux besoins des \u00e9quipes terrain.<\/p>\n\n\n\n

Ce travail de cadrage nous a appris que la cible n\u2019est pas un param\u00e8tre technique parmi d\u2019autres. C\u2019est la colonne vert\u00e9brale du mod\u00e8le, celle qui d\u00e9termine son utilit\u00e9 r\u00e9elle.<\/strong> Cette \u00e9tape a pos\u00e9 les fondations m\u00e9thodologiques de tout ce que nous avons construit ensuite.<\/p>\n\n\n\n

La donn\u00e9e : structuration, enrichissement et limites<\/strong><\/h2>\n\n\n\n

Lorsque nous avons commenc\u00e9 \u00e0 explorer nos donn\u00e9es, nous savions que la r\u00e9ussite du mod\u00e8le d\u00e9pendrait presque enti\u00e8rement de la qualit\u00e9, de la coh\u00e9rence et de la profondeur des informations disponibles. <\/strong>Il ne s\u2019agissait pas seulement d\u2019assembler des tables, mais de comprendre ce qu\u2019elles r\u00e9v\u00e9laient, ce qu\u2019elles omettaient et comment leurs imperfections pouvaient influencer notre capacit\u00e9 \u00e0 pr\u00e9dire. Pour ce travail, nous nous sommes appuy\u00e9s sur les \u00e9quipes m\u00e9tier.<\/strong><\/p>\n\n\n\n

L\u2019une des premi\u00e8res difficult\u00e9s a \u00e9t\u00e9 d\u2019admettre que certaines informations intuitivement pertinentes, comme l\u2019intention du client, la nature exacte de sa contrainte financi\u00e8re ou les raisons profondes d\u2019un rejet, n\u2019existent tout simplement pas sous une forme exploitable.<\/strong> Les motifs bancaires ne sont pas toujours disponibles, les interactions humaines ne sont pas historis\u00e9es de mani\u00e8re uniforme, et certains signaux ne laissent aucune trace num\u00e9rique. Il a donc fallu fonder notre mod\u00e8le sur des variables r\u00e9ellement observables, et non sur celles que nous aurions souhait\u00e9 poss\u00e9der.<\/strong><\/p>\n\n\n\n

\u00c0 partir de cette prise de conscience, nous avons entrepris un travail de consolidation minutieux. Les donn\u00e9es contractuelles nous ont permis de caract\u00e9riser la nature du contrat, son anciennet\u00e9 et sa conformit\u00e9. Les donn\u00e9es clients ont r\u00e9v\u00e9l\u00e9 l\u2019historique de la relation, le nombre de contrats d\u00e9tenus et les pr\u00e9c\u00e9dents incidents de paiement. <\/strong>C\u00f4t\u00e9 bancaire, la structure de l\u2019IBAN et du BIC a offert des perspectives inattendues : la longueur de l\u2019IBAN, son pays d\u2019origine ou la typologie de la banque permettaient de d\u00e9tecter des tendances comportementales invisibles<\/strong> dans un jeu de donn\u00e9es purement transactionnel. Bien \u00e9videmment, traiter des donn\u00e9es bancaire est un sujet sensible donc on a bien veill\u00e9 \u00e0 ce que l\u2019ensemble de ce travail soit conduit dans le respect du RGPD, en utilisant exclusivement des donn\u00e9es anonymis\u00e9es <\/strong>afin de garantir la confidentialit\u00e9 des informations personnelles.<\/p>\n\n\n\n

\"donnees\"<\/figure>\n\n\n\n

Il a ensuite fallu transformer notre dataset pour le rendre exploitable : <\/strong>gestion des valeurs aberrantes, traitement des donn\u00e9es manquantes, et r\u00e9conciliation des informations provenant de diff\u00e9rentes sources, notamment les rejets de pr\u00e9l\u00e8vement li\u00e9s \u00e0 un IBAN ou \u00e0 une carte bancaire, car les clients peuvent utiliser les deux modes de paiement. Nous avons alors pu entreprendre la construction des variables d\u00e9riv\u00e9es qui a \u00e9t\u00e9 un travail fondateur. Elle a permis de rendre visibles des ph\u00e9nom\u00e8nes qui ne l\u2019\u00e9taient pas dans la donn\u00e9e brute et de cr\u00e9er une repr\u00e9sentation coh\u00e9rente du ph\u00e9nom\u00e8ne, <\/strong>racontant l\u2019histoire des impay\u00e9s \u00e0 travers les traces num\u00e9riques laiss\u00e9es par les processus.<\/p>\n\n\n\n

Une fois le dataset nettoy\u00e9 et les variables d\u00e9riv\u00e9es construites, nous avons proc\u00e9d\u00e9 \u00e0 une exploration approfondie des donn\u00e9es.<\/strong> Des analyses statistiques et de corr\u00e9lation ont identifi\u00e9 les variables les plus pertinentes pour expliquer la r\u00e9gularit\u00e9 des quittances et ont permis de d\u00e9tecter les redondances dans le dataset.<\/p>\n\n\n\n

C\u2019est cette narration silencieuse des donn\u00e9es qui a servi de socle \u00e0 tout le travail de mod\u00e9lisation.<\/strong><\/p>\n\n\n\n

Les premi\u00e8res mod\u00e9lisations : performance statistique et limites op\u00e9rationnelles<\/strong><\/h2>\n\n\n\n

Lorsque nous avons lanc\u00e9 les premi\u00e8res mod\u00e9lisations, nous \u00e9tions \u00e0 un moment charni\u00e8re du projet : celui o\u00f9 la th\u00e9orie rencontre enfin la r\u00e9alit\u00e9 des donn\u00e9es. <\/strong>Apr\u00e8s des semaines d\u2019assemblage, de nettoyage, de construction de variables d\u00e9riv\u00e9es et de reconstitution des trajectoires, nous allions v\u00e9rifier si les signaux que nous pensions d\u00e9tecter existaient r\u00e9ellement. <\/strong>Les premiers r\u00e9sultats ont suscit\u00e9 un m\u00e9lange de soulagement, de surprise et de frustration.<\/p>\n\n\n\n

Nous avons test\u00e9 diff\u00e9rents types de mod\u00e8les : des mod\u00e8les d\u2019arbres en ensemble (Random Forest, Boosting) et des mod\u00e8les plus simples comme les arbres de d\u00e9cision (CART). <\/strong>Tous ont produit des performances int\u00e9ressantes, ce qui montrait que les donn\u00e9es portaient effectivement des informations exploitables.<\/p>\n\n\n\n

Compte tenu du d\u00e9s\u00e9quilibre de la variable cible, nous avons \u00e9valu\u00e9 les performances avec des m\u00e9triques adapt\u00e9es : F1-score, rappel, pr\u00e9cision et AUC.<\/strong> Ces scores ont confirm\u00e9 que certains comportements n\u2019\u00e9taient pas al\u00e9atoires : la r\u00e9gularisation des impay\u00e9s n\u2019\u00e9tait pas un ph\u00e9nom\u00e8ne purement chaotique. C\u2019\u00e9tait un vrai soulagement, car l\u2019un de nos plus grands doutes au d\u00e9part \u00e9tait de ne rien trouver.<\/strong><\/p>\n\n\n\n

Mais presque imm\u00e9diatement, un probl\u00e8me majeur est apparu : la quasi-totalit\u00e9 du signal provenait d\u2019une seule variable, l\u2019historique des impay\u00e9s. <\/strong>Cette variable dominait tous les mod\u00e8les test\u00e9s, et les algorithmes complexes se concentraient presque exclusivement sur elle, au d\u00e9triment des autres informations. En pratique, le mod\u00e8le se contentait d\u2019une r\u00e8gle triviale : un client ayant d\u00e9j\u00e0 eu des impay\u00e9s a plus de chances de ne pas r\u00e9gulariser. <\/strong>Les autres signaux, pourtant pertinents, se retrouvaient \u00e9cras\u00e9s et perdaient toute visibilit\u00e9 dans le mod\u00e8le.<\/p>\n\n\n\n

Statistiquement correcte, cette r\u00e8gle \u00e9tait cependant peu utile op\u00e9rationnellement. En effet, l\u2019objectif \u00e9tait d\u2019optimiser les relances : identifier les clients ayant des probabilit\u00e9s plus faibles de r\u00e9gulariser seuls afin de concentrer les appels sur eux. <\/strong>Avec un mod\u00e8le domin\u00e9 par l\u2019historique des impay\u00e9s, nous aurions \u00e9t\u00e9 contraints de rappeler uniquement les clients dont ce n\u2019\u00e9tait pas le premier \u00e9chec de pr\u00e9l\u00e8vement, ce qui aurait limit\u00e9 l\u2019efficacit\u00e9 de l\u2019action.<\/p>\n\n\n\n

Ainsi, malgr\u00e9 les scores encourageants, nous avions l\u2019impression d\u2019avoir construit un mod\u00e8le qui n\u2019\u00e9tait pas utile op\u00e9rationnellement. C\u2019est ici que nous avons \u00e9t\u00e9 face \u00e0 une le\u00e7on fondamentale : statistiquement bon ne veut pas dire op\u00e9rationnellement utile<\/strong>. Un mod\u00e8le peut \u00eatre performant selon des m\u00e9triques classiques tout en \u00e9tant inutilisable. Cette prise de conscience nous a oblig\u00e9s \u00e0 revoir enti\u00e8rement notre approche. Pour produire un outil r\u00e9ellement utile aux \u00e9quipes, il fallait r\u00e9v\u00e9ler des signaux que ce mod\u00e8le ne voyait pas encore, et pour cela, il fallait reconsid\u00e9rer la mani\u00e8re m\u00eame dont on structurait la population.<\/strong><\/p>\n\n\n\n

Ce fut le d\u00e9but d\u2019un changement conceptuel qui allait transformer la suite du projet : la r\u00e9alisation que deux dynamiques comportementales coexistaient r\u00e9ellement,<\/strong> et que tenter de les mod\u00e9liser ensemble revenait \u00e0 brouiller le signal. Cette intuition, aliment\u00e9e autant par les donn\u00e9es que par les retours m\u00e9tiers, nous a conduits \u00e0 un choix m\u00e9thodologique structurant : scinder la population en deux mod\u00e8les distincts.<\/strong><\/p>\n\n\n\n

Construire deux mod\u00e8les : une d\u00e9cision structurante<\/strong><\/h2>\n\n\n\n

Au d\u00e9but du projet, notre approche \u00e9tait simple et s\u00e9duisante : un mod\u00e8le unique capable de pr\u00e9dire les impay\u00e9s pour l\u2019ensemble de la population. <\/strong>Cette solution centralis\u00e9e semblait facile \u00e0 maintenir et \u00e0 d\u00e9ployer. Rapidement, la r\u00e9alit\u00e9 statistique est venue temp\u00e9rer cet enthousiasme : <\/strong>l\u2019historique des impay\u00e9s dominait tellement les donn\u00e9es que le mod\u00e8le se focalisait presque exclusivement sur cette information, au d\u00e9triment des nuances comportementales. La logique qui s\u2019imposait \u00e9tait finalement le cas de la personne \u00ab qui a d\u00e9j\u00e0 eu des impay\u00e9s risque d\u2019en avoir encore \u00bb.<\/strong><\/p>\n\n\n\n

Cette limite est devenue particuli\u00e8rement \u00e9vidente pour les clients en primo-rejet,<\/strong> ceux qui connaissent leur premier incident de pr\u00e9l\u00e8vement. Pour eux, le mod\u00e8le pr\u00e9disait syst\u00e9matiquement une forte probabilit\u00e9 de r\u00e9gularisation, alors que l\u2019exp\u00e9rience terrain montrait que tous les primo-rejets ne se valent pas : certains sont anecdotiques et se r\u00e9gularisent rapidement, tandis que d\u2019autres annoncent des difficult\u00e9s durables.<\/strong> Le mod\u00e8le global ne parvenait pas \u00e0 distinguer ces situations.<\/p>\n\n\n\n

Apr\u00e8s discussions approfondies avec les \u00e9quipes m\u00e9tier, nous avons choisi de scinder la population en deux groupes distincts, <\/strong>chacun faisant l\u2019objet d\u2019une mod\u00e9lisation sp\u00e9cifique : <\/p>\n\n\n\n

    \n
  • les primo-rejets,<\/strong> pour lesquels l\u2019historique est inexistant et les comportements difficiles \u00e0 anticiper<\/li>\n\n\n\n
  • les clients ayant d\u00e9j\u00e0 connu des impay\u00e9s,<\/strong> pour lesquels le mod\u00e8le peut exploiter un historique riche<\/li>\n<\/ul>\n\n\n\n
    \"modeles\"<\/figure>\n\n\n\n

    Cette s\u00e9paration n\u2019a pas \u00e9t\u00e9 un simple ajustement technique, mais un v\u00e9ritable tournant conceptuel.<\/strong> Elle a permis de mieux refl\u00e9ter la diversit\u00e9 des comportements clients et de construire une logique d\u2019intervention plus fine et efficace. Plut\u00f4t qu\u2019une complexit\u00e9 suppl\u00e9mentaire, deux mod\u00e8les distincts se sont impos\u00e9s comme la solution \u00e9vidente pour capturer la richesse des trajectoires clients.<\/p>\n\n\n\n

    Nous avons ainsi d\u00e9velopp\u00e9 deux mod\u00e9lisations sp\u00e9cifiques, <\/strong>qui ont rapidement montr\u00e9 une meilleure performance globale que le mod\u00e8le unique initial. Cette approche a r\u00e9v\u00e9l\u00e9 des signaux jusque-l\u00e0 invisibles : chez les primo-rejets, le mod\u00e8le identifie des indices permettant de pr\u00e9dire les clients susceptibles de ne pas r\u00e9gulariser leur impay\u00e9, tandis que chez les clients r\u00e9currents, il met en \u00e9vidence des signaux indiquant si la r\u00e9gularisation se fera de mani\u00e8re autonome.<\/strong><\/p>\n\n\n\n

    Ainsi, le mod\u00e8le des primo-rejets a fait \u00e9merger des \u00e9l\u00e9ments auparavant invisibles : certaines banques, temporalit\u00e9s, structures d\u2019IBAN ou signaux contractuels sont devenus pertinents.<\/strong> Les comportements sont devenus lisibles, r\u00e9v\u00e9lant plut\u00f4t qu\u2019\u00e9crasant la diversit\u00e9 des situations. Le mod\u00e8le des clients r\u00e9currents a, quant \u00e0 lui, pleinement exploit\u00e9 l\u2019historique des impay\u00e9s, qui s\u2019est r\u00e9v\u00e9l\u00e9 un indicateur puissant, refl\u00e9tant naturellement les trajectoires r\u00e9p\u00e9titives.<\/p>\n\n\n\n

    Nous avons test\u00e9 diff\u00e9rents types de mod\u00e8les, allant des ensembles complexes (comme le Random Forest<\/em> ou le Boosting<\/em>) aux algorithmes plus simples. <\/strong>Les r\u00e9sultats ont rapidement confirm\u00e9 que des mod\u00e8les simples et interpr\u00e9tables, tels que les Arbres de D\u00e9cision (CART), suffisaient amplement, sans aucune perte significative de performance pr\u00e9dictive par rapport \u00e0 leurs homologues plus complexes. Ce choix \u00e9tait strat\u00e9gique : en optant pour le mod\u00e8le CART, nous privil\u00e9gions la transparence et l’interpr\u00e9tabilit\u00e9.<\/strong> Un arbre de d\u00e9cision se r\u00e9sume \u00e0 une s\u00e9rie de questions logiques de type \u00ab\u00a0si\/alors\u00a0\u00bb (par exemple : si le client est un primo-rejet et<\/em> si le montant est sup\u00e9rieur \u00e0 X), ce qui le rend directement compr\u00e9hensible par les \u00e9quipes m\u00e9tier. Cette simplicit\u00e9 n’est pas qu’un avantage technique ; elle est essentielle pour l’adoption, transformant le mod\u00e8le en un outil lisible et de confiance, sans sacrifier l\u2019efficacit\u00e9.<\/strong><\/p>\n\n\n\n

    \"decision<\/figure>\n\n\n\n

    Avec cette approche, nous avons cess\u00e9 de forcer les donn\u00e9es \u00e0 suivre nos attentes et avons laiss\u00e9 \u00e9merger leurs propres structures. Le r\u00e9sultat n\u2019a pas \u00e9t\u00e9 seulement technique : il a marqu\u00e9 un changement de paradigme, permettant de consid\u00e9rer les impay\u00e9s comme un ensemble de dynamiques distinctes, <\/strong>chacune avec ses signaux et ses logiques propres.<\/p>\n\n\n\n

    Ce choix strat\u00e9gique et m\u00e9thodologique a jet\u00e9 les bases d\u2019un pipeline plus intelligent, <\/strong>d\u2019une interpr\u00e9tabilit\u00e9 renforc\u00e9e et d\u2019une pertinence m\u00e9tier retrouv\u00e9e, ouvrant la voie \u00e0 l\u2019industrialisation du mod\u00e8le.<\/p>\n\n\n\n

    Le passage en production pour industrialiser et utiliser le mod\u00e8le <\/strong><\/h2>\n\n\n\n

    Industrialiser notre approche a constitu\u00e9 une phase d\u00e9cisive, bien plus complexe que ce que nos premiers \u00e9changes laissaient imaginer.<\/strong> Nous disposons d\u00e9sormais de deux mod\u00e8les performants, interpr\u00e9tables et coh\u00e9rents avec les dynamiques m\u00e9tiers. Mais un mod\u00e8le seul ne suffit jamais : il doit s\u2019inscrire dans un syst\u00e8me vivant, capable de s\u2019adapter aux rythmes et aux contraintes r\u00e9elles de l\u2019organisation.<\/strong><\/p>\n\n\n\n

    La premi\u00e8re contrainte majeure concerne la latence de notre datawarehouse (Snowflake) : les donn\u00e9es n\u2019\u00e9taient disponibles qu\u2019avec un d\u00e9calage d\u2019un jour (J+1).<\/strong> Aucun rejet ne remontait en temps r\u00e9el. Cela impliquait que notre pipeline devait fonctionner selon un cycle quotidien strict. Chaque matin, il devait identifier les rejets survenus la veille, d\u00e9terminer s\u2019il s\u2019agissait d\u2019un primo-rejet ou d\u2019un rejet r\u00e9current, reconstruire les variables d\u00e9riv\u00e9es, appliquer le mod\u00e8le adapt\u00e9 et g\u00e9n\u00e9rer un score exploitable avant m\u00eame le d\u00e9but de la journ\u00e9e des \u00e9quipes m\u00e9tier.<\/p>\n\n\n\n

    Cette contrainte a rapidement r\u00e9v\u00e9l\u00e9 de nombreux d\u00e9fis techniques classiques li\u00e9e \u00e0 la mise en production de mod\u00e8les :  certaines tables comportaient des valeurs manquantes ou des d\u00e9calages ponctuels. <\/strong>Pour y faire face, nous avons renforc\u00e9 la robustesse du pipeline, introduit des contr\u00f4les interm\u00e9diaires et des garde-fous, afin qu\u2019aucun incident technique ne se traduise par l\u2019absence de score le matin.<\/strong><\/p>\n\n\n\n

    La mise en production met \u00e9galement en lumi\u00e8re l\u2019importance cruciale de l\u2019adoption m\u00e9tier. Un score n\u2019a de valeur que s\u2019il est utilis\u00e9.<\/strong> Les \u00e9quipes de recouvrement ne peuvent pas appeler tous les clients ; elles disposent d\u2019un volume limit\u00e9 d\u2019appels. L\u2019objectif de la mod\u00e9lisation \u00e9tait donc de prioriser efficacement : exclure les clients susceptibles de r\u00e9gulariser spontan\u00e9ment et concentrer les efforts sur ceux dont l\u2019intervention humaine a un r\u00e9el impact.<\/strong><\/p>\n\n\n\n

    Pour cela, nous avons travaill\u00e9 \u00e9troitement avec les \u00e9quipes m\u00e9tier afin de combiner pr\u00e9diction statistique et choix op\u00e9rationnels. Nous avons d\u00e9coup\u00e9 la population en segments m\u00ealant typologie de rejet et probabilit\u00e9 de r\u00e9gularisation, pour g\u00e9n\u00e9rer une liste prioris\u00e9e des clients \u00e0 contacter. <\/strong>Cette liste devait \u00eatre claire, exploitable et int\u00e9gr\u00e9e dans Metabase, notre outil de BI self-service. Les \u00e9quipes peuvent ainsi consulter chaque matin le score, visualiser le segment correspondant et savoir imm\u00e9diatement si le client n\u00e9cessite un rappel.<\/p>\n\n\n\n

    Pour mesurer l\u2019efficacit\u00e9 r\u00e9elle des priorisations et des campagnes d\u2019appels, nous avons r\u00e9alis\u00e9 des A\/B tests sur ces segments.<\/strong> Cela nous a permis d\u2019\u00e9valuer concr\u00e8tement l\u2019impact des relances t\u00e9l\u00e9phoniques et d\u2019ajuster la strat\u00e9gie, en nous assurant que les efforts \u00e9taient concentr\u00e9s sur les clients dont l\u2019intervention humaine fait r\u00e9ellement la diff\u00e9rence.<\/strong><\/p>\n\n\n\n

    Un autre d\u00e9fi important concernait la confiance. Le mod\u00e8le entrait dans un environnement o\u00f9 les pratiques \u00e9taient \u00e9tablies depuis longtemps. <\/strong>Pour qu\u2019il soit adopt\u00e9, il devait d\u00e9montrer sa fiabilit\u00e9 jour apr\u00e8s jour. La performance en production \u00e9tant similaire \u00e0 celle observ\u00e9e \u00e0 l\u2019entra\u00eenement, nous avons pu instaurer ce climat de confiance. Cela a impliqu\u00e9 un suivi fin du pipeline, un monitoring d\u00e9taill\u00e9 des volumes, des distributions, des valeurs manquantes et des pr\u00e9dictions elles-m\u00eames.<\/strong><\/p>\n\n\n\n

    Au final, la mise en production n\u2019a pas \u00e9t\u00e9 une simple \u00e9tape technique ou logistique. Elle a \u00e9t\u00e9 l\u2019occasion de rendre le mod\u00e8le vivant et utile au m\u00e9tier : un outil capable d\u2019accompagner les d\u00e9cisions humaines, de s\u2019adapter aux contraintes op\u00e9rationnelles et d\u2019optimiser l\u2019efficacit\u00e9 des \u00e9quipes de recouvrement. <\/strong>C\u2019est dans cette confrontation \u00e0 la r\u00e9alit\u00e9 du terrain que nous avons pleinement mesur\u00e9 la valeur de ce que nous avions construit : non pas une machine autonome, mais un instrument au service des d\u00e9cisions m\u00e9tier.<\/p>\n\n\n\n

    Nos enseignements, les r\u00e9sultats et les (belles) perspectives<\/strong><\/h2>\n\n\n\n

    La derni\u00e8re \u00e9tape du projet a permis de tirer des enseignements techniques, m\u00e9thodologiques et op\u00e9rationnels. La construction d\u2019un mod\u00e8le pr\u00e9dictif ne se limite jamais \u00e0 la technique : elle repose sur des arbitrages, des ajustements constants et l\u2019acceptation des limites des donn\u00e9es.<\/strong> Les incoh\u00e9rences, trous et latences des flux structurent ce que le mod\u00e8le peut d\u00e9tecter, tandis que certaines tendances cach\u00e9es, issues notamment des trajectoires clients ou des d\u00e9rivations bancaires, se sont r\u00e9v\u00e9l\u00e9es particuli\u00e8rement pertinentes. D\u00e9finir une cible claire (ici la probabilit\u00e9 de r\u00e9gularisation \u00e0 30 jours) a \u00e9t\u00e9 d\u00e9terminant pour la stabilit\u00e9, l\u2019interpr\u00e9tabilit\u00e9 et l\u2019utilit\u00e9 m\u00e9tier du mod\u00e8le.<\/strong><\/p>\n\n\n\n

    La scission de la population en deux mod\u00e8les distincts, primo-rejets et clients r\u00e9currents,<\/strong> a permis de mieux refl\u00e9ter la diversit\u00e9 des comportements et de capter des signaux invisibles auparavant. La mise en production a confront\u00e9 le mod\u00e8le \u00e0 la r\u00e9alit\u00e9 : latences, irr\u00e9gularit\u00e9s et contraintes m\u00e9tier. La robustesse du pipeline, le suivi des volumes et des pr\u00e9dictions, ainsi que la lisibilit\u00e9 dans Metabase ont \u00e9t\u00e9 essentiels pour instaurer la confiance et transformer le mod\u00e8le en outil op\u00e9rationnel.<\/strong><\/p>\n\n\n

    \n
    \"schema<\/figure>\n<\/div>\n\n\n

    Les r\u00e9sultats confirment l\u2019efficacit\u00e9 et l’efficience de cette approche. Sur notre premier segment cibl\u00e9 pour les appels t\u00e9l\u00e9phoniques (repr\u00e9sentant environ 43% des impay\u00e9s), la r\u00e9gularisation estim\u00e9e a \u00e9t\u00e9 sup\u00e9rieure de 61% pour les clients appel\u00e9s versus non appel\u00e9s.<\/strong> Mais l’efficience est la cl\u00e9 : gr\u00e2ce au mod\u00e8le, nous avons pu exclure environ 20% des impay\u00e9s totaux de cette liste d’appels car leur probabilit\u00e9 de r\u00e9gularisation spontan\u00e9e \u00e9tait sup\u00e9rieure \u00e0 65% sur les 30 jours. Concentrer les appels sur les segments o\u00f9 l’intervention humaine fait la diff\u00e9rence permet ainsi d\u2019estimer une augmentation relative de 26% de la r\u00e9gularisation globale.<\/strong><\/p>\n\n\n\n

    Ce premier test en production est une base solide. Cependant, le mod\u00e8le n’est pas un aboutissement : c\u2019est un outil vivant, \u00e9volutif et op\u00e9rationnel, capable d\u2019\u00e9clairer les d\u00e9cisions humaines sans jamais les remplacer.<\/strong> Nous continuons d’ailleurs \u00e0 affiner nos seuils de scoring sur diff\u00e9rents segments afin de limiter au maximum le volume d’appels tout en maximisant le gain potentiel, garantissant ainsi l’allocation optimale des ressources humaines.<\/p>\n\n\n\n

    Ce projet a transform\u00e9 notre mani\u00e8re de consid\u00e9rer les impay\u00e9s : non plus comme des incidents isol\u00e9s, mais comme des trajectoires interpr\u00e9tables.<\/strong> Il a permis de prioriser les relances, d\u2019optimiser les ressources et de maximiser l\u2019impact des interventions humaines, tout en renfor\u00e7ant la collaboration entre \u00e9quipes m\u00e9tier, finance, recouvrement et data. Le mod\u00e8le n\u2019est pas un aboutissement : c\u2019est un outil vivant, \u00e9volutif et op\u00e9rationnel, capable d\u2019\u00e9clairer les d\u00e9cisions humaines sans jamais les remplacer.<\/p>\n\n\n\n

    Pour finir…<\/strong><\/h2>\n\n\n\n

    Notre travail n\u2019a pas seulement produit un mod\u00e8le, mais une transformation profonde de notre rapport aux impay\u00e9s. <\/strong>En chemin, nous avons compris que mod\u00e9liser un ph\u00e9nom\u00e8ne aussi mouvant ne consiste pas \u00e0 chercher une v\u00e9rit\u00e9 unique, mais \u00e0 r\u00e9v\u00e9ler des dynamiques, \u00e0 clarifier des zones d\u2019incertitude et \u00e0 rendre visibles des comportements qui, jusqu\u2019ici, \u00e9chappaient \u00e0 toute lecture syst\u00e9matique. Le mod\u00e8le que nous avons construit n\u2019est pas une r\u00e9ponse d\u00e9finitive, mais un prisme qui permet de voir plus justement ce qui se joue derri\u00e8re chaque rejet.<\/strong><\/p>\n\n\n\n

    L\u2019une des grandes forces de cette d\u00e9marche est d\u2019avoir replac\u00e9 l\u2019humain au centre.<\/strong> En donnant aux \u00e9quipes un outil interpr\u00e9table, robuste et align\u00e9 sur leur r\u00e9alit\u00e9, nous n\u2019avons pas cherch\u00e9 \u00e0 automatiser la d\u00e9cision, mais \u00e0 la renforcer. Le score n\u2019est pas un verdict : c\u2019est une indication, un \u00e9clairage, un moyen d\u2019investir l\u2019\u00e9nergie l\u00e0 o\u00f9 elle peut r\u00e9ellement modifier l\u2019issue d\u2019un dossier. C\u2019est cette compl\u00e9mentarit\u00e9 entre l\u2019expertise humaine et la lecture analytique qui donne tout son sens au projet.<\/p>\n\n\n\n

    Nous avons \u00e9galement d\u00e9couvert que la valeur d\u2019un mod\u00e8le ne r\u00e9side pas uniquement dans sa capacit\u00e9 \u00e0 pr\u00e9dire, mais dans sa capacit\u00e9 \u00e0 faire \u00e9voluer nos pratiques. <\/strong>En structurant notre compr\u00e9hension autour de trajectoires plut\u00f4t que d\u2019incidents isol\u00e9s, nous avons fait \u00e9voluer notre mani\u00e8re d\u2019accompagner les clients, notre mani\u00e8re de prioriser nos actions, et plus largement notre mani\u00e8re de penser la gestion des impay\u00e9s. Cette \u00e9volution n\u2019est pas un effet secondaire : elle est au c\u0153ur de l\u2019ambition du projet.<\/p>\n\n\n\n

    Enfin, nous savons que ce mod\u00e8le n\u2019est qu\u2019une \u00e9tape. Les comportements \u00e9volueront, les flux changeront, les syst\u00e8mes progresseront. <\/strong>Le mod\u00e8le devra \u00eatre r\u00e9\u00e9valu\u00e9, ajust\u00e9, enrichi. Sa pertinence d\u00e9pendra de notre capacit\u00e9 \u00e0 rester attentifs aux signaux faibles, aux d\u00e9rives, aux transformations du contexte bancaire et assurantiel. C\u2019est pr\u00e9cis\u00e9ment cette dynamique continue qui fait de ce projet un terrain d\u2019apprentissage permanent.<\/strong><\/p>\n\n\n\n

    En rendant intelligibles des comportements longtemps per\u00e7us comme impr\u00e9visibles, nous avons cr\u00e9\u00e9 un outil durable qui permet de mieux comprendre, mieux anticiper et mieux agir. <\/strong>Et si cette premi\u00e8re version n\u2019est qu\u2019un socle, elle est d\u00e9j\u00e0 une avanc\u00e9e majeure : elle marque le moment o\u00f9 nous avons commenc\u00e9 \u00e0 lire les impay\u00e9s non plus comme des obstacles, mais comme des informations, des trajectoires, des histoires que nous pouvons enfin interpr\u00e9ter et accompagner avec justesse.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Dans le secteur de l\u2019assurance, la gestion des impay\u00e9s est un d\u00e9fi op\u00e9rationnel et financier majeur. Chaque rejet de pr\u00e9l\u00e8vement perturbe le cycle financier et engage des ressources consid\u00e9rables. Chez Leocare, nous disposions de relances automatis\u00e9es (CRM) et la possibilit\u00e9 de r\u00e9g\u00e9n\u00e9rer une nouvelle tentative de paiement directement sur la carte bancaire, mais nous manquons […]<\/p>\n","protected":false},"author":46,"featured_media":35487,"comment_status":"closed","ping_status":"closed","template":"","categorie_leocare_lab":[55],"class_list":["post-35284","leocare_lab","type-leocare_lab","status-publish","has-post-thumbnail","hentry","categorie_leocare_lab-data-science"],"acf":[],"yoast_head":"\nAssurance : comment cr\u00e9er un algorithme de pr\u00e9diction d\u2019impay\u00e9 ?<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Assurance : comment cr\u00e9er un algorithme de pr\u00e9diction d\u2019impay\u00e9 ?\" \/>\n<meta property=\"og:description\" content=\"Dans le secteur de l\u2019assurance, la gestion des impay\u00e9s est un d\u00e9fi op\u00e9rationnel et financier majeur. Chaque rejet de pr\u00e9l\u00e8vement perturbe le cycle financier et engage des ressources consid\u00e9rables. Chez Leocare, nous disposions de relances automatis\u00e9es (CRM) et la possibilit\u00e9 de r\u00e9g\u00e9n\u00e9rer une nouvelle tentative de paiement directement sur la carte bancaire, mais nous manquons […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/\" \/>\n<meta property=\"og:site_name\" content=\"Leocare, assurance en ligne automobile et habitation\" \/>\n<meta property=\"article:modified_time\" content=\"2026-02-18T20:24:11+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/leocare.eu\/fr\/wp-content\/uploads\/2025\/12\/carte-bancaire-ordinateur.jpg\" \/>\n\t<meta property=\"og:image:width\" content=\"800\" \/>\n\t<meta property=\"og:image:height\" content=\"505\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/jpeg\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data1\" content=\"25 minutes\" \/>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Assurance : comment cr\u00e9er un algorithme de pr\u00e9diction d\u2019impay\u00e9 ?","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/","og_locale":"fr_FR","og_type":"article","og_title":"Assurance : comment cr\u00e9er un algorithme de pr\u00e9diction d\u2019impay\u00e9 ?","og_description":"Dans le secteur de l\u2019assurance, la gestion des impay\u00e9s est un d\u00e9fi op\u00e9rationnel et financier majeur. Chaque rejet de pr\u00e9l\u00e8vement perturbe le cycle financier et engage des ressources consid\u00e9rables. Chez Leocare, nous disposions de relances automatis\u00e9es (CRM) et la possibilit\u00e9 de r\u00e9g\u00e9n\u00e9rer une nouvelle tentative de paiement directement sur la carte bancaire, mais nous manquons […]","og_url":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/","og_site_name":"Leocare, assurance en ligne automobile et habitation","article_modified_time":"2026-02-18T20:24:11+00:00","og_image":[{"width":800,"height":505,"url":"https:\/\/leocare.eu\/fr\/wp-content\/uploads\/2025\/12\/carte-bancaire-ordinateur.jpg","type":"image\/jpeg"}],"twitter_card":"summary_large_image","twitter_misc":{"Dur\u00e9e de lecture estim\u00e9e":"25 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/","url":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/","name":"Assurance : comment cr\u00e9er un algorithme de pr\u00e9diction d\u2019impay\u00e9 ?","isPartOf":{"@id":"https:\/\/leocare.eu\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/#primaryimage"},"image":{"@id":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/#primaryimage"},"thumbnailUrl":"https:\/\/leocare.eu\/fr\/wp-content\/uploads\/2025\/12\/carte-bancaire-ordinateur.jpg","datePublished":"2025-12-16T14:31:45+00:00","dateModified":"2026-02-18T20:24:11+00:00","breadcrumb":{"@id":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/leocare.eu\/fr\/leocare-lab\/algorithme-prediction-regularisation-impaye\/#primaryimage","url":"https:\/\/leocare.eu\/fr\/wp-content\/uploads\/2025\/12\/carte-bancaire-ordinateur.jpg","contentUrl":"https:\/\/leocare.eu\/fr\/wp-content\/uploads\/2025\/12\/carte-bancaire-ordinateur.jpg","width":800,"height":505,"caption":"carte bancaire ordinateur"},{"@type":"WebSite","@id":"https:\/\/leocare.eu\/fr\/#website","url":"https:\/\/leocare.eu\/fr\/","name":"Leocare, assurance en ligne automobile et habitation","description":"enfin (r)assur\u00e9.e","publisher":{"@id":"https:\/\/leocare.eu\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/leocare.eu\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/leocare.eu\/fr\/#organization","name":"Leocare, assurance en ligne automobile et habitation","url":"https:\/\/leocare.eu\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/leocare.eu\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/leocare.eu\/fr\/wp-content\/uploads\/2020\/03\/logo-leocare.svg","contentUrl":"https:\/\/leocare.eu\/fr\/wp-content\/uploads\/2020\/03\/logo-leocare.svg","caption":"Leocare, assurance en ligne automobile et habitation"},"image":{"@id":"https:\/\/leocare.eu\/fr\/#\/schema\/logo\/image\/"}}]}},"_links":{"self":[{"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/leocare_lab\/35284","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/leocare_lab"}],"about":[{"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/types\/leocare_lab"}],"author":[{"embeddable":true,"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/users\/46"}],"replies":[{"embeddable":true,"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/comments?post=35284"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/media\/35487"}],"wp:attachment":[{"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/media?parent=35284"}],"wp:term":[{"taxonomy":"categorie_leocare_lab","embeddable":true,"href":"https:\/\/leocare.eu\/fr\/wp-json\/wp\/v2\/categorie_leocare_lab?post=35284"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}