Ralph Tankoua

🎯 Data Scientist – Analyse de verbatim pour l'amélioration de la satisfaction client 🔍 Principales missions : • Prétraitement et analyse statistique de données textuelles à grande échelle • Construction d’embeddings (Word2Vec, Doc2Vec, SentenceBERT) pour détecter de nouveaux sujets et mesurer la similarité sémantique de verbatim • Développement de modèles de classification et de correction automatique de texte • Visualisation et restitution des résultats pour enrichir les KPI techniques par le ressenti client • Participation à la labellisation des données et à la rédaction de spécifications fonctionnelles

🎯 Quant Data Scientist – Modélisation du Risque de Crédit Dans le cadre de mon alternance au Crédit Agricole, j’ai travaillé sur la modélisation avancée du paramètre LGD (Loss Given Default) en contexte adverse (Downturn), avec un focus sur la reconstruction de la courbe de taux de recouvrement via des approches innovantes de Deep Learning et Machine Learning. 🧠 Approches et outils mobilisés : • Séries temporelles avec LSTM, GAN, Prophet, SVM, GLM • Modélisation de la LGD downturn à partir de données historiques de recouvrement • Analyse de la performance des modèles et benchmark des méthodes ⚙️ Autres contributions : • Automatisation de process en Python et maintenance de scripts existants • Études statistiques sur des sujets liés au risque de crédit : volatilité des CCF, calcul RWA, méthode chain-ladder • Veille technique sur les méthodes de modélisation et leur implémentation

🎯 Data Scientist – Développement d’un Score de Confiance Client 🔍 Principales contributions : • Analyse du comportement des prospects lors de la souscription (questionnaire, échanges clients, etc.) • Étude des écarts entre données déclarées et justificatifs (requêtes sql, cross-checking, enrichissement avec données externes) • Définition des composantes clés du score : comportement client, fiabilité des documents, sinistralité historique • Recherche de variables explicatives issues de données internes et externes • Développement du modèle prédictif (Machine Learning) et intégration du score dans les outils de gestion • Quantification de l’impact du score sur les résultats techniques