Blondo Voutsa

Dans le cadre de ma mission principale, j'ai travaillé sur la modélisation actuarielle du risque de mortalité en lien avec les risques climatiques, en collaboration avec les équipes de recherche du cabinet. – Modélisation de l'impact des températures sur la mortalité à l'aide de modèles additifs généralisés (GAM), à partir de données open source combinant relevés météorologiques et données de mortalité – Conception et mise en œuvre de stress-tests climatiques évaluant l'impact des scénarios du GIEC sur l'espérance de vie, à destination des assureurs vie – Optimisation de pipelines de traitement de données volumineuses, réduisant significativement les temps de calcul et les coûts de stockage – Automatisation de la production de rapports analytiques reproductibles avec Quarto Ces travaux ont constitué le socle de mon mémoire actuariel, distingué par les félicitations du jury de l'Institut des Actuaires et présenté lors d'un webinaire organisé par l'Institut.

Stage centré sur le traitement de données massives et le développement d'outils de visualisation interactive. – Collecte automatisée et traitement de 624 fichiers de données météorologiques départementales (1950–2023), restructurés en un jeu de données unique de 97 millions de lignes couvrant 9 320 stations – Nettoyage des anomalies et imputation des valeurs manquantes des stations par la méthode des 5 plus proches voisins pondérée par la distance inverse – Développement d'un dashboard R Shiny interactif déployé en production, permettant l'exploration des tendances thermiques en France depuis 1950 à plusieurs échelles géographiques : https://voutsablondo.shinyapps.io/Temperature_Meteo_France/ – Participation au challenge de modélisation House Pricing : prédiction des prix immobiliers aux États-Unis

Mission axée sur la modélisation du risque de crédit et l'amélioration des outils de pilotage de la solvabilité client. – Conception d'un indicateur dynamique (KPI) évaluant quotidiennement la solvabilité de chaque client à partir de son profil comportemental et de son historique d'opérations bancaires – Mise en évidence qu'un solde nul constitue un signal d'alerte plus prédictif d'impayé qu'un solde temporairement négatif : résultat exploité dans le scoring client et dans le dashboard power BI de suivi de portefeuille – Traitement et analyse d'un historique de transactions à grande échelle pour alimenter le modèle de scoring

Étude statistique des déterminants du Net Promoter Score (NPS) à partir de l'enquête annuelle de satisfaction client (2716 répondants). – Analyse des correspondances multiples (ACM) pour identifier les profils de satisfaction et cartographier les segments de clientèle – Modélisation par régression logistique multinomiale pour identifier les leviers d'amélioration prioritaires de l'expérience client – Identification des principaux facteurs d'insatisfaction : temps d'attente en agence, gestion des réclamations et fiabilité perçue – Restitution des résultats aux équipes R&D et relation client