Fiche de travail — Semaine 11

Exercices : rentabilité et MLflow

Auteur·rice

François Boussengui

Date de publication

25 mars 2026

📦 Livrables

:::{.livrable-title}📊 Livrable 1 — Dashboard de rentabilité::: :::{.livrable-status .required}Obligatoire:::

Script Python qui calcule et visualise : S/P par branche, combined ratio, évolution sur 5 ans, CLV par segment. Produire un mini-rapport avec les KPIs commentés.

:::{.livrable-title}🔬 Livrable 2 — Expérimentation MLflow::: :::{.livrable-status .required}Obligatoire:::

Entraîner 5+ modèles (GLM avec différents paramètres + 1 XGBoost) en loggant tout dans MLflow. Comparer via l’interface web et documenter le choix du meilleur modèle.

:::{.livrable-title}📋 Livrable 3 — Modèle enregistré::: :::{.livrable-status .required}Obligatoire:::

Enregistrer le meilleur modèle dans le Model Registry et le passer en stage “Staging”. Documenter la procédure de validation.

🏋️ Exercices

📝 Exercice M1 — Combined ratio

Un assureur auto a : Primes acquises = 50 M€, Charge sinistres = 37 M€, Frais de gestion = 4 M€, Commissions = 9 M€. Calcule le S/P, le ratio de frais et le combined ratio. L’activité est-elle rentable ?

  • S/P = 37/50 = 74%
  • Ratio frais gestion = 4/50 = 8%
  • Ratio commissions = 9/50 = 18%
  • Combined ratio = 74 + 8 + 18 = 100%

L’activité est au point mort technique. Pas de marge pour les imprévus. Rentable uniquement grâce aux produits financiers. Actions : réduire le S/P (tarification, sélection) ou les frais (digitalisation, renégociation commissions).

🔬 Exercice T1 — Premier run MLflow

Installe MLflow (pip install mlflow) et logge un modèle simple avec paramètres et métriques. Lance l’interface web et vérifie que tout est visible.

import mlflow
mlflow.set_experiment("test-mlflow")
with mlflow.start_run():
    mlflow.log_param("model", "test")
    mlflow.log_metric("accuracy", 0.85)
    mlflow.log_metric("gini", 0.35)
# Puis : mlflow ui --port 5000

🔗 Pont métier-technique

🤔 Réflexion

  1. Comment MLflow t’aide-t-il à justifier ton choix de modèle auprès d’un actuaire ? (traçabilité, comparaison objective)
  2. Quels KPIs du dashboard de rentabilité pourraient déclencher un réentraînement du modèle ? (S/P qui dérive, Gini qui baisse)
  3. Comment versionner un modèle GLM quand les données changent chaque mois ?

✅ Checklist

  • Module Métier 11 terminé (combined ratio, CLV, KPIs)
  • Module Technique 11 terminé (MLflow tracking, registry)
  • Livrable 1 (dashboard rentabilité)
  • Livrable 2 (expérimentation MLflow)
  • Livrable 3 (modèle enregistré)
  • Exercices réalisés

← Retour à la Semaine 11