Contexte
Les encaissements clients sont la composante la plus incertaine de la trésorerie à court terme. Les sociétés d’un même groupe n’ont ni les mêmes volumes de données, ni les mêmes clients, ni les mêmes habitudes de paiement. Ce sont aussi des entités juridiques distinctes, responsables des données de leurs clients : la mise en commun des données détaillées n’est pas acquise par défaut, et le système d’information évolue.
Problème
Apprendre ensemble peut aider les sociétés peu dotées en données, mais aussi brouiller les habitudes propres à chacune (transfert négatif). Quel poids donner à chaque société lors de l’agrégation, et jusqu’où réadapter le modèle partagé pour chacune, par rapport à un modèle local ou centralisé ?
Approche
- Un réseau à risques discrets (survie à temps discret) estime, pour chaque facture en attente, la probabilité d’être payée sous 7, 14, 21 et 28 jours ; ces probabilités sont agrégées en une prévision par société, avec une fourchette à 80 %.
- Entraînement local puis moyenne fédérée des paramètres (FedAvg) : seuls des paramètres, des effectifs et des pertes agrégées quittent une société, jamais ses factures.
- Plan factoriel : apprentissage local, centralisé ou fédéré ; pondération par le volume ou uniforme ; adaptation locale, de la simple recalibration au réseau complet ; références simples et gradient boosting, à budget de réglage égal.
- Hypothèses, métriques (log-loss, calibration, couverture des fourchettes) et critères de décision pré-enregistrés avant toute mesure de performance : une absence de gain serait un résultat valide.
Stack
- Python
- PyTorch
- FedAvg
- Survie à temps discret
- LightGBM (référence)
- Calibration
- Prédiction conforme
Statut
Recherche en cours
Protocole pré-enregistré avant toute mesure de performance ; aucun résultat n’est publié à ce stade.
Ce que j’en retiens
Le travail le plus utile se fait avant le premier modèle : fixer la question, les métriques et les critères de décision, puis les sceller. Et dans un groupe, l’hétérogénéité entre sociétés n’est pas un bruit à lisser : c’est l’objet même de l’étude.