Vous êtes sur la page 1sur 70

Realisé par :

Abdi-Basid IBRAHIM ADAN

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 1

2016
Tables de Matières

Liste des abréviations


Listes de tableaux
Index des figures

Introduction……………………………………………………………………………………...3

I- Etude préliminaire…………………………………………… ………….4


1. Description de la base…………………………………… ……….4
2. Description des variables ………………….............................. .....6

II. Analyse statistique univariées…………………………………………… .12

1. Effectifs des modalités des variables catégorielles …………… 13


2. Proportion des modalités des variables………………………... 25

III. Description du profil des clients………………………………………..35

IV. Analyse Statistique Conjointe………………………………………… .36


1. Liaisons entre les variables explicatives ………………………. 37
2. Liaisons entre les variables explicatives et la variable à expliquer 50

V. Analyse factorielle…………………………………………………… …51


1. L’Analyse des Correspondances Multiples……………… ………53
2. Classification des individus et variables………………… ….…67

Conclusion……………………………………………………………………...68
Annexe …………………………………………………………………………70
Références Web………………………………………………………….……..70
Script..……………………………..……………………………………………70

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 2


Introduction

Les secteurs de la Banque; prévoyance doivent faire face, de nos jours, à des obligations de
vigilance légale et d'évaluation financière de plus en plus importante concernant la gestion des
portefeuilles entreprises (Bâle ; Solvabilité …).

En effet, on appelle l’évaluation des risques-clients (dit en anglais crédit Scoring), un ensemble
d´outils financiers d’aide à la décision utilisée pour évaluer automatiquement la solvabilité d'un
"tiers" ainsi que le risque de non-remboursement des prêts.

Pour une réponse valable aux problématiques réglementaires et opérationnelles de gestion du


risque, les entreprises de bancassurance ont l'obligation de mettre en place une politique de
cotation sur l'ensemble de leur portefeuille client afin d'obtenir une évaluation en temps réel.

Cette évaluation est stratégique car elle permet à la banque d'immobiliser les ressources en fond
propre au plus juste pour disposer par ailleurs d'un maximum de liquidité.

De lors, comment pourrons-nous distinguer un emprunteur dont sa solvabilité est garantie et un


emprunteur qui ne l’est pas ? Existe-il, en effet, des caractéristiques simples qui décrient un bon
client et un mauvais client?

Pour ce faire, nous serons en mesure de décrire statistiquement nos variables une à une, ensuite
découvrir les éventuels liaisons, qui pourrait, sous doute, exister entre deux variables et
finalement, en allant plus loin, nous serons amener à voir les modalités qui interviennent dans
la liaison par le bais de l’analyse en composante multiple sous R.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 3


II- Etude préliminaire

L’étude préliminaire consiste à faire une étude, à juste titre, descriptive sur le jeu de donnée et
les variables qui le composent, dans la seule finalité de mieux pouvoir appréhender les enjeux
des analyses statistiques qui seront procédés.

1. Description de la base

Le jeu de données est issu d’une investigation statistique réalisé dans une banque.
Il est composé d’une population de 468 observations, dont l’individu est représenté par un
client.
L’ensemble de caractères d’études sont non mesurable et donc de nature qualitative, car ses
différents valeurs possibles sont représentés par des modalités, ils sont effectivement composés
de 12 variables.
De façon générale, la présentation de donnée, nous donne, d’ailleurs, une idée sur la variante
des méthodes factorielles qui sera sollicité pour mieux appréhender l’information contenue
dans l’ensemble de la base de données.

2. Description des variables

Dans cette partie, Il est question, d’étudier le type de client en fonction des ses caractéristiques
ou des modalités, qu’il a sollicité lors de l’investigation statistique.

En ce sens, la variable dependante, dite endogène ou encore à expliqué, n’est qu’en occurrence
le type de client.

Par ailleurs, le 11 variables restantes, seront considérées comme étant des variables exogènes
dite également, explicatives ou encore indépendante.

En un mot, il s’agit de définir les types de clients par les caractères d’études qu’ils ont choisies.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 4


II. Analyse statistique univariées

La première technique des analystes statistiques


statistiques s’attache à une seule série d'une variable ou à
une seule mesure (même s’il y a plusieurs échantillons) et offre le plus de possibilités de
représentations graphiques et des calcules des indicateurs.

Cependant, elle varie en fonction de la variable : si la variable est qualitative, on présente


les proportions des différentes modalités de la variable étudiée (graphique circulaire,
camembert, en bande,… par exemple) sans donner lieu à des calculs,, ce qui n’est pas le cas
pour le variables quantitatives.

3. Effectifs des modalités des variables catégorielles

Les effectifs des modalités des variables qualitatives, vont nous renseigner d’avantages sur les
nombres des clients qui ont choisie
choisie une modalité d’une variable, comme nous indique le
tableau ci-dessous :

Tableau1 : Effectifs des modalités

a- Effectifs de modalité Type, Age et situation matrimoniale des clients

Parmi les 468 clients, 237 sont des bons clients pour la Banque contre 231 considérés comme
étant des mauvais clients.

Leurs âges sont compris majoritairement entre 23 à 40 ans soit un effectif de 150 clients
concernés sur le 468 clients, suivie par la population compris entre 40 ans à 50 ans avec 122
clients, puis par ceux qui sont âgés de plus 50 ans avec 108 clients et enfin arrive en dernier
lieu, la population jeune âgé de moins de 23 ans, soit un effectif de 88 clients.

Concernant, leurs situations matrimoniales, la majorité des clients sont mariés avec
ave un effectif
de 221 sur les 468 clients, suivie par la population célibataire soit un effectif de 170 clients,
puis arrive en troisième lieu, la population divorcé et enfin le veuf avec un effectif de 16
clients.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 5


b- Effectifs de modalité ancienneté et Domiciliation
Domic du salaire des clients

Par rapport, à leurs périodes de fidélités envers la Banque, la plupart des clients ont une
ancienneté entre 1 ans et moins d’un an, avec effectif de 199 clients sur le 468, suivie par la
population très ancienne, plus douze ans, avec un effectifs de 87 clients, puis par la population
avec ancienneté entre 4 à 6 ans soit un effectif de 69 clients et enfin arrive en dernier la
population la population entre 6 à 12 ans avec un effectif de 66.

En ce qui concerne
cerne leur domiciliation du salaire, la plupart ont une domiciliation du salaire
avec un effectif de 316 clients contre 152, qui n’ont pas une domiciliation du salaire.

c- Effectifs de modalité ancienneté et Domiciliation du salaire des clients

Pour
ur la moyenne des mouvements des clients, la majorité ont une moyenne de mouvement de
moins de 10 KF mouvement avec un effectif de154 clients, sur les 468 clients, suivis par la
population, qui ont une moyenne de mouvement compris entre 30 à 50 KF mouvement
mouv avec un
effectif de 12 clients, puis par 114 clients qui ont une moyenne de mouvement plus de 50KF
mouvement et enfin arrive en dernier lieu, la population qui ont une moyenne de mouvement
compris entre 10 à 30 KF mouvement.
A propos de cumul de débit
it des clients, ceux qui ont moins de débit représente 171 cas sur les
468 individus récencés, cet chiffre est suivie par la population qui ont un débit compris entre
40 à 100 avec un effectif de 136 clients, puis arrive en dernier position, les 136 clients
clien restant et
qui ont plus de débit par rapport aux autres.
En ce qui concerne les découverts des clients de la Banque, 202 clients possèdent un découvert
autorisé contre 266 clients, qui leur sont interdit.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 6


d- Effectifs de modalité Domiciliation d’épargne, profession et moyenne en cours des clients

Pour la domiciliation de l’épargne, la population qui n’ont pas d’épargne représente 370 sur le
468 clients récencés, suivis par ceux qui ont une épargne moins de 10 KF avec un effectif de 58
clients, puis par les clients qui possèdent une domiciliation d'épargne compris entre 10 à100KF
avec 32 clients, en fin 8 clients possèdent une domiciliation d’épargne plus de 100KF.

La profession des clients se repartissent comme suit : les employés représentent 237 cas parmi
les 468 clients, suivis par la population qui possède autre profession avec un effectif de 154
clients et enfin 77 clients qui ont une profession cadre.

Par rapport aux moyennes en cours des clients, 308 client possède une moyenne en cours
compris entre 2 à 5 KF, suivis par la population qui possèdent une moyenne en cours moins de
2 KF et enfin 62 clients ont une moyenne en cours de plus de 5 KF.

e- Effectifs de modalité ancienneté et Domiciliation du salaire des clients

L’interdiction de chéquier des clients, 415 clients possèdent un chéquier autorisé sur les 468
individus récencés, tandis que le chéquier interdit ne concerne que 53 client de la Banque.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 7


4. Proportion des modalités des variables

Il serait très intéressant de voir les proportions des modalités des variables catégorielles pris
l’ensemble des clients lors du recensement. Nous allons visualiser ceci par le biais des
diagrammes en Bande et en secteurs.
Nous allons donc, réaliser pour chaque variable qualitative, un graphique bien adapté, qui
représente les pourcentages et sont décrient ci-dessous :

Graphique1 : Diagramme en secteur de la variable type des clients

Bon client

Mauvais client

Selon le type des clients de la Banque, 51% de la population des clients sont considéré comme
étant des bons clients, alors que la proportion de mauvais clients ne représente que 49%, soit
une différence de net 2%.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 8


Graphique2 : Diagramme en Bande de la variable Age des clients

0.30

de 23 à 40 ans
de 40 à 50 ans
0.25

moins de 23 ans
plus de 50 ans
0.20
0.15
0.10
0.05
0.00

de 23 à 40 ans de 40 à 50 ans moins de 23 ans plus de 50 ans

Concernant, les âges des clients, la population la plus peuplé sont âgés entre 23 à 40 ans et une
proportion de 32%, suivis par la population âgée entre 40 à 50, qui ne représente que 26%, En
effet, ceux qui sont âgés plus de 50 ans ont un pourcentage de 23%, enfin, la population
minoritaire sont âgés moins de 23 ans avec un taux de 19%.

Graphique3 : Diagramme en Bande de la variable de situation matrimoniale

célibataire
.4

divorcé
0

marié
veuf
0
0.3
.2
0.1
.0
0

célibataire divorcé marié veuf

Selon la situation matrimoniale, la majorité des clients sont mariés suivant une proportion de
47% de la population, la population célibataire, arrive en second lieu, avec un pourcentage de
36%. Les divorcés ne représentent que 13%. Enfin, les veufs sont minoritaires avec 3.4%.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 9


Graphique4 : Diagramme en Bande de la variable de l’ancienneté
0.4

anc. 1 an ou moins
anc. de 1 à 4 ans
anc. de 4 à 6 ans
anc. de 6 à 12 ans
0.3

anc. plus 12 ans


0.2
0.1
0.0

anc. 1 an ou moins anc. de 1 à 4 ans anc. de 4 à 6 ans anc. de 6 à 12 ans anc. plus 12 ans

A propos de l’ancienneté, la majorité des clients ne sont pas des anciens et représente 43%, les
clients anciens plus 12 ans arrive en second lieu suivant une proportion de 19%, ceux qui ont
une ancienneté entre 4 à 12 ans représentent 15%. Ensuite, les clients avec une ancienneté entre
6 à 12 ans ne représentent que 14%. Enfin, arrive en dernier lieu, la population avec une
ancienneté compris entre 1 et 4 ans, suivant un pourcentage de 10%.

Graphique 5 : Diagramme en secteur de la variable de Domiciliation du salaire

domicile salaire

non domicile salaire

Selon la domiciliation du salaire, la majorité des clients possèdent une domiciliation du salaire
suivant un pourcentage de 68%, alors que la population qui ne dispose pas cette domiciliation
ne représente que 32% de la population.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 10


Graphique 6 : Diagramme en bande de la variable de domiciliation d’épargne

plus de 100KF épargn


pas d épargne
moins de 10KF epargn
de 10 à 100KF épargn
pas d épargne
de 10 à 100KFépargn

0.0 0.2 0.4 0.6

En ce qui se rapporte avec l’étude de la domiciliation d’épargne, la majorité des clients ne


possèdent pas une domiciliation d’épargne suivant une proportion de 79%, les clients qui
possèdent une domiciliation d’épargne moins de 10 KF, ensuite ceux qui ont une domiciliation
d’épargne compris entre 10 à 100 KF arrive en troisième position avec un pourcentage de
6.8%, enfin, la population minoritaire détient plus de 100 KF suivant un taux de 1.7%.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 11


Graphique 7 : Diagramme en bande de la variable de profession

0.5

autre
cadre
employé
0.4
0.3
0.2
0.1
0.0

autre cadre employé

Concernant, la profession, la majorité de population sont des employés suivant un pourcentage


50%, les clients possédant autre profession admet une proportion de 33%, enfin, 17% de la
population ont comme profession cadre.

Graphique 8 : Diagramme en bande de la variable de Moyenne C


0.6

de 2 à 5 KF encours
moins de 2KF encours
plus de 5 KF encours
0.5
0.4
0.3
0.2
0.1
0.0

de 2 à 5 KF encours moins de 2KF encours plus de 5 KF encours

Selon la moyenne en cours, la majorité de population ont une moyenne en cours compris entre
2 à 5 KF suivant un pourcentage de 66% de la population, les clients possédant une moyenne
en cours moins de 2 KF sont de 21%, enfin, 13% de la population ont comme moyenne en
cours plus de 5 KF.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 12


Graphique 9 : Diagramme en bande de la variable de Moyenne
0.30

de 10 à 30KF mouvt
de 30 à 50KF mouvt
moins de 10 KF mouvt
plus de 50KF mouvt
0.25
0.20
0.15
0.10
0.05
0.00

de 10 à 30KF mouvt de 30 à 50KF mouvt moins de 10 KF mouvt plus de 50KF mouvt

En ce qui ce rapporte avec l’étude de la moyenne des mouvements, la majorité des clients
possèdent une moyenne des mouvements moins de 10 KF suivant une proportion de 33%, les
clients, qui ont une moyenne de mouvement compris entre 30 à 50 ne représente que 28%.
Ensuite, les clients, avec moyenne de mouvement plus de 50 KF est de 24%. Enfin, arrive en
dernier lieu, la population qui disposent une moyenne de mouvement compris entre 10 à 30 KF
et ne représente 15%.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 13


Graphique 10 : Diagramme en bande de la variable de Cum

0.35

de 40 à 100 débits
moins de 40 débits
0.30

plus de 100 débits


0.25
0.20
0.15
0.10
0.05
0.00

de 40 à 100 débits moins de 40 débits plus de 100 débits

En ce qui concerne, le cumul des débits, la majorité de population dispose un cumul de débits
moins de 40, suivant un pourcentage de 37%, les clients possédant un cumul de débits 40 à
100%, ne représente que 34% , enfin, 29% de la population ont comme cumul de débits plus de
100.

Graphique 11 : Diagramme en secteur de la variable de Au

découvert autorisé

découvert interdit

Selon le découvert, la plupart de population dispose un découvert interdit suivant une


proportion de 57%, alors que la part des clients possédant une autorisation de découvert ne
représente que 43%.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 14


Graphique 12 : Diagramme en bande de la variable de Int

chéquier interdit
chéquier interdit

chéquier autorisé
chéquier autorisé

0.0 0.2 0.4 0.6 0.8

En ce qui concerne l’interdiction de chéquier, presque la quasi-totalité des clients disposent une
autorisation de chéquier suivant une proportion de 89%, alors que la population qui ne
possédant pas cette autorisation représente que 11%.

III. Description du profil des clients

L’analyse de profils des clients est une technique d’analyse des données relatives à un groupe
d’individus et destinée à mieux identifier les comportements et besoins communs des clients.

En effet, l’analyse statistique uni varié permet d’étudier isolement la variable, cependant, pour
mieux décrire et identifier un client spécifique.

Pour ce faire, nous allons aborder l’analyse bivariées et multi variés, qui décrira la variable à
expliqué en fonction des variables explicatives.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 15


IV. Analyse Statistique Conjointe

L’analyse bi variée est une technique d’analyse statistique des données, consistant à découvrir
les relations pouvant exister entre les variables prises deux par deux et utilise les mesures
d'association entre deux variables à différents niveaux de mesure (X² coefficient de
contingence, coefficients j et l de Guttman, coefficient de différenciation, coefficient de
corrélation de rang de Spearman, le t de Kendall, le g de Goodman-Krushal, le coefficient point
bisérial et multisérial, le coefficient de corrélation de Pearson...) et les tests d'inférence pour
des mesures observées sur deux groupes et sur plus de deux groupes.

Dans notre cadre, nous allons, spécifiquement nous focaliser, a étudier les relations éventuels
pouvant exister entre les variable catégorielles prisent deux à deux en utilisant le test de khi-
deux et le coefficient de cramer.

1. Liaisons entre les variables explicatives

L’étude de liaison évolue en fonction de la nature des variables, plus les deux variables sont
quantitatives, donc, on a recoure au coefficient de corrélation ; lorsque les deux variables sont
mixtes, dans ce cas, on fait appel au rapport de corrélation et enfin, si les deux variables sont
qualitatives on utilise le coefficient de khi-deux appuyé par le coefficient de cramer.
En effet, le coefficient de khi-deux nous permet de nous renseigner si deux variables
qualitatives sont liés ou pas, tandis que le coefficient de cramer nous indique l’intensité de cette
rèlation.
De ce fait, nous allons découvrir pour tous les variables explicatives et la variable à expliquée
les principes ci-dessus :

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 16


a- Le teste de khi-deux entre Age et Situation Matrimoniale

Coefficient de cramer : 0.02414702

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et la situation matrimoniale. En termes de valeur-p, l'hypothèse nulle est
généralement rejetée, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’âge influence significativement la
situation matrimoniale.
De plus, le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

b- Le teste de khi-deux entre Age et Ancienneté

Coefficient de cramer : 0.01936046

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et l’ancienneté. En termes de valeur-p, l'hypothèse nulle est généralement
rejetée, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on accepte H1,
l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement l’âge du
client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est aussi faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 17


c- Le teste de khi-deux entre Age et Dom 1

Coefficient de cramer : 0.007848357

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et la domiciliation du salaire. En termes de valeur-p, l'hypothèse nulle est
généralement rejetée, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit la domiciliation du salaire influence
significativement l’âge du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

d- Le teste de khi-deux entre Age et Dom 2

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et domiciliation d’épargne. En termes de valeur-p, l'hypothèse nulle est
généralement accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on
rejette H1, l’hypothèse intermédiaire, autrement dit la domiciliation de l’épargne n’ influence
pas significativement l’âge du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 18


e- Le teste de khi-deux entre Age et Prof

Coefficient de cramer : 0.01692248

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et la profession. En termes de valeur-p, l'hypothèse nulle est généralement
rejetée, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on accepte H1,
l’hypothèse intermédiaire, autrement dit la profession influence significativement l’âge du
client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

f- Le teste de khi-deux entre Age et MoyC

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et la moyenne en cours. En termes de valeur-p, l'hypothèse nulle est
généralement accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on
rejette H1, l’hypothèse intermédiaire, autrement dit la profession n’influence pas
significativement l’âge du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 19


g- Le teste de khi-deux entre Age et Moy

Coefficient de cramer : 0.01593115

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et la moyenne des mouvements. En termes de valeur-p, l'hypothèse nulle est
généralement rejetée, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit la moyenne des mouvements influence
significativement l’âge du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

h- Le teste de khi-deux entre Age et cum

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et le cumul de débits. En termes de valeur-p, l'hypothèse nulle est généralement
accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on rejette H1,
l’hypothèse intermédiaire, autrement dit le cumul des débits n’influence pas significativement
l’âge du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 20


i- Le teste de khi-deux entre Age et Au

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et le découvert. En termes de valeur-p, l'hypothèse nulle est généralement
accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on rejette H1,
l’hypothèse intermédiaire, autrement dit le découvert n’influence pas significativement l’âge du
client.

j- Le teste de khi-deux entre Age et Int

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’âge et le cumul de débits. En termes de valeur-p, l'hypothèse nulle est généralement
accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on rejette H1,
l’hypothèse intermédiaire, autrement dit l’interdiction du chéquier n’influence pas
significativement l’âge du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 21


k- Le teste de khi-deux entre SitMat et Anc

Coefficient de cramer : 0.01204188

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et l’ancienneté. En termes de valeur-p, l'hypothèse nulle est
généralement rejetée, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit situation matrimoniale influence
significativement l’âge du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

l- Le teste de khi-deux entre SitMat et Dom1

Coefficient de cramer : 0.00745907

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et la domiciliation du salaire. En termes de valeur-p,
l'hypothèse nulle est généralement rejetée, car la valeur-p est inferieur au risque de se tremper,
alpha 5%, alors, on accepte H1, l’hypothèse intermédiaire, autrement dit situation matrimoniale
influence significativement la domiciliation du salaire du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 22


m- Le teste de khi-deux entre SitMat et Dom2

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et la domiciliation d’épargne. En termes de valeur-p,
l'hypothèse nulle est généralement accepté, car la valeur-p est supérieur au risque de se tremper,
alpha 5%, alors, on rejette H1, l’hypothèse intermédiaire, autrement dit la situation
matrimoniale n’ influence pas significativement la domiciliation de l’épargne du client.

n- Le teste de khi-deux entre SitMat et MOYC

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et la moyenne en cours. En termes de valeur-p, l'hypothèse
nulle est généralement accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%,
alors, on rejette H1, l’hypothèse intermédiaire, autrement dit la situation matrimoniale n’
influence pas significativement la moyenne en cours du client.

o- Le teste de khi-deux entre SitMat et MOY

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 23


Coefficient de cramer : 0.01280903

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et la moyenne en mouvement. En termes de valeur-p,
l'hypothèse nulle est généralement rejette, car la valeur-p est inferieur au risque de se tremper,
alpha 5%, alors, on accepte H1, l’hypothèse intermédiaire, autrement dit la situation
matrimoniale influence significativement la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

p- Le teste de khi-deux entre SitMat et Cum

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et le cumul de débits. En termes de valeur-p, l'hypothèse
nulle est généralement accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%,
alors, on rejette H1, l’hypothèse intermédiaire, autrement dit la situation matrimoniale n’
influence pas significativement le cumul de débit du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 24


r- Le teste de khi-deux entre SitMat et Au

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et le découverts. En termes de valeur-p, l'hypothèse nulle est
généralement accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on
rejette H1, l’hypothèse intermédiaire, autrement dit la situation matrimoniale n’ influence pas
significativement le découverts du client.

s- Le teste de khi-deux entre SitMat et Int

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir la situation matrimoniale et l’interdiction du chéquier. En termes de valeur-p,
l'hypothèse nulle est généralement accepté, car la valeur-p est supérieur au risque de se tremper,
alpha 5%, alors, on rejette H1, l’hypothèse intermédiaire, autrement dit la situation
matrimoniale n’ influence pas significativement l’interdiction du chéquier du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 25


t- Le teste de khi-deux entre Anc et Dom1

Coefficient de cramer : 0.01220872

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la domiciliation du salaire. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la domiciliation du salaire du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

u- Le teste de khi-deux entre Anc et Dom2

Coefficient de cramer : 0.01047455

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la domiciliation de l’épargne. En termes de valeur-p, l'hypothèse nulle
est généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la domiciliation de l’épargne du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 26


v- Le teste de khi-deux entre Anc et Prof

Coefficient de cramer : 0.01397674

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la profession. En termes de valeur-p, l'hypothèse nulle est généralement
rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on accepte H1,
l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement la profession
du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

w- Le teste de khi-deux entre Anc et MOYC

Coefficient de cramer : 0.009700287

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en cours. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en cours du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 27


x- Le teste de khi-deux entre Anc et MOY

Coefficient de cramer : 0.02047618

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

y- Le teste de khi-deux entre Anc et cum

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et le cumul de débit. En termes de valeur-p, l'hypothèse nulle est
généralement accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on
rejette H1, l’hypothèse intermédiaire, autrement dit l’ancienneté n’influence pas
significativement le cumul de débit du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 28


z- Le teste de khi-deux entre Anc et Au

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et le découverts. En termes de valeur-p, l'hypothèse nulle est généralement
accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on rejette H1,
l’hypothèse intermédiaire, autrement dit l’ancienneté n’influence pas significativement le
découvert du client.

a.1- Le teste de khi-deux entre Anc et Int

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et du chéquier du client. En termes de valeur-p, l'hypothèse nulle est
généralement accepté, car la valeur-p est supérieur au risque de se tremper, alpha 5%, alors, on
rejette H1, l’hypothèse intermédiaire, autrement dit l’ancienneté n’influence pas
significativement l’interdiction du chéquier du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 29


b.1. Le teste de khi-deux entre Dom1 et Dom2

Coefficient de cramer : 0.006860399

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

c.1. Le teste de khi-deux entre Dom1 et prof

Coefficient de cramer : 0.008577884

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 30


d.1. Le teste de khi-deux entre Dom1 et MoyC

Coefficient de cramer : 0.007753992

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

e.1. Le teste de khi-deux entre Dom1 et Moy

Coefficient de cramer : 0.01173189

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 31


f.1. Le teste de khi-deux entre Dom1 et Moy

Coefficient de cramer : 0.01173189

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

g.1.Le teste de khi-deux entre Dom1 et Cum

Coefficient de cramer : 0.007546303

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 32


h.1. Le teste de khi-deux entre Dom1 et Au

Coefficient de cramer : 0.004851604

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

i.1. Le teste de khi-deux entre Dom1 et Int

. Coefficient de cramer : 0.007179085

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 33


j.1. Le teste de khi-deux entre Dom2 et Prof

Coefficient de cramer : 0.00859829

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

k.1. Le teste de khi-deux entre Dom2 et MOYC

Coefficient de cramer : 0.04000699

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 34


l.1. Le teste de khi-deux entre Dom2 et MOY

Coefficient de cramer : 0.01587982

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

m.1. Le teste de khi-deux entre Dom2 et Cum

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 35


n.1. Le teste de khi-deux entre Dom2 et Au

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.

o.1. Le teste de khi-deux entre Dom2 et Int

Coefficient de cramer : 0.0070608

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 36


p.1. Le teste de khi-deux entre prof et MoyC

Coefficient de cramer : 0.008097931

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

q.1. Le teste de khi-deux entre prof et Moy

Coefficient de cramer : 0.01593577

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 37


r.1. Le teste de khi-deux entre prof et Cum

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.

s.1. Le teste de khi-deux entre prof et Au

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 38


t.1. Le teste de khi-deux entre MoyC et MOY

Coefficient de cramer : 0.01324681

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

u.1.Le teste de khi-deux entre MoyC et cum

Coefficient de cramer : 0.02915729

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 39


v.1. Le teste de khi-deux entre MoyC et Au

Coefficient de cramer : 0.01137677

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

w.1. Le teste de khi-deux entre MoyC et Int

Coefficient de cramer : 0.007632317

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 40


x.1. Le teste de khi-deux entre Moy et cum

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.

y.1. Le teste de khi-deux entre Moy et Au

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 41


z.1. Le teste de khi-deux entre Moy et Int

Coefficient de cramer : 0.006402559

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

a.2. Le teste de khi-deux entre Cum et Au

Coefficient de cramer : 0.01339145

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 42


b.2. Le teste de khi-deux entre Cum et Int

Coefficient de cramer : 0.006595639

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

b.3. Le teste de khi-deux entre Au et Int

Coefficient de cramer : 0.007629357

H0 : les deux variables X et Y sont indépendantes.


H1 : Dépendance entre les variables X et Y.
Le test de khi deux permet, ici de vérifier le lien statistique entre les deux variables qualitatives
à savoir l’ancienneté et la moyenne en mouvement. En termes de valeur-p, l'hypothèse nulle est
généralement rejeté, car la valeur-p est inferieur au risque de se tremper, alpha 5%, alors, on
accepte H1, l’hypothèse intermédiaire, autrement dit l’ancienneté influence significativement
la moyenne en mouvement du client.
En outre; le coefficient de Cramer est proche de 0, ce dernier nous indique que la liaison entre
ces deux variables est faible.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 43


2. Liaisons entre les variables explicatives et la variable à expliquer

L’étude de liaison entre la variable à expliquée et les variables explicatives, nous permet de
définir, d’avantage les caractéristiques d’un bon client et de celui d’un mauvais client.

De ce fait, nous allons procéder la réalisation des tableaux de contingences, le coefficient de


khi-deux et le graphique mosaïque (une mosaïque est un affichage graphique qui vous permet
d'examiner la relation entre les deux ou plusieurs variables).

Tableau2 : Croisement entre type et Age

Graphique 13 : Mosaïque de Type et Age

Test de khi-deux et coefficient de cramer

Coefficient de Cramer 0.008520255

On synthétisant les informations du tableau de graphique et du test de khi-deux ainsi que celui
de cramer, on constate : l’âge de 23 à 40 ans et 23 ans et plus influence plus le mauvais client
que le bon client alors que les 40 à 50 ans et plus de 5à ans influence plus le bon client que le
mauvais, avec un p-value et un coefficient de cramer proche de 0, nous conclusion l’existence
d’une liaison statistique faible entre types de clients et âges de clients.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 44


Tableau 3 : Croisement entre type et situation matrimoniale

Graphique 14 : Mosaïque de Type et situation et matrimoniale

Test de khi-deux et coefficient de cramer

Coefficient de Cramer 0.007844701

On synthétisant les informations du tableau de graphique et du test de khi-deux ainsi que celui
de cramer, on constate : le divorcés ; les veufs et les célibataires influence plus le mauvais
client que le bon client alors que le marié influence plus le bon client que le mauvais client,
avec un p-value et un coefficient de cramer proche de 0, nous conclusion l’existence d’une
liaison statistique faible entre type des clients et Situation Matrimoniale.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 45


Tableau 4 : Croisement entre type et ancienneté

Graphique 15 : Mosaïque de Type et ancienneté

Test de khi-deux et coefficient de cramer

Coefficient de Cramer0.01628478

On synthétisant les informations du tableau de graphique et du test de khi-deux ainsi que celui
de cramer, on constate que l’ancienneté de 1 ans ou moins ou 1 ou 4 ans influence plus le
mauvais client que le bon client alors que 6 ans à 12 ans et plus 12 ans influence plus le bon
client que le mauvais client que la mauvais, avec un p-value et un coefficient de cramer proche
de 0, nous conclusion l’existence d’une liaison statistique faible entre Type de client et
Ancienneté.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 46


Tableau 5 : Croisement entre type et domicile 1

Graphique 16 : Mosaïque de Type et Domicile 1

Test de khi-deux et coefficient de cramer

Coefficient de Cramer : 0.01855141

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que le non domicile salaire influence plus le mauvais client que le bon
client alors que le domicile salaire influence que le bon client que le mauvais, avec un p-value
et un coefficient de cramer proche de 0, nous conclusion l’existence d’une liaison statistique
faible entre Type de client et Domiciliation du salaire.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 47


Tableau 6 : Croisement entre type et domicile 2

Graphique 17 : Mosaïque de Type et Domicile 2

Test de khi-deux et coefficient de cramer

Coefficient de Cramer : 0.01066641

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que le non domicile d’épargne influence plus le mauvais client que le
bon client alors que le domicile d’épargne moins de 10KF ; 10à100KF et plus de 100KF
influence plus le bon client que la mauvais, avec un p-value et un coefficient de cramer proche
de 0, nous conclusion l’existence d’une liaison statistique faible entre Type de client et
Domiciliation de l’épargne.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 48


Tableau7 : Croisement entre type et prof

Graphique 18 : Mosaïque de Type et Prof

Test de khi-deux et coefficient de cramer

. Coefficient de Cramer : 0.008983984

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que la profession autre influence plus le mauvais client que le bon client
alors que les employer et le cadre influence plus le bon client que la mauvais, avec un p-value
et un coefficient de cramer proche de 0, nous conclusion l’existence d’une liaison statistique
faible entre Type de client et Profession.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 49


Tableau 8 : Croisement entre type et MOYC

Graphique 19 : Mosaïque de Type et MoyC

Test de khi-deux et coefficient de cramer

. Coefficient de Cramer : 0.01689303

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que le moins de 2 KF influence plus le mauvais client que le bon client
alors que 2à 5 KF et plus de 5 KF influence plus le bon client que la mauvais, avec un p-value
et un coefficient de cramer proche de 0, nous conclusion l’existence d’une liaison statistique
faible entre Type de client et la moyenne en cours.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 50


Tableau9 : Croisement entre type et Moy

Graphique 20 : Mosaïque de Type et Moy

Test de khi-deux et coefficient de cramer

. Coefficient de Cramer : 0.01590218

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que le moins de 10 KF mouvement influence plus le mauvais client que
le bon client alors que le 30 à 50 KF mouvement et le plus de 50 KF mouvement influence plus
le bon client que la mauvais, avec un p-value et un coefficient de cramer proche de 0, nous
conclusion l’existence d’une liaison statistique faible entre Type de client et la moyenne en
mouvement.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 51


Tableau 10 : Croisement entre type et Cum

Graphique 21 : Mosaïque de Type et Cum

Test de khi-deux et coefficient de cramer

. Coefficient de Cramer : 0.01590218

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que le plus de 100 débit influence plus le mauvais client que le bon
client alors que 40 à 100 débit et le moins de 40 débit influence plus le bon client que la
mauvais, avec un p-value et un coefficient de cramer proche de 0, nous conclusion l’existence
d’une liaison statistique faible entre Type de client et le cumul de débit.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 52


Tableau 11 : Croisement entre type et Au

Graphique 22 : Mosaïque de Type et Au

Test de khi-deux et coefficient de cramer

. Coefficient de Cramer : 0.007696055

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que le chéquier autorisé influence plus le mauvais client que le bon
client alors que le chéquier interdit influence plus le bon client que la mauvais, avec un p-value
et un coefficient de cramer proche de 0, nous conclusion l’existence d’une liaison statistique
faible entre Type de client et l’interdiction de chéquier.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 53


Tableau 12 : Croisement entre type et Int

Graphique 23 : Mosaïque de Type et Int

Test de khi-deux et coefficient de cramer

. Coefficient de Cramer : 0.01299191

On synthétisant les informations du tableau de graphique et du test de khi-deux, ainsi que celui
de cramer, on constate que le autorisé influence plus le mauvais client que le bon client alors
que le découvert interdit influence plus le bon client que la mauvais, avec un p-value et un
coefficient de cramer proche de 0, nous conclusion l’existence d’une liaison statistique faible
entre Type de client et le découvert.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 54


V. Analyse factorielle

La présentation synthétique d’un grand ensemble de données résultant de l’étude de plusieurs


caractères quantitatifs ou qualitatifs sur une population n’est pas facile.

Les procédés classiques de la statistique descriptive, que nous avons réalisée ci-dessus, à une
dimension permettent de résumer l’information recueillie sur chaque caractère (variable) pris
isolément. En revanche, ils ne fournissent aucune méthode visant à décrire l’information
globale dont on dispose quand on considère les caractères étudiés dans leur ensemble. Les
interrelations entre les caractères et leurs effets sur la structuration de la population risquent
alors d’échapper à l’utilisateur.

Les méthodes factorielles telles que l’Analyse en Composantes Principales (ACP) ; l’Analyse
Factorielle des Correspondances (AFC) ; l’Analyse en composante Multiple (ACM) ; l’Analyse
Factorielle Discriminant,…etc., ont pour but de révéler ces interrelations entre caractères et de
proposer une structure de la population.

Un des intérêts majeurs de ces analyses est de fournir une méthode de représentation d’une
population décrite par un ensemble de caractères dont les modalités sont quantitatives (mesures
continues), pour une ACP, ou qualitatives (pour une AFC ou ACM).

1. L’Analyse des Correspondances Multiples

L’ACM est une méthode factorielle de réduction de dimension pour l’exploration statistique de
données qualitatives complexes. En effet, elle est une généralisation de l’Analyse Factorielle
des Correspondances, permettant de décrire les relations entre p (p > 2) variables qualitatives
simultanément observées sur n individus. Elle est aussi souvent utilisée pour la construction de
scores comme préalable à une méthode de classification (k-means) nécessitant des données
quantitatives. Travaux pratiques de complexité croissante par l’étude de données élémentaires,
puis épidémiologiques avec interactions, que nous allons découvrir tout au long de notre projet.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 55


A. Choix du Nombre d’axes :

Il existe trois méthodes pour déterminer


d le nombre d’axes à prendre en com
mpte, il s’agit:

• La méthode de Kaiser : il faut conserver les valeurs propres supérieures à 1


• La règle du coude Cattell : il faut couper la courbe de valeur propre sur l’axe
ou apparait une décroissance rapide de valeur propre.
• Le taux d’inertie : il faut tenir compte des pourcentages cumulés de variances
des
es axes compris en générales entre 60 % à 80%.
80%
Il est important que les valeurs
urs propres des axes retenus restituent une “bbonne proportion” de
l'analyse. Cela signifie que la somme de l'inertie expliquée par chacun des
es axes
a représente une
partie importante de l'inertie tot
otale. Cette somme est une mesure de la fiabbilité de la lecture des
fonctions, et donc de la qualité
té globale explicative de l'analyse.

Tableau13: Les Valeur Propres (Eigenvalues)

Graphique 24: Courbe des éboulis

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 56


10
8
6
Graphique 25: Histogramme des éboulis

Projection des modalités sur le plan 1-2


4
2
0

Il semblerait bien que les deux critères de choix du nombre d’axes à retenir à savoir le taux
d’inertie et la méthode de kaiser inefficace, car le critère de kaiser nous conduit à retenir aucun
axe (les valeurs sont inferieur à 1), tandis que le taux d’inertie, nous oblige à restituer 19 axes
factoriels (la variance cumulée compris entre 60 à 80%).

De ce fait, nous allons solliciter la règle du coude de Cattell, qui s’applique sur l’axe ou une
décroissance rapide ou exponentielle est enregistrée. En effet, c’est le cas pour la deuxième
composante pour laquelle une décroissance rapide commence de naitre. En conformité avec
cette règle nous allons pouvoir, donc projette nos variables ; individus et modalités sur le plan
factoriel 1-2.

Ainsi notre analyse se fera dans le premier plan factoriel formé par les deux premiers axes
factoriels de l’ACM. Ces deux axes représentent 19.64% de l’inertie totale du nuage. Cela
signifie que la représentation des variables dans le plan factoriel ne reflète que 19.64% de la
réalité. La faible part de variance expliquée par les deux premiers axes est une caractéristique
de l’ACM (qui donne généralement des mesures pessimistes de l’information extraite). Les
résultats de cette analyse ne devront pas être pris pour l’absolu; cependant notre analyse nous
permettra de dégager un profil des clients selon leurs caractéristiques.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 57


Graphique 26 : Représentation des modalités sur le plan factoriel 1-2

MCA factor map


1 .5

moins de 2KF encours


plus de 100 débits

veuf
1 .0

de 10 à 100KF épargn

plus de 5 KF encours

cadre plus de 100KF épargn


D im 2 (7 .8 2 % )

chéquier interdit
0 .5

découvert autorisé moins de 10KF epargn


plus de 50KF mouvt
Mauvais client anc. de 1 à 4 ans
non domicile salaire plus de 50 ans anc. plus 12 ans
de 23 à 40 ans divorcé marié anc. de 6 à 12 ans
0 .0

anc. de 4 à 6 ansemployé de 40 à 50 ans


moins de 10 KF mouvt chéquier autorisé
de 30 à 50KF mouvt
anc. 1 an ou moins autre pas d épargne domicile salaire
célibataire de 40 à 100 débits
de 10 à 30KF mouvt
découvert interdit Bon client
-0 .5

moins de 23 ans
de 2 à 5 KF encours

moins de 40 débits

-1 0 1 2 3

Nous distinguons, d’après la représentation des modalités sur le plan factoriel 1-2, selon l’axe
1, l’opposition de deux groupes des modalités , il s’agit de deux groupe colorer en vert d’une
part les modalités : le 10 à 100 KF épargne ; plus de 5 KF en cours ; plus de 100KF épargne ;
ancien.de 6 à 12 ans …etc. contre le moins débite le 2 à 5 KF en cours ; moins de 40 débits ;
découvert interdit ; moins de 23 ans ; de 2 à 5 KF en cours.

Selon l’axe 2, on constate l’opposition entre deux autres groupes des modalités colorés en
bleu, il s’agit des modalités moins de 10 KF épargne ; anc. Plus 12 ans, bon client contre
chéquier interdit ; moins de é KF ; plus de 100 débit ; veuf ; moins de 23 ans ; de 10 à 30 KF
mouvement.

En somme, nous allons pourvoir connaitre les profils des clients qu’ils décrivent, mais avant
tous voyons voir ci-dessous, les modalités les mieux représentés.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 58


Graphique 27 : Représentation de dix modalités mieux représentées sur le plan 1-2

MCA factor map


1.5

moins de 2KF encours


plus de 100 débits
1.0

plus de 5 KF encours
Dim 2 (7.82%)

0.5

plus de 50KF mouvt


non domicile salaire
Mauvais client
0.0

pas d épargne
Bon client
-0.5

de 2 à 5 KF encours
moins de 40 débits

-2 -1 0 1 2 3 4

Les modalités le mieux représenté sur le plan 1-2 sont les modalités coloriés en rouges, alors
que ceux qui sont coloriés en gris ne sont pas bien représentés, on peut vérifier cela par le biais
aux aides à l’interprétation en occurrence les cos² et la qualité de la représentation sur le plan
disponibles dans les tableaux en annexe :

C’est l’exemple de la modalité Bon client proche de l’axe 1 et ayant un cos²=0.4 et une qualité
de représentation sur le plan 1-2 0.5, dans ce cas la modalité Bon client est non seulement bien
représenté sur l’axe 1 mais aussi dans le plan factoriel 1-2. Cette modalité s’opposant à une
autre modalité d’une même variable, mauvais client, car c’est une variable dichotomique, elle
est aussi bien représenté sur l’axe 1 et dans le plan factoriel.

En effet, nous allons nommer le premier axe en fonction des modalités qui disposent un bon
cosinus carré sur cet axe.

Nous allons appeler l’axe 1 comme étant l’axe de différent de type de clients. Dans ce cas, plus
les modalités sont corrélés positivement sur l’axe 1 et plus il s’agit de caractéristique d’un bon
client et plus les modalités sont corrélés négativement sur l’axe 1 et plus elles sont considérés
comme étant les caractéristiques d’un mauvais client.

Pour l’axe 2, la modalité 2à 5 KF en cours est bien représenté sur l’axe 2 et sur le plan 1-2,
avec cos²=0.614 et une qualité de représentation 0.628, cette même modalité est mal sur l’axe
1. En fonction, également des autres variables qui sont bien représenté, nous allons appeler
l’axe 2 comme l’axe des moyennes en cours et de cumul du débit des clients.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 59


Graphique 28: Représentation de dix modalités les plus contributives sur le plan 1-2

MCA factor map


1.5

moins de 2KF encours


plus de 100 débits
1.0

de 10 à 100KF épargn
plus de 5 KF encours
Dim 2 (7.82%)

0.5

plus de 50KF mouvt


non domicile salaire
Mauvais client
0.0

Bon client
-0.5

de 2 à 5 KF encours

moins de 40 débits

-2 -1 0 1 2 3 4

Dim 1 (11.82%)

Les modalités le mieux représenté sur le plan 1-2 sont les modalités coloriés en rouges, et
contribuent le plus la construction des axes 1 et 2, tandis que ceux qui sont coloriés en vert ne
le contribuent pas, on peut vérifier cela par le biais aux aides à l’interprétation en occurrence
les contributions sur le plan 1-2 disponibles dans les tableaux en annexe :

Nous constatons, par ailleurs, que les variables qui sont bien représentés participent également
à la construction des axes respectifs du plan factoriel 1-2, sachant ici, l’absence des variables
mise en supplémentaire.

Pour chaque axe, le pourcentage d’inertie théorique moyen expliqué par chaque modalité est de
2.631% ou encore (100%/38). Or, on constate sur l’axe 1 que les contributions varient de
0.001% à 7.277 % et que sur l’axe 2 les contributions varient de 0.001 % à 20.220 %.

Seules les modalités dont la contribution est élevée sont à considérer pour l’interprétation d’un
axe, c’est-à-dire celles dont la contribution est supérieure à 2.631%, c’est l’exemple de la
modalité de Bon client avec contribution 7.277%, supérieur à 2.63% et de mauvais client avec
une contribution 7.466%. En résumé les variables coloriés en rouge ont tous des contributions
supérieures à 2.63%.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 60


Graphique 29: Représentation des individus selon le type des clients sur le plan 1-2

MCA factor map

Bon client
Mauvais client
I032
I306 I199
I327
1 .0

I318 I449
I285I304 I059
I089 I094
I406
I091 I335
I187 I456
I308 I146
I024
I443
I129 I141 I085
I451 I367 I063 I361 I184 I109
I409 I440
I147 I382 I142 I206 I428 I042I064 I403I072 I193
I438 I102
I453
I195 I417
I386
I345 I328 I060
I376 I436 I311 I404 I365
I194 I380
I307I233 I208 I410I025 I249 I421I027
I310 I388 I107 I054I397
I444I015
I317
I125 I448 I023 I319 I394
I110 I395I384 I240 I400
I009 I029I081 I131 I138 I241
I022
I266
0 .5

I200 I418 I097 I144 I439


I079I326 I433 I387
I286 I408I003 I467 I055
D im 2 (7 .8 2 % )

I309
I383 I254 I174I210 I300 I045
I093 I411
I090I464 I018 I349I139 I377 I036 I178
I316 I244I191I061I038
I463
I398I305 I374 I242 I050
I034 I185
I283
I292 I166
I379 I362 I321I435 I422 I082 I121 I067 I118
I423
I312 I340I432I209 I452 I370 I216 I076
I260
I429I363 I445I261
I381 I051 I047 I004 I155 I035
I213 I415
I368 I434I465 I287
I101 I235 I073I226 I223 I084
I413
I450 I372 I427 I162 I414 I360 I016 I243
I049 I188 I078 I214 I040
I458 I245 I378 I232I196
I366 I351 I402
I369 I263I250 I313 I248 I405I021 I104I046
I324 I083I033 I205I140
I098
I020
0 .0

I424 I344 I325 I315 I407 I290


I092 I211I204 I062 I192
I212 I278
I057 I302 I116
I354 I364 I291I358 I157 I391
I466
I392 I401 I137
I028
I457I158 I176
I267 I293
I008
I255I371 I459 I437
I355
I180 I385
I058 I156I070 I161
I044 I099I077 I127
I269 I011
I037
I043 I198
I007
I389
I425I262 I350I348 I322I333
I048 I052
I353I108I234 I332I303 I014
I201I298 I012 I096
I001
I113
I221 I030
I272
I280
I132
I396 I247
I447
I343 I334I253I013 I390 I095 I115
I181 I143
I019 I056 I122
I239 I281
I160
I153
I289 I151
I165
I279
I111
I330I375I461
I277 I329 I257
I112
I356 I026 I126
I207
I068 I117
I215 I010
I295 I170I274 I123 I219
I237
I080
I268 I373 I454I284 I331
I231
I150 I039
I426
I164I134 I431I136I103 I148 I230
I074 I225
I189 I341 I339
I314 I175 I320
I323
I430
I455 I075
I419
I420 I172 I106
I128 I217I197
I179 I246 I159
I301
I086
I088
I087
I259 I222
I399I462I460 I270
I393
I336 I168 I346
I105
I173 I446
I186
I006
I100 I229
I236
I468 I053 I130 I065 I120
I275I218I265
I041
I442
I416
I264
I412
I441 I342I337 I167 I066
I202 I124 I258
I224
I069
I252
I163 I017 I238
I347
I182 I169 I133 I228 I227
I338 I352 I031 I271
I071 I135
I119I273
-0 .5

I359I276 I005 I152


I114
I171 I299
I256 I145
I183
I154
I357I149 I282 I294
I177 I288
I190 I296I251I220
I002
I297I203

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

Dim 1 (11.82%)

Les individus habillé selon le type de clients et représenté sur le plan 1-2, nous montre
d’avantage la répartition des clients selon leurs catégories bonnes ou mauvaises.

En constate bien, que cette répartition convient à la représentation des modalités sur le plan
factoriel axe 1-2, autrement dit on pourrait expliquer les individus projette selon le type de
clients avec la représentation des modalités. Cependant, nous allons développer ceux-ci dans la
synthèse ci-dessous.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 61


SYNTHESE

A partir de 468 clients de la Banque réparties selon le Bon client et Mauvais clients, représenté
sur le plan 1-2, ainsi que la représentation de 38 modalités ; nous pouvons dores déjà,
identifier et de bien ciblé le bon client avec une certitude de remboursement des prêt qu’en lui
accorde et le mauvais client qui sera en incapacité de remboursement.

Nous pouvons, finalement, les identifiés à partir des modalités des variables qui l’ont choisie
lors de l’enquête statistique.

De ce fait, un bon client est déterminé par :

D’une domiciliation d’épargne de 10 à 100 épargnes, plus de 100 épargnes


De moyenne en cours plus de 5 KF encours ;
De moyenne en mouvement Plus 50 KF mouvement,
Agés 6 à 12 ans, de 40 à 50 d’ans
D’ancienneté Plus de 12 ans d’ancienneté
D’une possession domicile salaire
De cumul débits de 40 à 100 débits, moins de 40 débits
De découvert interdit
De Chéquier autorisé
Et d’une situation matrimoniale Marié
Avec profession cadre

Tandis que, un mauvais client est défini par :

D’une moyenne en cours moins de 2KF encours,


De cumul débit de Plus de 100 débits ;
De Chéquier interdit
Non possession de domicile salaire
De moyenne de mouvement :de moins de 10KF mouvement ; 10 à 30KF mouvement
Agés : moins de 23 ans ; 23à 40 ans
D’une situation Matrimoniale : Veuf ; célibataire
D’ancienneté : 4 à 6 ns d’ancienneté ; 1 ou moins d’ancienneté ;
De profession autre

Cependant, les autres caractéristiques semblent bien être au commun entre bon client et
mauvais clients.

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 62


2. Classification des Variables et individus

L’étude de classification est très utile pour compléter l’analyse univariée ; bivariée et multi
variée, nous allons donc pouvoir réalisé ci-dessus :

Graphique 30 : Classification des variables :

Cluster Dendrogram
10
8

Cluster 3 Cluster 2 Cluster 1


6
4
2
H e ig h t
0

p lu s d e 1 0 0 K F é p a rg n

B o n c lie n t
c h é q u ie r in te rd it
m o in s d e 2 K F e n c o u rs

m o in s d e 1 0 K F m o u vt
p lu s d e 5 0 a n s

m o in s d e 2 3 a n s

d e 2 à 5 K F e n c o u rs
m o in s d e 4 0 d é b its
m o in s d e 1 0 K F e p a rg n

veuf

d é co u v e rt in te rd it
a n c. p lu s 1 2 a n s

p lu s d e 5 K F e n c o u rs
d e 1 0 à 1 0 0 K F é p a rg n

d e 4 0 à 1 0 0 d é b its
p lu s d e 5 0 K F m o u vt

d e 1 0 à 3 0 K F m o u vt
p lu s d e 1 0 0 d é b its

de 40 à 50 ans
d ivo rc é
M a u va is clie n t

d e 3 0 à 5 0 K F m o u vt

anc. de 6 à 12 ans

de 23 à 40 ans
a n c. d e 4 à 6 a n s
ca d re

p a s d é p a rg n e

m a rié

e m p lo yé
c h é q u ie r a u to risé
anc. de 1 à 4 ans
d é c o u v e rt a u to ris é

n o n d o m ic ile s a la ire
cé lib a ta ire

d o m ic ile s a la ire
a n c . 1 a n o u m o in s
a u tre

Graphique31 : Représentation des clusters de variables sur le plan factoriel 1-2 :

Variables groups factor map[PCA]

Cluster 1
1 .5

Cluster 2
moins de 2KF encours
Cluster 3
plus de 100 débits

veuf
1 .0

de 10 à 100KF épargn

plus de 5 KF encours

cadre
0 .5

chéquier interdit
(7 .822 % )

découvert autorisé moins de 10KF epargn plus de 50KF mouvt


anc. de 1 à 4 ans
Mauvais client anc. plus 12 ans
non domicile salaire plus de 50 ans
D imD2 im

divorcé
de 23 à 40 ans marié
anc. de 6 à 12 ans
0 .0

de 40 à 50 ans
anc. de employé
4 à 6 ans
chéquier autorisé
de 30 à 50KF mouvt
moins de 10 KF mouvt pas d épargne domicile salaire
autre
anc. 1 an ou moins de 40 à 100 débits
célibatairede 10 à 30KF mouvt
découvert interdit Bon client
-0 .5

moins de 23 ans
de 2 à 5 KF encours

moins de 40 débits
-1 .0

-1.0 -0.5 0.0 0.5 1.0 1.5 2.0

Dim Dim
1(11.82%)
1
Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 63
H e ig h t
Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S.

Graphique32 : Classification des individus :

en peut considérer le groupe de point commun entre mauvais client et bon clients.
clients, ici il s’agit d’un regroupement en fonction d’homogénéité, en effet, le troisième groupe
Attention à ne pas confondre avec le graphique de représentation des individus selon le type de
0 20 40 60 80

Dans ce cas, nous avons le trois groupes les modalités suivants:

entre eux.
La ligne phénomologie de la classification départage en 3 groupes des modalités homogènes
Les groupes des modalités homogènes sont obtenus en fonction des clients qui l’ont choisie

temps, d’apprécier leur degré de divergence :


d’évolutives

L’analyse de classification des variables se repartie en deux sens; dans un premier temps, il
s'agit de mettre en évidence sur un schéma synthétique (le dendrogramme) les relations
épargne", "autre", "de 10 à 30KF mouvt", "moins de 10 KF mouvt"
Cluster 3

"moins de 2KF encours", "plus de 100 débits", "découvert autorisé", "chéquier interdit".
Cluster 2

interdit" , "chéquier autorisé".


encours" "de 30 à 50KF mouvt" "de 40 à 100 débits" , "moins de 40 débits" , "découvert
"anc. de 4 à 6 ans" , "anc. de 6 à 12 ans" "domicile salaire" , "employé" , "de 2 à 5 KF
Cluster 1
I0 4806 73842
I1
I2
I0 5
I2 79387450 7233864
I1
I0
I0
I0 6751 5931
I2
I1

Cluster 1
I0
I1 9320 18767226
I1
I0 0
9
1
I3
I0
I1
I2
I0
I1
I0
I2
I0 8105327 8316950
I1
I0
I2
I1 73478 2034
I2 862852316 0971370
I2
I0
I1
I2
I2
I1 9383 4891
I1
I3
I4 3643952 434610287
I2
I4

formé : "Mauvais client", "veuf", "anc. de 1 à 4 ans", "non domicile salaire"


I0

formé : "Bon client", "de 23 à 40 ans" , "de 40 à 50 ans", "divorcé" , "marié" ,


I1
I0

formé : "moins de 23 ans", "célibataire", "anc. 1 an ou moins", "pas d


61
I2 523188 53246624
I0
I1

entre
I2
I0 0967 8530
I2
I0
I2
I1 8942 803601
I0
I1
I2
2
9
I2 079445 08251
I1
I3
I0
I1 18
I4 376286080 52746359
I0
I0
I1
I0
I1
I1 701459 43069
I0
I2
I0
I1
I0
I3
I0
I4
I1
I4
I0 0982234 97872940
I2 66
I0 25143798 94529071
I3
I1
I2

plusieurs
I3
I0
I4
I0
I1
I4 644 4204
I2 2649420 918349876
I3
I1
I4
I1
I3
I4
I0
I3
I2 508903082 687162457
I4
I0
I3
I0
I1
I4
I1 01 0
I2 39708120 346760758
I2
I3
I1
I3
I4
I0
I2
I4 03051 98841
I2 03886 93764
I3
I3
I4 26
I4 219814 3854018
I0
I3
I3
I4
I4 5908463 3542705
I3
I1
I3
I1
I1
I4
I3 4826 569
I0
I2
I3
I4
I0 114246 070123

Cluster Dendrogram
I1
I3
I4
I2
I3
I1 8181709 988169
I0
I3
I2
I0
I2
I1
I2 84552 35410
I1
hclust (*, "ward")

I1 535173997 6121947
I1
I2
I0
I2
I4 206 868

variables,
I1
I2
I2 6525070 6739632
I0
I1
I0
res.d

I1
I3
I0
I1 251072313 07285964
I1
I2
I4
I4
I1
I3
I0
I4
I2 12365217 98519273
I2
I1
I0
I2
I0
I2 522 8432
I1
I2
I0
I3 586427305 965105819
I2
I0
I1
I2
I1
I0
I0 67180631 768731205
I1
I2
I1
I3
I2
I2 2463170 6845797
I0
Cluster 2

I1
I1
I2
I1 41089 419
I2
I0
I1 3791 04823
I0
I2
I0
I0
I2
I1 91 509
I3 3641641 056720194
I0
I1

dans
I3
I4
I2 93749 360198
I3
I1
I3
I4
I2 6484 27
I3 41668969 764896321
I4
I1
I2
I3
I4 7578652 13390454
I2
I3
I2
I3
I0 34250980 4753725
I4
I2
I3
I2
I0
I2
I1 57634 269369
I2
I3
I1
I3
I0 59 70
I2 56234703 04696351
I4
I1
I3
I1
I3
I4
I1
I1 0305248 670928
I3
I0
I3
I4
I0
I3 76916378 71038054
I3
I4
I2
I1
I3
I1
I3 325240 035021

un
I3
I4
I1
I3
I4
I0 358 7503
I1 3903255 3527782
I3
I4
I4
I0
I1
I0
I2
I3 5901428 8604915
I1
I0
I0
I4
I2 2
I2 0215058 15412970
I3
I4
I1
I0
I2
I4
I3
I0 6711461 580538266
I3
I4
I1
I2
I3
I3
I3 719790 431099385
I0
I4
I0
I3
I4
I3 16226 2936
I3
I4
I2 5252645 158734480
I4
I3
I4
I3
I1
I4 9651634 16758420
I4
I3

second
I3
I4
I4
I4 3842 515
I3
Page 64

I2 061174 2913325
I2
I3
I4
I3
I4
Graphique 33 : Représentation des clusters des individus sur le plan factoriel 1-2 :

individuals groups factor map[PCA]

Cluster 1
1 .5

Cluster 2

I032
1 .0

I306 I199
I318 I327
I285 I304 I449 I059
I089 I094
I406I091
I187 I335 I456
I308 I146 I024
I451 I367I440 I443I129 I141 I085
I063 I361 I109
I409 I438 I147 I382I453 I195I102
I142
I417
I386
I206 I428 I042I064
I060 I403 I184 I072
I376 I233I194 I311 I404 I345 I328
I307 I436 I380 I208
I410 I023 I025I249 I365 I310I421 I027 I388 I107 I444 I054 I397
0 .5

I125
I317 I448 I395I384 I319
I240 I015 I394
I029 I131 I138 I241
I200 I110 I079 I418 I326 I387
I286 I408 I097I009 I400 I266 I022 I144 I439 I081
I309 I467
I093 I433
I383 I254 I003 I174I210
I377 I178 I300
I244 I191 I061 I038I036
(7 .822 % )

I305 I316 I411 I090 I464 I018 I349 I139 I463


I283
I292
I398 I362 I374 I242 I034I422 I050 I185
I379 I423
I312 I321 I435I340 I370 I082 I216 I121 I067 I166
I429 I363 I445I381I261 I368 I432 I209 I452 I047 I004 I223 I155
I076
I260 I035
I413 I213 I415 I434 I360I465I016 I051 I101I287 I243 I235 I226 I084
0 .0

I450 I245I372 I073 I232 I040


I378 I313I162 I049
I414 I188 I104 I214
D imD2 im

I427 I046I078 I205I196 I140


I366 I351 I458 I424
I402 I369 I263 I250 I248 I290 I324
I211I405 I204
I021 I083 I033 I278 I098
I020
I291 I344 I325I466I391I315 I407 I092 I212 I267I176 I062 I192 I057 I302 I116
I354 I364 I358I157 I392 I180 I401
I355 I457
I437 I028
I137 I158 I385I156 I077 I127I269I043I011 I293
I008
I255 I371
I425 I389 I350I013 I348 I322I459 I333 I353 I052 I058 I070I303
I332 I161 I044
I201I014 I298 I012 I099 I096 I272 I037 I007
I030
I280 I198
I396
I447
I343 I247I334 I253I262 I390I461 I048 I095
I329
I108
I112 I257 I026 I234
I115
I126
I207 I181 I117 I215 I019 I143 I056
I010 I274 I239 I113
I001
I221I281
I122
I123 I160I132
I153
I289 I237
I219 I151
I165
I111
I279
I268 I373I454 I284I330 I375I277 I231
I150
I331 I039
I426 I431 I136I356 I103 I068I148 I074 I230I295 I170
I225 I080
I189 I339 I175 I320 I455 I164 I134
I419 I075 I172I128 I179 I197
I246 I159 I088
I399
I341 I314
I460 I336I393I270 I430I323I168 I446 I420 I229 I053 I217 I130 I065 I301
I106 I086I259I087
I120 I218 I222 I265
I041
I342 I105 I346
I173I100 I006
I186 I236
I468 I017I275I238
-0 .5

I264
I416
I442
I462 I337 I202
I167I066 I258
I338 I347 I182 I412I441 I133
I169I352 I031 I071 I228 I124
I069
I224
I252 I163I227
I359 I276 I152
I114
I171 I299
I256 I271 I183 I135I119 I273
I145
I154
I357 I149 I005I282 I294 I177 I288
I190 I296 I251 I220
I297
I002I203
-1 .0
-1 .5

-1.0 -0.5 0.0 0.5 1.0

L’analyse de classification des individus se repartie en deux sens; dans un premier temps, il
s'agit de mettre en évidence sur un schéma synthétique (le dendrogramme) les relations
d’évolutives entre plusieurs variables, dans un second
temps, d’apprécier leur degré de divergence :

Les groupes des individus homogènes sont obtenus en fonction de leurs caractéristiques, c'est-
à-dire du bon client et du mauvais client. La ligne phénomologie de la classification départage
en 2 groupes des individus hétérogènes selon les différentes caractéristiques.
Dans ce cas, nous avons le deux groupes les individus suivants:
Cluster 1 est formé par les clients :

"I001" "I004" "I007" "I008" "I011" "I020" "I024" "I030" "I033" "I034" "I035" "I036" "I037" "I038" "I040"
"I043" "I045" "I046" "I047" "I050" "I055" "I056" "I057" "I059" "I061" "I062" "I067" "I072" "I073" "I076"
"I077" "I078" "I080" "I082" "I083" "I084" "I085" "I088" "I096" "I098" "I104" "I109" "I111" "I113"
"I116" "I118" "I121" "I122" "I123" "I127" "I131" "I132" "I138" "I140" "I146" "I151" "I153" "I155" "I160"
"I165" "I166" "I170" "I178" "I184" "I185" "I188" "I191" "I192" "I193" "I196" "I198" "I205" "I214" "I216"
"I219" "I221" "I223" "I225" "I226" "I232" "I235" "I237" "I239" "I241" "I243" "I244" "I260" "I269" "I272"
"I274" "I278" "I279" "I280" "I281" "I283" "I289" "I292" "I293" "I300" "I302" "I394" "I403" "I422" "I463"
"I467"

Cluster 2 est formé par les clients :

"I002" "I003" "I005" "I006" "I009" "I010" "I012" "I013" "I014" "I015"] "I016" "I017" "I018" "I019"
"I021" "I022" "I023" "I025" "I026" "I027" "I028" "I029" "I031" "I032" "I039" "I041" "I042" "I044"
"I048" "I049" "I051" "I052" "I053" "I054" "I058" "I060" "I063" "I064" "I065" "I066" "I068" "I069"
"I070" "I071" "I074" "I075" "I079" "I081" "I086" "I087" "I089" "I090" "I091" "I092" "I093" "I094"
"I095" "I097" "I099" "I100" "I101" "I102" "I103" "I105" "I106" "I107" "I108" "I110" "I112" "I114"
"I115" "I117" "I119" "I120" "I124" "I125" "I126" "I128" "I129" "I130" "I133" "I134" "I135" "I136"

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 65


"I137" "I139" "I141" "I142" "I143" "I144" "I145" "I147" "I148" "I149" "I150" "I152" "I154" "I156"
"I157" "I158" "I159" "I161" "I162" "I163" "I164" "I167" "I168" "I169" "I171" "I172" "I173" "I174"
"I175" "I176" "I177" "I179" "I180" "I181" "I182" "I183" "I186" "I187" "I189" "I190" "I194" "I195"
"I197" "I199" "I200" "I201" "I202" "I203" "I204" "I206" "I207" "I208" "I209" "I210" "I211" "I212"
"I213" "I215" "I217" "I218" "I220" "I222" "I224" "I227" "I228" "I229" "I230" "I231" "I233" "I234"
"I236" "I238" "I240" "I242" "I245" "I246" "I247" "I248" "I249" "I250" "I251" "I252" "I253" "I254"
"I255" "I256" "I257" "I258" "I259" "I261" "I262" "I263" "I264" "I265" "I266" "I267" "I268" "I270"
"I271" "I273" "I275" "I276" "I277" "I282" "I284" "I285" "I286" "I287" "I288" "I290" "I291" "I294"
"I295" "I296" "I297" "I298" "I299" "I301" "I303" "I304" "I305" "I306" "I307" "I308" "I309" "I310"
"I311" "I312" "I313" "I314" "I315" "I316" "I317" "I318" "I319" "I320"] "I321" "I322" "I323" "I324"
"I325" "I326" "I327" "I328" "I329" "I330" "I331" "I332" "I333" "I334" "I335" "I336" "I337" "I338"
"I339" "I340""I341" "I342" "I343" "I344" "I345" "I346" "I347" "I348" "I349" "I350" "I351" "I352"
"I353" "I354" "I355" "I356" "I357" "I358" "I359" "I360" "I361" "I362" "I363" "I364" "I365" "I366"
"I367" "I368" "I369" "I370" "I371" "I372" "I373" "I374" "I375" "I376" "I377" "I378" "I379" "I381"
"I382" "I383" "I384" "I385" "I386" "I387" "I388" "I389" "I390" "I391" "I392" "I393" "I395" "I396"
"I397" "I398" "I399" "I400" "I401" "I402" "I404" "I405" "I406" "I407" "I408" "I409" "I410" "I411"
"I412" "I413" "I414" "I415" "I416" "I417" "I418" "I419" "I420" "I421" "I423" "I424" "I425" "I426"
"I427" "I428" "I429" "I430" "I431" "I432" "I433" "I434" "I435" "I436" "I437" "I438" "I439" "I440"
"I441" "I442" "I443" "I444" "I445" "I446" "I447" "I448" "I449" "I450" "I451" "I452" "I453" "I454"
"I455" "I456" "I457" "I458" "I459" "I460" "I461" "I462" "I464" "I465" "I466" "I468".

On constate que la classification reflète deux groupes des clients hétérogènes entre eux et que nous
avons plus de clients dans le groupe 2 que dans le dans le groupe 1, cependant la classification des
individus n’est pas visible, pour les rendre visible, il faudrait que l’on face des sous études en ACM, qui
permettra de zoomer la classification, mais en se focalisant sur les intitulés des individus on pourrait
avoir une idée sur les deux groupes de clients.

Conclusion
En conclusion, le profil clients généralement en deux groupe hétérogènes, en occurrence, l’un les bons
clients et l’autre les mauvais clients, mais il faudrait, aussi, prendre en compte les clients qui se trouve
entre bon et mauvais clients, selon leurs projections les bon clients sont décrit par les modalités corrélés
positivement avec l’axe 1, tandis que les mauvais clients sont caractérisées par les modalités corrélés
négativement avec l’axe 1. La statistique univariée sur le type de client a attribué un 51% au bon client
et 49% au mauvais client, alors que la statistique multi variée sur l’ensemble des variables considère que
le bon client sont minoritaire par rapport au mauvais client, c’est ce que les groupes ou « cluster » nous
reflète.

Nous soulignons, par ailleurs que le plan factoriel 1-2 ne reflète pas exactement, la réalité observée, car
nous avons beaucoup déformé les informations disponibles dans la base, ainsi le pourcentage de l’inertie
est très faible, elle ne vaut que 19.69, cela signifie, lors de la transformation de données d’un espace de
douze dimensions en un plan, nous avons perdu 80.31% d’information utile , c’est la raison pour
laquelle las analyses de l’ACM ne devront pas être pris pour l’absolu; en effet, notre analyse nous a
permis de dégager un profil des clients selon leurs caractéristiques. .

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 66


ANNEXE :

Tableau 14 : Coordonnées, Contributions, Cosinus2 des modalités

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 67


Liste des abréviations

anc. : Ancienneté
mouvt : mouvement
ctr : Contribution
cos2 : cosinus carré
v.test : la valeur de t.test des coordonnées
Dim1 : Dimension 1

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 68


Liste des tableaux

• Tableau1 : Effectifs des modalités


• Tableau2 : Croisement entre type et Age
• Tableau 3 : Croisement entre type et situation matrimoniale
• Tableau 4 : Croisement entre type et ancienneté
• Tableau 5 : Croisement entre type et domicile 1
• Tableau 6 : Croisement entre type et domicile 2
• Tableau7 : Croisement entre type et prof
• Tableau 8 : Croisement entre type et MOYC
• Tableau9 : Croisement entre type et Moy
• Tableau 10 : Croisement entre type et Cum
• Tableau 11 : Croisement entre type et Au
• Tableau 12 : Croisement entre type et Int
• Tableau13: Les Valeur Propres (Eigenvalues)

Liste des graphiques

Graphique1 : Diagramme en secteur de la variable type des clients


Graphique2 : Diagramme en Bande de la variable Age des clients
Graphique3 : Diagramme en Bande de la variable de situation matrimoniale
Graphique4 : Diagramme en Bande de la variable de l’ancienneté
Graphique 5 : Diagramme en secteur de la variable de Domiciliation du salaire
Graphique 6 : Diagramme en bande de la variable de domiciliation d’épargne
Graphique 7 : Diagramme en bande de la variable de profession
Graphique 8 : Diagramme en bande de la variable de Moyenne C
Graphique 9 : Diagramme en bande de la variable de Moyenne
Graphique 10 : Diagramme en bande de la variable de Cum
Graphique 11 : Diagramme en secteur de la variable de Au
Graphique 12 : Diagramme en bande de la variable de Int
Graphique 13 : Mosaïque de Type et Age
Graphique 14 : Mosaïque de Type et situation et matrimoniale
Graphique 15 : Mosaïque de Type et ancienneté
Graphique 16 : Mosaïque de Type et Domicile 1

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 69


Graphique 17 : Mosaïque de Type et Domicile2
Graphique 18 : Mosaïque de Type et Prof
Graphique 19 : Mosaïque de Type et MoyC
Graphique 20 : Mosaïque de Type et Moy
Graphique 21 : Mosaïque de Type et Cum
Graphique 22 : Mosaïque de Type et Au
Graphique 23 : Mosaïque de Type et Int
Graphique 24: Courbe des éboulis
Graphique 25: Histogramme des éboulis
Graphique 26 : Représentation des modalités sur le plan factoriel 1-2
Graphique 27 : Représentation de dix modalités mieux représentées sur le plan 1-2
Graphique 28: Représentation de dix modalités les plus contributives sur le plan 1-2
Graphique 29: Représentation des individus selon le type des clients sur le plan 1-2
Graphique 30 : Classification des variables :
Graphique31 : Représentation des clusters de variables sur le plan factoriel 1-2
Graphique32 : Classification des individus :
Graphique 33 : Représentation des clusters des individus sur le plan factoriel 1-2

Référence web :

http://www.institut-numerique.org/232-presentation-des-resultats-de-lacm-
52e75a826f27a
http://biom3.univ-lyon1.fr/R/fichestd/tdr63.pdf
http://pbil.univ-lyon1.fr/R/stage/stage7.pdf
http://cedric.cnam.fr/~saporta/discriminante.pdf

Script Commandes sur R

chisq.test(table(data$Typ,data$Int)) #test de chi2 de deux variables avec ou sans


table
cramer(data$Typ,data$Int)
table(data$Int)/468 #le nombre en pourcentage d'un variable qualitative voulu
barplot(table(data$Int)/468,col=2:6,legend.text = TRUE,horiz=T)# representation en
histogramme d'une variable qualitative
library(FactoMineR)
res <- MCA(data)
summary(res)

Abdi-Basid IBRAHIM ADAN / DAKAR SCHOOL OF ECONOMICS / I.R.E.S. Page 70