Résumé:
Dans un contexte où les marchés publics jouent un rôle stratégique dans l’économie
nationale, la gestion efficace du risque de crédit constitue un enjeu central pour les institutions
de garantie. Ce mémoire s’inscrit dans cette problématique en explorant l’apport du Machine
Learning dans l’évaluation et le traitement prédictif du risque de crédit lié aux marchés publics,
à travers l’exemple de la Caisse de Garantie des Marchés Publics (CGMP).
L’étude met en évidence que le recours au Machine Learning permet non seulement une
meilleure détection des profils à risque, mais aussi une automatisation des processus
décisionnels, en renforçant la réactivité face aux comportements défaillants. En parallèle, elle
souligne les limites et précautions nécessaires, notamment en matière de transparence
algorithmique et de qualité des données.
Les résultats obtenus plaident en faveur d’une intégration progressive et encadrée de ces
technologies au sein de la CGMP, en vue de moderniser ses outils de gestion du risque,
d’améliorer la fiabilité des décisions de garantie, et de contribuer à une meilleure gouvernance
dans le secteur des marchés publics.
