Introduction aux enjeux du Big Data en assurance
Objectifs pédagogiques
Comprendre et analyser les enjeux, les méthodes et les conséquences opérationnelles de l’utilisation du Big Data en actuariat.
Thèmes abordés
La Data-Science au service de la souscription et du ciblage des clients
- Profilage pour la souscription en ligne
- Méthodes de conception de questionnaires synthétiques pour la souscription en ligne
- Lutte contre la fraude et l’anti-sélection
- Rétention de clients : anticipation des résiliations, risque de rachat
- Études de cas
Tarification et provisionnement
- Confrontation entre les méthodes usuelles (modèles linéaires généralisés) et les méthodes issues du machine learning
- Combinaisons éventuelles entre nouvelles méthodes et méthodes traditionnelles
- Indicateurs de risque et suivi du risque
- Mise en œuvre sur des exemples
Nouvelles données
- Open data : les nouvelles sources de données
- Les utilisations possibles
- Nouvelles incertitudes et nouveaux risques éventuels liés à leur utilisation
Les risques à temps de développement long
- Stabilité et fiabilité des données utilisées
- Prise en compte d’évolutions temporelles
- Méthodes de prévision
- Illustrations
Prérequis
Notions avancées de statistique et probabilités. Notions de base en machine learning. Une connaissance préalable (même superficielle) des problématiques actuarielles est souhaitable mais pas obligatoire.
Autres thèmes en intra — Data science & IA
- Méthodes avancées de Data Mining 2 jours
- R pour la data science 3 jours
- Actuariat et Big Data : quels enjeux juridiques ? 1 jour
- Python pour la data science 3 jours
- MLOps : panorama et mise en place 1 jour
- Sécurisation des données 1 jour
- Web-Scraping : méthodes d'extraction de données sur le web 3 jours
- Réduction de dimension et classification non supervisée (Clustering) 1 jour
