BIG DATA et
données externes
dans les modèles de tarification
CONFIDENTIAL © 2014 ACTUARIS 2
BIG DATA
  BIG DATA : Quelques clés
  Eric FROIDEFOND – MAAF – MBA CNAM ENASS en cours
 ...
CONFIDENTIAL © 2014 ACTUARIS
Les opportunités pour l’assurance2
La gouvernance des données5
3 Le fonctionnement
Conclusion...
CONFIDENTIAL © 2014 ACTUARIS
VOLUME VELOCITE
VARIETE
VALEUR
D’après le Gartner, le « Big Data » peut se définir avec le co...
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Une avalanche de données
5
5
CONFIDENTIAL © 2014 ACTUARIS
Les Produits
Marketing &
Ventes
Gestion des
contrats
Gestion
Sinistres
Gestion des
Actifs
Nou...
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Fonctionnement
7
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Intégration
8
CONFIDENTIAL © 2014 ACTUARIS
Calcul du nombre de tweets par
utilisateur
BIG DATA : Zoom sur le MapReduce
9
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Moyens techniques (le cloud computing)
10
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : La visualisation
11
CONFIDENTIAL © 2014 ACTUARIS
Exactitude
Objectivité
Plausibilité
Réputation
Pertinence
Quantité appropriée des
information...
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Conclusion
13
Support Client
CLIENT
Innovation
Etudes Marketing
Produits & Service...
CONFIDENTIAL © 2014 ACTUARIS
Positionnement tarifaire et données2
Assurances et capteurs / réseaux sociaux5
3 Quel apport ...
CONFIDENTIAL © 2014 ACTUARIS 15
Tarification prime pure et données
  Etablissement prime pure : recherche de données
perm...
CONFIDENTIAL © 2014 ACTUARIS 16
Positionnement tarifaire et données
  Positionnement tarifaire : recherche de données
per...
CONFIDENTIAL © 2014 ACTUARIS 17
Quel apport de données externes ?
  L’utilisation de données externes (sans parler de BIG...
CONFIDENTIAL © 2014 ACTUARIS 18
Challenge BIG DATA : connectabilité & algorithmes
  Il y a plusieurs problèmes majeurs à ...
CONFIDENTIAL © 2014 ACTUARIS 19
Assurance et capteurs
Port OBD-II
Source : VAG
Capteur de données
physiologiques Source: T...
CONFIDENTIAL © 2014 ACTUARIS
  Il semble difficile de trouver des données pertinentes qui traduisent un
comportement à ri...
CONFIDENTIAL © 2014 ACTUARIS 21
Conclusion
Conjoncture favorable aux assurés et défavorable aux assureurs :
  La « généra...
CONFIDENTIAL © 2014 ACTUARIS
BIG DATA : Bibliographie
  VINT Research report 2 of 4 – Big Social - Predicting behavior wi...
CONFIDENTIAL © 2014 ACTUARIS
Les intervenants
23
Stéphane CHAPPELLIER
Actuaire IA
Responsable du Pôle IARD
Tél. : +33 (0)1...
Prochain SlideShare
Chargement dans…5
×

Big Data et données externes dans les modèles de tarification - Journées IARD IA 21/3/2014

1 934 vues

Publié le

Présentation effectuée lors des journées IARD de l'Institut des Actuaires du 20-21 mars 2014 à Niort
Eric FROIDEFOND & Stéphane CHAPPELLIER
Accès membres de l'IA : http://www.institutdesactuaires.com/gene/main.php?base=028&ep=1

Publié dans : Données & analyses
0 commentaire
1 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

Aucun téléchargement
Vues
Nombre de vues
1 934
Sur SlideShare
0
Issues des intégrations
0
Intégrations
59
Actions
Partages
0
Téléchargements
86
Commentaires
0
J’aime
1
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Big Data et données externes dans les modèles de tarification - Journées IARD IA 21/3/2014

  1. 1. BIG DATA et données externes dans les modèles de tarification
  2. 2. CONFIDENTIAL © 2014 ACTUARIS 2 BIG DATA   BIG DATA : Quelques clés   Eric FROIDEFOND – MAAF – MBA CNAM ENASS en cours   Intégration du BIG DATA dans la tarification en assurances IARD   Stéphane CHAPPELLIER – ACTUARIS – ISG CEA IA
  3. 3. CONFIDENTIAL © 2014 ACTUARIS Les opportunités pour l’assurance2 La gouvernance des données5 3 Le fonctionnement Conclusion6 Le Big Data1 Les moyens techniques pour le Big Data4 BIG DATA : Quelques clés 3
  4. 4. CONFIDENTIAL © 2014 ACTUARIS VOLUME VELOCITE VARIETE VALEUR D’après le Gartner, le « Big Data » peut se définir avec le concept des 3V :  Volume des données disponibles  Variété : données semi structurées voire non structurées complexes et de tous types (textes, images, …)  Vélocité : fréquence à laquelle les données sont générées, capturées et partagées (nombre de tweets à la seconde par exemple) BIG DATA : Définition 4
  5. 5. CONFIDENTIAL © 2014 ACTUARIS BIG DATA : Une avalanche de données 5 5
  6. 6. CONFIDENTIAL © 2014 ACTUARIS Les Produits Marketing & Ventes Gestion des contrats Gestion Sinistres Gestion des Actifs Nouveaux marchés Nouveaux produits Connaissance des risques et meilleure tarification Optimisation des produits Gestion de la performance Segmentation plus fine Nouveaux clients Vente multi-canal Détection résiliation Optimisation et ciblage des campagnes commerciales « just in time » Optimisation de la gestion des réseaux de prestataires Détection des fraudes Prévention et mitigation des risques Gestion des paiements Stratégie de placement Gestion de Portefeuille Gestion des actifs et passifs Modélisation des risques Tarification temps réel BIG DATA : Principales opportunités pour l’assurance 6
  7. 7. CONFIDENTIAL © 2014 ACTUARIS BIG DATA : Fonctionnement 7
  8. 8. CONFIDENTIAL © 2014 ACTUARIS BIG DATA : Intégration 8
  9. 9. CONFIDENTIAL © 2014 ACTUARIS Calcul du nombre de tweets par utilisateur BIG DATA : Zoom sur le MapReduce 9
  10. 10. CONFIDENTIAL © 2014 ACTUARIS BIG DATA : Moyens techniques (le cloud computing) 10
  11. 11. CONFIDENTIAL © 2014 ACTUARIS BIG DATA : La visualisation 11
  12. 12. CONFIDENTIAL © 2014 ACTUARIS Exactitude Objectivité Plausibilité Réputation Pertinence Quantité appropriée des informations Actualité Exhaustivité Représentation concise Représentation cohérente Interprétabilité Compréhensible Facilité de manipulation Disponibilité / Opportunité Restriction d’accès Les dimensions de la qualité des données Qualité intrinsèque Qualité liée au contexte et à la représentation Qualité liée à la sécurité et à l’accessibilité BIG DATA : Une gouvernance des données obligatoire 12
  13. 13. CONFIDENTIAL © 2014 ACTUARIS BIG DATA : Conclusion 13 Support Client CLIENT Innovation Etudes Marketing Produits & Services assurance Analyses & Etudes Stratégie
  14. 14. CONFIDENTIAL © 2014 ACTUARIS Positionnement tarifaire et données2 Assurances et capteurs / réseaux sociaux5 3 Quel apport de données externes ? Conclusion6 Tarification prime pure et données1 Challenge BIG DATA : connectabilité & algorithmes4 BIG DATA dans la tarification en assurances IARD 14
  15. 15. CONFIDENTIAL © 2014 ACTUARIS 15 Tarification prime pure et données   Etablissement prime pure : recherche de données permettant d’expliquer la sinistralité grâce au :   GLM   Classification pour zonier et véhiculier   Données traditionnellement utilisées pour l’établissement de la prime pure limitées :   Données essentiellement internes   Faible recours à des données externes   Mouvement vers l’utilisation de plus données :   Variables croisées : âge x sexe (maintenant banni)   Interne : croisement de données entre produits :  Auto / MRH : âge x propriétaire/location résidence principale : variable tarifaire en auto  Données bancaires / prêt et données assurances   Externe :  INSEE : densité, éloignement des services essentiels…  Données véhicules : SIV   Existe-t-il des données BIG DATA permettant de mieux expliquer la sinistralité que les données existantes ?
  16. 16. CONFIDENTIAL © 2014 ACTUARIS 16 Positionnement tarifaire et données   Positionnement tarifaire : recherche de données permettant d’expliquer le choix de l’assuré :   Modèle d’élasticité au prix de la demande   Positionnement concurrentiel   Algorithme de « valeur client »   Optimisation tarifaire   Ces modèles très utilisés au Royaume-Uni, sont encore très peu utilisés en France, néanmoins cela devrait évoluer :   Loi Hamon  potentiel effet ciseau  Comment fidéliser le portefeuille ?   Comparateurs  potentiel anti-sélection  Comment acquérir les profils à valeur ajoutée ?   Ces modèles sont très gourmands en données :   Données connaissance du risque   Données relation client   Données flux primes / sinistres avec effet retard   Existe-t-il des données BIG DATA permettant de mieux expliquer la propension des assurés à souscrire / renouveler?
  17. 17. CONFIDENTIAL © 2014 ACTUARIS 17 Quel apport de données externes ?   L’utilisation de données externes (sans parler de BIG DATA) est actuellement faible et limité :   Données INSEE, données délinquance (CartoCrime) …   Données Véhicules : SRA, constructeurs, SIV …   Ces données permettent d’acquérir des variables complémentaires qui permettent de qualifier plus finement le risque qu’à partir des données transmises par le réseau et/ou l’assuré :   La ville de résidence est-elle en zone rurale peu peuplée ou en zone urbaine ? Est-ce un lieu où la criminalité est faible ou élevée ?   Le véhicule est-il une :  citadine : pour aller faire les course le week-end ?  sportive : pour épater les copains et sortir en boîte ?  familiale : pour partir en vacances avec la famille ?  commerciale : pour faire des tournées en province ?   Tout apport d’information permettant de renforcer la caractérisation d’un profil de risque est utile pour éviter l’anti-sélection
  18. 18. CONFIDENTIAL © 2014 ACTUARIS 18 Challenge BIG DATA : connectabilité & algorithmes   Il y a plusieurs problèmes majeurs à l’utilisation des données BIG DATA en assurance :   Connectabilité : il faut pouvoir relier les données à un client en portefeuille ou en affaires nouvelles   Algorithme : il faut pouvoir disposer d’un algorithme permettant de valoriser ces données  Quelle influence ce critère a sur la sinistralité ou le comportement de souscrire / renouveler ?  Pour ce critère, quelles sont les modalités qui permettent de connaitre l’intensité de cette influence ?   Pouvoir prédictif suffisant :  Ce critère n’était pas déjà capturé par d’autres variables déjà connues  Ce critère est-il plus puissant / prédictif que les variables déjà connues ?   Est-ce que l’investissement nécessaire le mérite ?
  19. 19. CONFIDENTIAL © 2014 ACTUARIS 19 Assurance et capteurs Port OBD-II Source : VAG Capteur de données physiologiques Source: TF1 Domotique Source: Tech-Securité Parmi les données BIG DATA, il existe une catégorie qui regroupe les qualités recherchées permettant de mieux caractériser le risque. Plutôt que de se baser sur la recherche de variable permettant de traduire un comportement à risque, cette catégorie cherche à capturer le comportement à risque directement à la source Les capteurs :   Auto : OBD-II  comportement de conduite : freinage brusque, coups de volant intempestifs   MRH : Domotique  comportement des occupants   Santé : capteur de données physiologiques  activité physique, intellectuelle… De nombreux handicaps empêchent l’exploitation de ces données   Au-delà d’obtenir des algorithmes permettant de mesurer le comportement et son influence sur le coût du risques   Prix de l’installation, transmission des données  chute de prix attendue   Protection de la vie privée  algorithme embarqué, transmission du score
  20. 20. CONFIDENTIAL © 2014 ACTUARIS   Il semble difficile de trouver des données pertinentes qui traduisent un comportement à risque de façon plus pertinente que celles déjà utilisées   Par contre, les réseaux sociaux peuvent apporter beaucoup concernant le positionnement tarifaire :   Sensibilité, attentes (écoresponsable, développement durable…)   Réceptivité aux messages marketing   Réactivité face aux changements   Fidélité   Elasticité au prix…   Du fait de cet apport, la chaine de répartition de la valeur va-t-elle se recomposer pour prendre en compte l’apport des réseaux sociaux dans l’équation ?   Réseaux sociaux  réseaux affinitaires ?   Réseaux sociaux  apporteurs d’affaires / comparateurs / distributeurs ? 20 Assurance et réseaux sociaux
  21. 21. CONFIDENTIAL © 2014 ACTUARIS 21 Conclusion Conjoncture favorable aux assurés et défavorable aux assureurs :   La « génération internet » rentre sur le marché : zapping   Possibilité de zapper d’assureurs plus facilement (Loi Hamon, comparateurs)   Pouvoir d’achat en baisse suite à la crise   Processus tarifaire « français » en retard sur les autres marchés Opportunités :   Les assurés n’attendront pas que les assureurs aient sophistiqué leur processus tarifaire pour changer d’assureur   Tirer partie des enseignements reçus sur les autres marché pour se positionner / différencier   Un challenge pour les actuaires   Expérimentations   Utilisation de données et de modèles moins bien maitrisés   Evolutions plus rapides et plus fréquentes des processus tarifaire   Importance cruciale d’un suivi et d’une réactivité aux changements de tendances Source : L’Argus de l’Assurance
  22. 22. CONFIDENTIAL © 2014 ACTUARIS BIG DATA : Bibliographie   VINT Research report 2 of 4 – Big Social - Predicting behavior with Big Data – SOGETI   Site PEGASUSDATA.COM   Wikipedia   Livre blanc ISACA : BIG DATA : Impacts et Avantages   http://www.journaldunet.com/developpeur/outils/les-solutions-du-big-data/principe-de- fonctionnement-de-mapreduce.shtml   http://datascience.bluestone.fr/blog/les-origines-les-grands-principes-du-big-data   VINT Research report 1 of 4 – Creating clarity with Big Data – Jaap Bloem, Menno Van Doorn – Sander Duivestein – Thomas Van Manen – Erik Van Ommeren - SOGETI   Basé sur une analyse du Boston Consulting Group (BCG)   IDC (International Data Corporation) 22
  23. 23. CONFIDENTIAL © 2014 ACTUARIS Les intervenants 23 Stéphane CHAPPELLIER Actuaire IA Responsable du Pôle IARD Tél. : +33 (0)1 56 89 07 70 Direct : +33 (0)1 56 89 30 72 Fax : +33 (0)1 56 89 07 71 E-mail : stephane.chappellier@actuaris.com Eric FROIDEFOND Direction Systèmes d’Information Manager Entité DSI Professionnels MBA CNAM – ENASS en cours Direct : +33 (0)5 49 17 55 90 Port : +33 (0)6 83 18 76 53 E-mail : eric.froidefond@maaf.fr

×