SlideShare une entreprise Scribd logo
1  sur  29
Télécharger pour lire hors ligne
Local Optimization European Minded
© Tous droits réservés. Reproduction interdite sans l’autorisation d’Optimind Winter.
Analytics & Big Data
Focus techniques & nouvelles
perspectives pour les actuaires
Université d’Eté de l’Institut des Actuaires
Mardi 8 juillet 2014
Intervenants :
Alexandre Keiflin, consultant senior, practice leader PCOW Big Data et Digital
Emmanuel Berthelé, actuaire consultant senior, responsable Practice
Sommaire
Université d'Eté IA – Analytics & Big Data - 08/07/2014 2
1 Introduction
2 Focus techniques
Données / Datamasse
Evolutions BI
Apports des algorithmes et évolution de paradigme
3 Nouvelles perspectives pour les actuaires
De nouvelles fonctions pour de nouvelles approches
Impacts potentiels sur le rôle de l’actuaire
4 Conclusion
Université d'Eté IA – Analytics & Big Data - 08/07/2014 3
Introduction1
• Emergence des nouvelles technologies et des nouveaux supports  sources du digital
Années 1980
1ères expériences
d’un monde à
distance
Années 1990
Internet se
généralise
Années 2000
Socialement
connectés
Années 2010
Equipements de haute
technologie
Physiquement
connectés
1978 : Premiers
téléphones mobiles
1982 : Protocole
Internet Standardisé
1983 : Première
Banque en ligne
1991 : Création du
World Wide Web
Sources Kurt Salmon research
1992 : Premier site
Internet commercial
1995
1998
1997 Premiers
paiements mobiles
2004 2006
2007 2011
201x
2015
201x
DIGITAL
Université d'Eté IA – Analytics & Big Data - 08/07/2014 4
Introduction1
Socle
Nouvelles
technologies
Nouveaux
usages
Constat
Ere Numérique
Acteurs économiques
en pleine mutation
Opportunités
Evolution des
business models
Repenser la relation
client
Nécessité
Penser digital
Gouvernance et
organisation adaptée
Grands volumes de données
Desoutils
adaptés
Big Data Analytics
Vision encore plus orientée
données
Repenser le traitement de
ces données
Sommaire
Université d'Eté IA – Analytics & Big Data - 08/07/2014 5
1 Introduction
2 Focus techniques
Données / Datamasse
Evolutions BI
Apports des algorithmes et évolution de paradigme
3 Nouvelles perspectives pour les actuaires
De nouvelles fonctions pour de nouvelles approches
Impacts potentiels sur le rôle de l’actuaire
4 Conclusion
Données / Datamasse
Focus techniques2
• L’approche classique consiste à caractériser les Big Data comme :
• Des données massives
• Et Variées
• Le concept « Big Data » encapsule cependant naturellement les nouvelles technologie et les nouveaux outils
capables de traiter ce volume considérable de données structurées ou non en quasi temps réel
• Concrètement, l’intérêt du Big Data réside principalement dans sa capacité à générer de la Valeur en valorisant
ses données internes en les appariant à des donnés externes
• Nouvelles capacités offertes par le Big Data en approche « Data Driven »
• Révéler des schéma non intuités
• Obtenir des capacités prédictives à partir d’un grand volume d’informations
6Université d'Eté IA – Analytics & Big Data - 08/07/2014
Données / Datamasse
Focus techniques2
7Université d'Eté IA – Analytics & Big Data - 08/07/2014
• Archives
• Documents
• Medias
• Stockage des données
• Applications métiers
• Internet
• Réseaux sociaux
• Logs techniques
• Objets connectés
source :http://kapowsoftware.com/resources/infographics/intelligence-
by-variety-where-to-find-and-access-big-data.php
• 1 sec  22 To de données générées sur le web
• 1 jour  2,5 Eo Générées (10^6 To)
Données / Datamasse
Focus techniques2
8Université d'Eté IA – Analytics & Big Data - 08/07/2014
• 90% des données créées ces 2 dernières années
• Prévision d’une hausse de 800% d’ici 5 ans
Source http://pennystocks.la/internet-in-real-time/
Jobtracker
Evolutions BI
Focus techniques2
9Université d'Eté IA – Analytics & Big Data - 08/07/2014
Logiciels et algorithmes nécessaires aux traitements des Big Data:
Hadoop facilite la création d’application distribuée pour le calcul (Mapreduce) et le
stockage (HDFS et Hbase)
Données  BIG DATA
1 2 3Découpage en blocs (64 MO par défaut)
Réplication (2 fois par défaut)
Name Node
Name Node
(secondary)
1 2 3
1 2 3
321
DataNode
132
DataNode
213
DataNode
Job tracker
Tasktracker Tasktracker Tasktracker
Système HDFS -Grille de stockage Framework Map reduce - Grille de calcul
Evolutions BI
Focus techniques2
10Université d'Eté IA – Analytics & Big Data - 08/07/2014
Hadoop 1.0 (Décembre 2011)
• Limitation à 4000 nœuds par cluster
• Goulot d’étranglement au niveau du service
Job Tracker (Gestion des ressources,
planification et suivi)
• Un seul namenode
• MAP Reduce utilise des slots de
ressources statiques
• Seul Map reduce peut tourner
Hadoop 2.0 (octobre 2013)
• Plus de 10000 nœuds par cluster
• Utilisation cluster plus efficient grâce à
YARN meilleure gestion des ressources
• Plusieurs namenodes par cluster
• Ressources dynamiques
• Toutes les applications peuvent être
intégrées sous Hadoop
• Compatibilité ascendante
Zoom sur Spark (30/05/2014)
1. Rapide jusqu’à 100x (in memory)
2. Facile utilisation (Java, Scala, Python)
3. Générale (SQL, Streaming, analytics)
4. Intégration sur Hadoop 2 - Yarn
• Storm : système de calcul distribué en temps réel permettant de traiter de façon fiable des flux de données
illimitées, faisant pour le traitement en temps réel ce que Hadoop a fait pour le traitement batch
Evolutions BI
Focus techniques2
Université d'Eté IA – Analytics & Big Data - 08/07/2014
Détection de fraude bancaire, 2 solutions techniques:
1. Lancer un traitement Hadoop avec l'ensemble des transactions de la journée et tenter d'isoler des
comportements étranges pour un compte. Non temps réel
2. Analyse de chaque transaction dès qu'elle est effectuée en temps réel grâce à Storm
Architecture et principe de Storm
Nimbus
Zookeeper
Zookeeper
Zookeeper
Superviser
Superviser
Superviser
Superviser
Superviser
Spout
Bolt A Bolt B
Bolt C
11
Evolutions BI
Focus techniques2
12Université d'Eté IA – Analytics & Big Data - 08/07/2014
Combiner Hadoop et Storm permet de répondre à des besoins complémentaires:
1. Analyse des flux en temps réèl permettant d’augmenter la réactivité
2. Analyse de l’ensemble de données en batch permet d’augmenter la profondeur d’analyse
• Une architecture combinée Storm/Hadoop pour apporter du temps réel aux traitements des Big Data
Evolutions BI
Focus techniques2
Université d'Eté IA – Analytics & Big Data - 08/07/2014
Mahout est un projet open source d'algorithmes d'apprentissage automatique distribuée sur la plate-
forme Hadoop utilisant jusqu’à aujourd’hui le framework Map Reduce (en cours de migration vers SPARK)
Mahout peut tourner en dehors d’Hadoop. Mahout est encore en cours de développement ; le nombre
d'algorithmes implémentés a rapidement augmenté, mais certains manquent encore.
Hama est un framework de calcul
distribué basé sur un autre modèle
de calcul (BSP-Bulk Synchronous
Parallel Model) qui se révèle bien
plus performant que map reduce
sur des algorithmes ciblés
Filtrage
Collaboratif
• Utilisateurs
• Objets
• Factorisation de
matrices:
• Moindres carrés
alternés (avec
Implicit Feedback ou
non)
• Valeur singulière
(SVD)
Classification
(Supervisé)
• Régression
logistique
• Classification naive
Bayesienne
• Forêts aléatoires
• Perceptron
multicouche
• Modèle de markov
caché
Apprentissage
non supervisé
(Clustering)
• Canopy Clustering
• Algorithme des k-
moyennes
• Algorithme des
fuzzy k-moyennes
• Algorithme des
Streaming k-
moyenne
• Apprentissage
spectral
Réduction de
dimension
• Algorithme de
Lanczo
• Décomposition en
valeurs singulières
• Standard (SVD)
• Stochastiques
• Analyse en composante
principale
Modèle de sujet
• Allocation de
Dirichlet latente
Divers
• Frequent Pattern
Mining
• Nombre
d’occurrences
• Matrices:
• Comparaison par paires
• Concatenation
Reconnaissance
de forme
Suggestion
Traitement automatique
du langage :
Correction ou traduction
13
Evolutions BI
Focus techniques2
14Université d'Eté IA – Analytics & Big Data - 08/07/2014
• Une abondance de technologies et d’outils répondant souvent à des besoins spécifiques, il est donc
nécessaire de
• Cibler ses besoins métiers
• S’appuyer sur les DSI pour choisir les bons outils (pérennité, adapté aux besoins,…)
• Réaliser une veille technologique sur l’ensemble du paysage « Big Data »
Des acteurs ont
disparus du paysage
< 4 %
Des acteurs se
positionnent post-
infrastructure Big Data
>70 %
Des acteurs proposent
une offre globale
3 %Nombre entreprises= 377
Nombre de sorties: 15
• La révolution Big Data réhabilite d’anciennes approches de statistiques, d’analyse et de modélisation des
données
• Les mesures de corrélations statistiques datent du XIXe siècle
• Les premiers travaux sur les réseaux neuronaux remontent aux années 50
• Les modèles auto-apprenants ne sont pas nouveaux mais bénéficient d’un regain d’intérêt notable du fait des
nouvelles capacités calculatoires et tendent à être largement améliorés
Sont considérées comme relevant de l’Analytics toutes méthodes et outils statistiques
permettant de comprendre, anticiper et expliquer un phénomène à partir de données massives
L’Analytics est un levier essentiel de la création de valeur grâce à l’extraction d’informations
des données issues du « Big Data »
15
Apports des algorithmes et évolution de paradigme
Focus techniques2
Université d'Eté IA – Analytics & Big Data - 08/07/2014
Big Data
Extraction
d’informations
Aide à
la
décision
Processus de création de valeur
16
Apports des algorithmes et évolution de paradigme
Focus techniques2
Université d'Eté IA – Analytics & Big Data - 08/07/2014
Analytics (Data mining)
Méthodes descriptives (recherche de patterns)
Non supervisé
Modèles géométriques
Analyse
factorielle
Analyse
typologique
Réduction de
dimension
Modèles
combina
toires
Classification
relationnelles
Modèles
à base
de règle
logique
Détection de
liens et
d’associations
Méthodes prédictives (modélisation)
Supervisé
Modèle
à base
de règle
logique
Arbre de
décision
Modèle à base de
fonctions
mathématiques
Réseaux de
neurones
Modèle
paramétriques
ou semi-
paramétriques
Prédicti
on sans
modèle
Source : Stéphane TUFFERY
• Classification des méthodes applicables au Big Data
Apports des algorithmes et évolution de paradigme
Focus techniques2
Short-list liée aux cas
d’usage
Sélection de
l’algorithme à utiliser
via différents critères
Test sur échantillon et
usage grandeur réelle
• Caractéristiques des données (Nombre de
points, nombre de variables…)
• La puissance de calculs nécessaire
• La complexité de mise en œuvre et (calibrage,
compréhension, robustesse…)
• L’exploitation des résultats
Validation grandeur
réelle
Test
perform
ances
Test
volumes
Calibrag
e
Systèm
e
• Classification de données
• Analyse comportementale
• Projections / simulations
• Tests de performances
• Tests de volumes
• Calibrage Système
• Validation en grandeur réelle
Université d'Eté IA – Analytics & Big Data - 08/07/2014 17
Evolution culturelle et stratégique pour les structures d’assurance
Focus techniques2
18Université d'Eté IA – Analytics & Big Data - 08/07/2014
Création de nouveaux produits adaptés aux besoins de marché
Amélioration du pilotage de son portefeuille
Optimisation des processus internes de l’entreprise
• La donnée étant la matière première des structures d’assurance, le métier est donc amené à
évoluer en profondeur dès lors que la transition vers le Big Data est amorcée
L’utilisation de modèles analytiques n’est pas
nouvelle pour les actuaires et le monde de
l’assurance dans des approches intuitées:
HYPOTHESIS DRIVEN
La variété de données et la volumétrie
importante exploitable grâce au Big Data
doivent permettre la création de valeur dans
des approches données
DATA DRIVEN
Lois Données Calibration Validation
Données
Collecte et
analyse
Lois et
calibration
Validation
Sommaire
Université d'Eté IA – Analytics & Big Data - 08/07/2014 19
1 Introduction
2 Focus techniques
Données / Datamasse
Evolutions BI
Apports des algorithmes et évolution de paradigme
3 Nouvelles perspectives pour les actuaires
Quels apports en Assurance
De nouvelles fonctions pour de nouvelles approches
Impacts potentiels sur le rôle de l’actuaire
4 Conclusion
Quels apports en Assurance?
Nouvelles perspectives pour les actuaires3
2
• L’impact attendu du « Big Data » selon Mc Kinsey dans les principaux secteurs d’activités
20
20Université d'Eté IA – Analytics & Big Data - 08/07/2014
 Valeur maximale attendue
en « Assurance »
 Facilité de mise en œuvre
d’après 4 critères:
 Talent
 Présence IT
 Etat d’esprit « Data
Driven »
 Disponibilité des données
Quels apports en Assurance?
Nouvelles perspectives pour les actuaires3
21Université d'Eté IA – Analytics & Big Data - 08/07/2014
Assurance auto : passage du « Pay as you drive » au « Pay how you drive » via boitiers embarqués
Santé / prévoyance : informations sur entreprise/secteur/e-réputation pour appréhender le risque
d’arrêt de travail de ses salariés
Lutte anti fraude : croiser les déclarations récentes de sinistres avec une activité spécifique sur les
réseaux sociaux et/ou des consultations sur des forums
DOMAINE
Marketing
Produit
Gestion du
risque
Lutte anti
fraude
USAGE POTENTIEL
Améliorer les processus
de souscription
Personnaliser les
garanties et les tarifs
Faciliter la veille
concurrentielle et cibler
ses opérations marketing
Anticiper et mesurer les
risques (lois
comportementales)
EXPLOITATION DES
DONNÉES AVEC LE BIG DATA
Expliquer la
sinistralité
Comprendre le
comportement
d’achat
Identifier les
tendances de
marché
Surveiller l’e-
réputation de la
société
Identifier les
comportements
anormaux en temps réel
Obtenir des
informations en
quasi temps réel
Vision 360° du
client
Ajuster les modèles aux
assurés en portefeuille
Identifier les données
volontairement biaisées
Pilotage de la rentabilité
du produit et de son
activité
22
De nouvelles fonctions pour de nouvelles approches
Nouvelles perspectives pour les actuaires3
• 4 axes d’adaptation nécessaires pour les structures d’assurances
• 2 nouvelles fonctions apparaissent explicitement autour des pratiques du Big Data et de l’Analytics
• Chief Data Officer
• Data Scientist
• Ces fonctions ne devraient pas remplacer des fonctions actuellement existantes (data miner ou actuaires) mais
devraient les compléter et les enrichir
• Les impacts majeurs porteront donc
• Sur la définition des nouvelles compétences et rôles attendus
• Sur leur intégration dans les organisations existantes : chaque assureur devra à ce titre mener une réflexion sur son
organisation cible
• Sur la redéfinition des relations entre ces nouvelle fonctions et les métiers « traditionnels »
Université d'Eté IA – Analytics & Big Data - 08/07/2014
Connaissance des sources de données
Maîtrise des technologies et outils
Evolution culturelle et stratégique
Maîtrise de la création de valeur
De nouvelles fonctions pour de nouvelles approches
Nouvelles perspectives pour les actuaires3
Sources de données externes
Collecte et intégration des données
Retraitements des données et mise en œuvre de systèmes de
calculs
Mise à disposition des résultats
pour exploitation par les métiers
• Le data scientist, principal acteur de la chaîne de valeur du Big Data en amont des utilisations expertes des
métiers
• Des compétences spécifiques nécessaires
• Connaissance des sources de données, tant internes qu’externes
• Compétences BI et IT
• Compétences algorithmiques et statistiques
• Communication et échanges avec les métiers afin
 D’identifier les use cases potentiels
 De maximiser la data valorisation
Université d'Eté IA – Analytics & Big Data - 08/07/2014 23
• Le Chief Data Officier, une fonctions clé d’organisation et de gouvernance des données
• Un acteur majeur de la gestion des risques liés aux nouveaux usages des données
• Des compétences spécifiques nécessaires
• Connaissances SI et des chaînes de valeur liées à la valorisation des données
• Connaissances des enjeux métiers, juridiques, stratégiques et opérationnels
• Organisation et pilotage opérationnel
• Communication inter-directions (DSI et Marketing, mais pas seulement)
De nouvelles fonctions pour de nouvelles approches
Nouvelles perspectives pour les actuaires3
Centralise la connaissance de la production des données
Organise les contrôles et le suivi qualité
Coordonne la gouvernance stratégique
du capital « Données » de l’entreprise
Université d'Eté IA – Analytics & Big Data - 08/07/2014 24
Contraintes réglementaires liées à l’utilisation des données
Hyper segmentation
Fraude
Traçabilité
25
Impacts potentiel sur le rôle de l’actuaire
Nouvelles perspectives pour les actuaires3
• Distinctions à opérer suivant la taille des acteurs
• Un positionnement a priori moins rapide des acteurs de taille restreinte
 Des ressources limitées et concentrées sur d’autres sujets (réglementaires et produits notamment)
 Des investissements nécessaires susceptibles d’être un frein (bien que la volonté d’acteurs BI de se positionner sur le secteur de
l’Assurance ouvre des opportunités en termes d’études préalables)
• Une moindre segmentation des rôles et responsabilités
 Des profils cumulant compétences en actuariat et data science auraient un intérêt mais sont à l’heure actuelle inexistants
• Conservation par les actuaires de prérogatives spécifiques, notamment en termes de gestion des risques
• Du moins tant que les business models n’évoluent pas radicalement
• Une question en attente : combien de temps mettront les acteurs spécialistes du Big Data à adopter un
positionnement plus agressif sur le secteur de l’assurance?
• Le plan Big Data de François Bourdoncle et Paul Hamelin, dans le cadre des 34 plans pour la France industrielle,
propose 14 pistes pour contrer les acteurs dominants, notamment en Assurance
Université d'Eté IA – Analytics & Big Data - 08/07/2014
26
Impacts potentiel sur le rôle de l’actuaire
Nouvelles perspectives pour les actuaires3
• Une profession qui s’adapte
• GT IA Big Data sous la responsabilité de Florence Picard
 Organisé en sous-groupes thématiques
– Norme et éthique
– Nouveaux modèles de mutualisation
– Impact sur le métier d’actuaire
– Algorithmes prédictifs de comportements
– Risques opérationnels et pistes d’audit
– Big Data à l’étranger
– Assurance connectée
 Des cycles de conférence permettant une ouverture sur les nouveaux usages
 Un nombre important d’actuaires participants
 Un site dédié : http://actuaires-bigdata.fr/
• Formation « Data science pour actuaires » lancée en 2015
 Délivrant le diplôme data scientist de l’Institut du Risk Management
• Adaptation du code de déontologie
 Prise en compte des nouveaux usages et risques liés aux données
• Des efforts de communication restent cependant à réaliser afin de sensibiliser l’ensemble des actuaires aux
enjeux liés à l’évolution induite par l’arrivée du Big Data en Assurance
• Des efforts individuels nécessaires pour s’adapter à une évolution rapide de l’activité d’Assurance
Université d'Eté IA – Analytics & Big Data - 08/07/2014
Sommaire
Université d'Eté IA – Analytics & Big Data - 08/07/2014 27
1 Introduction
2 Focus techniques
Données / Datamasse
Evolutions BI
Apports des algorithmes et évolution de paradigme
3 Nouvelles perspectives pour les actuaires
Quels apports en Assurance
De nouvelles fonctions pour de nouvelles approches
Impacts potentiels sur le rôle de l’actuaire
4 Conclusion
Université d'Eté IA – Analytics & Big Data - 08/07/2014 28
Conclusion4
• Enfin, quelques repères sur le positionnement et l’état d’esprit à adopter
Démarrer au plus tôt pour générer un avantage concurrentiel
Implication primordiale du top-management (positionnement stratégique)
Nécessité de sortir des usages courants et de s’engager dans la voie de la
transformation
Développement d’une culture du Test and learn et de l'apprentissage (sans redouter
l’échec)
Envisager différents use cases et poursuivre les pistes les plus prometteuses
Nécessité d’adopter un esprit d'entreprenariat et de conquête
Société & Offres
• Interlocuteur de référence pour les assureurs, mutuelles,
administrations, banques et grandes entreprises qui
souhaitent un partenaire métier les accompagnant dans
leurs projets
• 180 collaborateurs dont 70 actuaires diplômés membres
de l’Institut des Actuaires
• Une offre organisée autour des métiers suivants
 Actuariat Conseil
 Protection Sociale
 Risk Management
 Finance & Performance
 Projets & Maîtrise d’ouvrage
 Digital
Notre Practice
• Composée de 12 Pôles de Compétences (PCOW) métiers
ou transverses, animés par nos Practice Leaders, pour
une couverture matricielle de nos besoins en expertises
• Travaux de fond, recherche applicative, connaissances
marchés et produits, veille, formations et communication
interne et externe
• Nos objectifs :
 l’amélioration et le partage des connaissances et
expertises
 Le développement et la diffusion des meilleures
pratiques professionnelles au sein de nos équipes
Une société de conseil experte et indépendante
Optimind Winter
Partenariats et engagements
• Relai français du réseau EURACS, European Actuarial &
Consultancy Services
Références client
• Plus de 95 % du marché de l’assurance en volume de CA
Université d'Eté IA – Analytics & Big Data - 08/07/2014 29

Contenu connexe

Tendances

Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1Amal Abid
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesHassan Lâasri
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Philippe METAYER
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGMargarita Zlatkova
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessVincent de Stoecklin
 
La valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usagesLa valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usagesSAS FRANCE
 
#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big DataNetSecure Day
 
Chapitre1 introduction
Chapitre1 introductionChapitre1 introduction
Chapitre1 introductionMouna Torjmen
 
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...Touria Engohan
 
EXL Group - Offre Data Science
EXL Group - Offre Data ScienceEXL Group - Offre Data Science
EXL Group - Offre Data ScienceAshraf Grioute
 
Du Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processusDu Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processusCHAKER ALLAOUI
 
Présentation Big Data DFCG
Présentation Big Data DFCGPrésentation Big Data DFCG
Présentation Big Data DFCGMicropole Group
 
Keynote Big Data & Data Science - 24h pharma@dreux
Keynote Big Data & Data Science - 24h pharma@dreuxKeynote Big Data & Data Science - 24h pharma@dreux
Keynote Big Data & Data Science - 24h pharma@dreuxAlexia Audevart
 

Tendances (20)

Cours Big Data Chap1
Cours Big Data Chap1Cours Big Data Chap1
Cours Big Data Chap1
 
Etude sur le Big Data
Etude sur le Big DataEtude sur le Big Data
Etude sur le Big Data
 
Big data
Big dataBig data
Big data
 
Big Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologiesBig Data... Big Analytics à travers les âges, les industries et les technologies
Big Data... Big Analytics à travers les âges, les industries et les technologies
 
Conférence big data
Conférence big dataConférence big data
Conférence big data
 
Analyse spatiale en Big data
Analyse spatiale en Big dataAnalyse spatiale en Big data
Analyse spatiale en Big data
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"
 
Big Data, kesako ?
Big Data, kesako ?Big Data, kesako ?
Big Data, kesako ?
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBG
 
Big data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-businessBig data - Cours d'introduction l Data-business
Big data - Cours d'introduction l Data-business
 
La valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usagesLa valeur des Big Data sera dans leurs usages
La valeur des Big Data sera dans leurs usages
 
I love BIG DATA
I love BIG DATAI love BIG DATA
I love BIG DATA
 
#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data#NSD14 - La sécurité autour du Big Data
#NSD14 - La sécurité autour du Big Data
 
Chapitre1 introduction
Chapitre1 introductionChapitre1 introduction
Chapitre1 introduction
 
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
Les enjeux du Big Data pour l'Entreprise - These professionnelle -Touria Engo...
 
Programme Big Data
Programme Big DataProgramme Big Data
Programme Big Data
 
EXL Group - Offre Data Science
EXL Group - Offre Data ScienceEXL Group - Offre Data Science
EXL Group - Offre Data Science
 
Du Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processusDu Big Data vers le SMART Data : Scénario d'un processus
Du Big Data vers le SMART Data : Scénario d'un processus
 
Présentation Big Data DFCG
Présentation Big Data DFCGPrésentation Big Data DFCG
Présentation Big Data DFCG
 
Keynote Big Data & Data Science - 24h pharma@dreux
Keynote Big Data & Data Science - 24h pharma@dreuxKeynote Big Data & Data Science - 24h pharma@dreux
Keynote Big Data & Data Science - 24h pharma@dreux
 

En vedette

BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceLilia Sfaxi
 
Hadoop et bases de données relationnelles ultra performantes : le meilleur de...
Hadoop et bases de données relationnelles ultra performantes : le meilleur de...Hadoop et bases de données relationnelles ultra performantes : le meilleur de...
Hadoop et bases de données relationnelles ultra performantes : le meilleur de...Microsoft Décideurs IT
 
Eurocroissance arnaud cohen
Eurocroissance arnaud cohenEurocroissance arnaud cohen
Eurocroissance arnaud cohenKezhan SHI
 
L'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceL'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceKezhan SHI
 
Confidentialité des données michel béra
Confidentialité des données   michel béraConfidentialité des données   michel béra
Confidentialité des données michel béraKezhan SHI
 
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des ActuairesNorme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des ActuairesKezhan SHI
 
Arbres de régression et modèles de durée
Arbres de régression et modèles de duréeArbres de régression et modèles de durée
Arbres de régression et modèles de duréeKezhan SHI
 
Loi hamon sébastien bachellier
Loi hamon sébastien bachellierLoi hamon sébastien bachellier
Loi hamon sébastien bachellierKezhan SHI
 
Présentation Françoise Soulié Fogelman
Présentation Françoise Soulié FogelmanPrésentation Françoise Soulié Fogelman
Présentation Françoise Soulié FogelmanKezhan SHI
 
Big Data Analytics 2014
Big Data Analytics 2014Big Data Analytics 2014
Big Data Analytics 2014Stratebi
 
Insurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre PicardInsurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre PicardKezhan SHI
 
Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...Kezhan SHI
 
Détection de profils, application en santé et en économétrie geissler
Détection de profils, application en santé et en économétrie   geisslerDétection de profils, application en santé et en économétrie   geissler
Détection de profils, application en santé et en économétrie geisslerKezhan SHI
 
Les enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scorLes enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scorKezhan SHI
 
Tarification : les modélisations de risques innovantes pour pérenniser la per...
Tarification : les modélisations de risques innovantes pour pérenniser la per...Tarification : les modélisations de risques innovantes pour pérenniser la per...
Tarification : les modélisations de risques innovantes pour pérenniser la per...Stéphane Chappellier
 
Optimal discretization of hedging strategies rosenbaum
Optimal discretization of hedging strategies   rosenbaumOptimal discretization of hedging strategies   rosenbaum
Optimal discretization of hedging strategies rosenbaumKezhan SHI
 
From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...Kezhan SHI
 
Big Data: Hadoop Map / Reduce sur Windows et Windows Azure
Big Data: Hadoop Map / Reduce sur Windows et Windows AzureBig Data: Hadoop Map / Reduce sur Windows et Windows Azure
Big Data: Hadoop Map / Reduce sur Windows et Windows AzureMicrosoft
 

En vedette (20)

BigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-ReduceBigData_Chp2: Hadoop & Map-Reduce
BigData_Chp2: Hadoop & Map-Reduce
 
Hadoop et bases de données relationnelles ultra performantes : le meilleur de...
Hadoop et bases de données relationnelles ultra performantes : le meilleur de...Hadoop et bases de données relationnelles ultra performantes : le meilleur de...
Hadoop et bases de données relationnelles ultra performantes : le meilleur de...
 
Eurocroissance arnaud cohen
Eurocroissance arnaud cohenEurocroissance arnaud cohen
Eurocroissance arnaud cohen
 
L'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data scienceL'émergence d'une nouvelle filière de formation : data science
L'émergence d'une nouvelle filière de formation : data science
 
Confidentialité des données michel béra
Confidentialité des données   michel béraConfidentialité des données   michel béra
Confidentialité des données michel béra
 
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des ActuairesNorme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
 
Arbres de régression et modèles de durée
Arbres de régression et modèles de duréeArbres de régression et modèles de durée
Arbres de régression et modèles de durée
 
Loi hamon sébastien bachellier
Loi hamon sébastien bachellierLoi hamon sébastien bachellier
Loi hamon sébastien bachellier
 
Présentation Françoise Soulié Fogelman
Présentation Françoise Soulié FogelmanPrésentation Françoise Soulié Fogelman
Présentation Françoise Soulié Fogelman
 
Big Data Analytics 2014
Big Data Analytics 2014Big Data Analytics 2014
Big Data Analytics 2014
 
Liquid & Linked marketing
Liquid & Linked marketingLiquid & Linked marketing
Liquid & Linked marketing
 
Big Data and Advanced Analytics
Big Data and Advanced AnalyticsBig Data and Advanced Analytics
Big Data and Advanced Analytics
 
Insurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre PicardInsurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre Picard
 
Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...
 
Détection de profils, application en santé et en économétrie geissler
Détection de profils, application en santé et en économétrie   geisslerDétection de profils, application en santé et en économétrie   geissler
Détection de profils, application en santé et en économétrie geissler
 
Les enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scorLes enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scor
 
Tarification : les modélisations de risques innovantes pour pérenniser la per...
Tarification : les modélisations de risques innovantes pour pérenniser la per...Tarification : les modélisations de risques innovantes pour pérenniser la per...
Tarification : les modélisations de risques innovantes pour pérenniser la per...
 
Optimal discretization of hedging strategies rosenbaum
Optimal discretization of hedging strategies   rosenbaumOptimal discretization of hedging strategies   rosenbaum
Optimal discretization of hedging strategies rosenbaum
 
From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...
 
Big Data: Hadoop Map / Reduce sur Windows et Windows Azure
Big Data: Hadoop Map / Reduce sur Windows et Windows AzureBig Data: Hadoop Map / Reduce sur Windows et Windows Azure
Big Data: Hadoop Map / Reduce sur Windows et Windows Azure
 

Similaire à Big data analytics focus technique et nouvelles perspectives pour les actuaires

Morning Tech#1 BigData - Oxalide Academy
Morning Tech#1 BigData - Oxalide AcademyMorning Tech#1 BigData - Oxalide Academy
Morning Tech#1 BigData - Oxalide AcademyOxalide
 
Ecosystème Big Data
Ecosystème Big DataEcosystème Big Data
Ecosystème Big DataIdriss22
 
Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?Denodo
 
Les technologies big data avec speech commentaries
Les technologies big data avec speech commentariesLes technologies big data avec speech commentaries
Les technologies big data avec speech commentariesRima Jamli Faidi
 
Oxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigDataOxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigDataLudovic Piot
 
Session découverte de la Data Virtualization
Session découverte de la Data VirtualizationSession découverte de la Data Virtualization
Session découverte de la Data VirtualizationDenodo
 
Social Network Analysis Utilizing Big Data Technology
Social Network Analysis Utilizing Big Data TechnologySocial Network Analysis Utilizing Big Data Technology
Social Network Analysis Utilizing Big Data TechnologyImad ALILAT
 
Petit-déjeuner OCTO Technology : Calculez vos indicateurs en temps réel ave...
Petit-déjeuner OCTO Technology :  Calculez vos indicateurs en temps réel ave...Petit-déjeuner OCTO Technology :  Calculez vos indicateurs en temps réel ave...
Petit-déjeuner OCTO Technology : Calculez vos indicateurs en temps réel ave...OCTO Technology
 
Spad big data - sfds - 2016
Spad   big data - sfds - 2016Spad   big data - sfds - 2016
Spad big data - sfds - 2016Julien BLAIZE
 
Arrow Group: Techday Big Data - Etat et Enjeu pour l'Assurance
Arrow Group: Techday Big Data - Etat et Enjeu pour l'AssuranceArrow Group: Techday Big Data - Etat et Enjeu pour l'Assurance
Arrow Group: Techday Big Data - Etat et Enjeu pour l'AssuranceArrow Group
 
Analytics & Machine Learning avec la Data Virtualization
Analytics & Machine Learning avec la Data VirtualizationAnalytics & Machine Learning avec la Data Virtualization
Analytics & Machine Learning avec la Data VirtualizationDenodo
 
Session découverte de la Data Virtualization
Session découverte de la Data VirtualizationSession découverte de la Data Virtualization
Session découverte de la Data VirtualizationDenodo
 
Morning With MongoDB
Morning With MongoDBMorning With MongoDB
Morning With MongoDBFastConnect
 
Doxa inter2019-le big data:outil d'aide à la décision
Doxa inter2019-le big data:outil d'aide à la décisionDoxa inter2019-le big data:outil d'aide à la décision
Doxa inter2019-le big data:outil d'aide à la décisionDOXACONSEILRHetFORMA
 
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015IBM France Lab
 
Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...
Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...
Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...Excelerate Systems
 

Similaire à Big data analytics focus technique et nouvelles perspectives pour les actuaires (20)

Morning Tech#1 BigData - Oxalide Academy
Morning Tech#1 BigData - Oxalide AcademyMorning Tech#1 BigData - Oxalide Academy
Morning Tech#1 BigData - Oxalide Academy
 
Big data
Big dataBig data
Big data
 
Ecosystème Big Data
Ecosystème Big DataEcosystème Big Data
Ecosystème Big Data
 
Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?Quel est l'avenir des stratégies de données?
Quel est l'avenir des stratégies de données?
 
BigData on change d'ère !
BigData on change d'ère ! BigData on change d'ère !
BigData on change d'ère !
 
Les technologies big data avec speech commentaries
Les technologies big data avec speech commentariesLes technologies big data avec speech commentaries
Les technologies big data avec speech commentaries
 
Oxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigDataOxalide MorningTech #1 - BigData
Oxalide MorningTech #1 - BigData
 
Big data
Big dataBig data
Big data
 
Session découverte de la Data Virtualization
Session découverte de la Data VirtualizationSession découverte de la Data Virtualization
Session découverte de la Data Virtualization
 
Social Network Analysis Utilizing Big Data Technology
Social Network Analysis Utilizing Big Data TechnologySocial Network Analysis Utilizing Big Data Technology
Social Network Analysis Utilizing Big Data Technology
 
Petit-déjeuner OCTO Technology : Calculez vos indicateurs en temps réel ave...
Petit-déjeuner OCTO Technology :  Calculez vos indicateurs en temps réel ave...Petit-déjeuner OCTO Technology :  Calculez vos indicateurs en temps réel ave...
Petit-déjeuner OCTO Technology : Calculez vos indicateurs en temps réel ave...
 
Spad big data - sfds - 2016
Spad   big data - sfds - 2016Spad   big data - sfds - 2016
Spad big data - sfds - 2016
 
Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
 
Arrow Group: Techday Big Data - Etat et Enjeu pour l'Assurance
Arrow Group: Techday Big Data - Etat et Enjeu pour l'AssuranceArrow Group: Techday Big Data - Etat et Enjeu pour l'Assurance
Arrow Group: Techday Big Data - Etat et Enjeu pour l'Assurance
 
Analytics & Machine Learning avec la Data Virtualization
Analytics & Machine Learning avec la Data VirtualizationAnalytics & Machine Learning avec la Data Virtualization
Analytics & Machine Learning avec la Data Virtualization
 
Session découverte de la Data Virtualization
Session découverte de la Data VirtualizationSession découverte de la Data Virtualization
Session découverte de la Data Virtualization
 
Morning With MongoDB
Morning With MongoDBMorning With MongoDB
Morning With MongoDB
 
Doxa inter2019-le big data:outil d'aide à la décision
Doxa inter2019-le big data:outil d'aide à la décisionDoxa inter2019-le big data:outil d'aide à la décision
Doxa inter2019-le big data:outil d'aide à la décision
 
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015Bluemix Paris Meetup :  Big data et Analytics - 15 avril 2015
Bluemix Paris Meetup : Big data et Analytics - 15 avril 2015
 
Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...
Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...
Enterprise Data Hub - La Clé de la Transformation de la Gestion de Données d'...
 

Plus de Kezhan SHI

Big data fp prez nouv. formation_datascience_15-sept
Big data fp prez nouv. formation_datascience_15-septBig data fp prez nouv. formation_datascience_15-sept
Big data fp prez nouv. formation_datascience_15-septKezhan SHI
 
Big data fiche data science 15 09 14
Big data fiche data science 15 09 14Big data fiche data science 15 09 14
Big data fiche data science 15 09 14Kezhan SHI
 
Big data ads gouvernance ads v2[
Big data ads   gouvernance ads v2[Big data ads   gouvernance ads v2[
Big data ads gouvernance ads v2[Kezhan SHI
 
Big data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-septBig data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-septKezhan SHI
 
B -technical_specification_for_the_preparatory_phase__part_ii_
B  -technical_specification_for_the_preparatory_phase__part_ii_B  -technical_specification_for_the_preparatory_phase__part_ii_
B -technical_specification_for_the_preparatory_phase__part_ii_Kezhan SHI
 
A -technical_specification_for_the_preparatory_phase__part_i_
A  -technical_specification_for_the_preparatory_phase__part_i_A  -technical_specification_for_the_preparatory_phase__part_i_
A -technical_specification_for_the_preparatory_phase__part_i_Kezhan SHI
 
20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standard20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standardKezhan SHI
 
20140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-201420140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-2014Kezhan SHI
 
20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilan20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilanKezhan SHI
 
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_Kezhan SHI
 
Qis5 technical specifications-20100706
Qis5 technical specifications-20100706Qis5 technical specifications-20100706
Qis5 technical specifications-20100706Kezhan SHI
 
Directive solvabilité 2
Directive solvabilité 2Directive solvabilité 2
Directive solvabilité 2Kezhan SHI
 
Directive omnibus 2
Directive omnibus 2Directive omnibus 2
Directive omnibus 2Kezhan SHI
 
Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2Kezhan SHI
 
Rapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNILRapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNILKezhan SHI
 
Xavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régressionXavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régressionKezhan SHI
 

Plus de Kezhan SHI (16)

Big data fp prez nouv. formation_datascience_15-sept
Big data fp prez nouv. formation_datascience_15-septBig data fp prez nouv. formation_datascience_15-sept
Big data fp prez nouv. formation_datascience_15-sept
 
Big data fiche data science 15 09 14
Big data fiche data science 15 09 14Big data fiche data science 15 09 14
Big data fiche data science 15 09 14
 
Big data ads gouvernance ads v2[
Big data ads   gouvernance ads v2[Big data ads   gouvernance ads v2[
Big data ads gouvernance ads v2[
 
Big data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-septBig data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-sept
 
B -technical_specification_for_the_preparatory_phase__part_ii_
B  -technical_specification_for_the_preparatory_phase__part_ii_B  -technical_specification_for_the_preparatory_phase__part_ii_
B -technical_specification_for_the_preparatory_phase__part_ii_
 
A -technical_specification_for_the_preparatory_phase__part_i_
A  -technical_specification_for_the_preparatory_phase__part_i_A  -technical_specification_for_the_preparatory_phase__part_i_
A -technical_specification_for_the_preparatory_phase__part_i_
 
20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standard20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standard
 
20140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-201420140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-2014
 
20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilan20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilan
 
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
 
Qis5 technical specifications-20100706
Qis5 technical specifications-20100706Qis5 technical specifications-20100706
Qis5 technical specifications-20100706
 
Directive solvabilité 2
Directive solvabilité 2Directive solvabilité 2
Directive solvabilité 2
 
Directive omnibus 2
Directive omnibus 2Directive omnibus 2
Directive omnibus 2
 
Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2
 
Rapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNILRapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNIL
 
Xavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régressionXavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régression
 

Dernier

Réunion des directeurs de Jonzac - 15 mai 2024
Réunion des directeurs de Jonzac - 15 mai 2024Réunion des directeurs de Jonzac - 15 mai 2024
Réunion des directeurs de Jonzac - 15 mai 2024IEN_Jonzac
 
Quitter la nuit. pptx
Quitter          la        nuit.    pptxQuitter          la        nuit.    pptx
Quitter la nuit. pptxTxaruka
 
Texte avec différentes critiques positives, négatives ou mitigées
Texte avec différentes critiques positives, négatives ou mitigéesTexte avec différentes critiques positives, négatives ou mitigées
Texte avec différentes critiques positives, négatives ou mitigéesLeBaobabBleu1
 
Exemple de grille d'audit 5S, check liste Audit
Exemple de grille d'audit 5S, check liste AuditExemple de grille d'audit 5S, check liste Audit
Exemple de grille d'audit 5S, check liste Audittechwinconsulting
 
Fiche de vocabulaire pour faire une appréciation
Fiche de vocabulaire pour faire une appréciationFiche de vocabulaire pour faire une appréciation
Fiche de vocabulaire pour faire une appréciationLeBaobabBleu1
 
Nathanaëlle Herbelin.pptx Peintre française
Nathanaëlle Herbelin.pptx Peintre françaiseNathanaëlle Herbelin.pptx Peintre française
Nathanaëlle Herbelin.pptx Peintre françaiseTxaruka
 
Les débuts de la collection "Le livre de poche"
Les débuts de la collection "Le livre de poche"Les débuts de la collection "Le livre de poche"
Les débuts de la collection "Le livre de poche"ArchivesdeLyon
 
PowerPoint-de-Soutenance-de-TFE-infirmier.pdf
PowerPoint-de-Soutenance-de-TFE-infirmier.pdfPowerPoint-de-Soutenance-de-TFE-infirmier.pdf
PowerPoint-de-Soutenance-de-TFE-infirmier.pdfDafWafia
 
GHASSOUB _Seance 4_ measurement and evaluation in education_-.pptx
GHASSOUB _Seance 4_ measurement and evaluation in education_-.pptxGHASSOUB _Seance 4_ measurement and evaluation in education_-.pptx
GHASSOUB _Seance 4_ measurement and evaluation in education_-.pptxAbderrahim GHASSOUB
 
Un petit coin etwinning- Au fil des cultures urbaines
Un petit coin  etwinning- Au fil des cultures urbainesUn petit coin  etwinning- Au fil des cultures urbaines
Un petit coin etwinning- Au fil des cultures urbainesSocratis Vasiopoulos
 
GHASSOUB _Seance 3_ measurement and evaluation in education.pptx
GHASSOUB _Seance 3_ measurement and evaluation in education.pptxGHASSOUB _Seance 3_ measurement and evaluation in education.pptx
GHASSOUB _Seance 3_ measurement and evaluation in education.pptxAbderrahim GHASSOUB
 
rapport de stage gros oeuvre_compressed.pdf
rapport de stage gros oeuvre_compressed.pdfrapport de stage gros oeuvre_compressed.pdf
rapport de stage gros oeuvre_compressed.pdfOssamaLachheb
 
Àma Gloria.pptx Un film tourné au Cap Vert et en France
Àma Gloria.pptx   Un film tourné au Cap Vert et en FranceÀma Gloria.pptx   Un film tourné au Cap Vert et en France
Àma Gloria.pptx Un film tourné au Cap Vert et en FranceTxaruka
 
Quitter la nuit. pptx
Quitter        la             nuit.   pptxQuitter        la             nuit.   pptx
Quitter la nuit. pptxTxaruka
 

Dernier (14)

Réunion des directeurs de Jonzac - 15 mai 2024
Réunion des directeurs de Jonzac - 15 mai 2024Réunion des directeurs de Jonzac - 15 mai 2024
Réunion des directeurs de Jonzac - 15 mai 2024
 
Quitter la nuit. pptx
Quitter          la        nuit.    pptxQuitter          la        nuit.    pptx
Quitter la nuit. pptx
 
Texte avec différentes critiques positives, négatives ou mitigées
Texte avec différentes critiques positives, négatives ou mitigéesTexte avec différentes critiques positives, négatives ou mitigées
Texte avec différentes critiques positives, négatives ou mitigées
 
Exemple de grille d'audit 5S, check liste Audit
Exemple de grille d'audit 5S, check liste AuditExemple de grille d'audit 5S, check liste Audit
Exemple de grille d'audit 5S, check liste Audit
 
Fiche de vocabulaire pour faire une appréciation
Fiche de vocabulaire pour faire une appréciationFiche de vocabulaire pour faire une appréciation
Fiche de vocabulaire pour faire une appréciation
 
Nathanaëlle Herbelin.pptx Peintre française
Nathanaëlle Herbelin.pptx Peintre françaiseNathanaëlle Herbelin.pptx Peintre française
Nathanaëlle Herbelin.pptx Peintre française
 
Les débuts de la collection "Le livre de poche"
Les débuts de la collection "Le livre de poche"Les débuts de la collection "Le livre de poche"
Les débuts de la collection "Le livre de poche"
 
PowerPoint-de-Soutenance-de-TFE-infirmier.pdf
PowerPoint-de-Soutenance-de-TFE-infirmier.pdfPowerPoint-de-Soutenance-de-TFE-infirmier.pdf
PowerPoint-de-Soutenance-de-TFE-infirmier.pdf
 
GHASSOUB _Seance 4_ measurement and evaluation in education_-.pptx
GHASSOUB _Seance 4_ measurement and evaluation in education_-.pptxGHASSOUB _Seance 4_ measurement and evaluation in education_-.pptx
GHASSOUB _Seance 4_ measurement and evaluation in education_-.pptx
 
Un petit coin etwinning- Au fil des cultures urbaines
Un petit coin  etwinning- Au fil des cultures urbainesUn petit coin  etwinning- Au fil des cultures urbaines
Un petit coin etwinning- Au fil des cultures urbaines
 
GHASSOUB _Seance 3_ measurement and evaluation in education.pptx
GHASSOUB _Seance 3_ measurement and evaluation in education.pptxGHASSOUB _Seance 3_ measurement and evaluation in education.pptx
GHASSOUB _Seance 3_ measurement and evaluation in education.pptx
 
rapport de stage gros oeuvre_compressed.pdf
rapport de stage gros oeuvre_compressed.pdfrapport de stage gros oeuvre_compressed.pdf
rapport de stage gros oeuvre_compressed.pdf
 
Àma Gloria.pptx Un film tourné au Cap Vert et en France
Àma Gloria.pptx   Un film tourné au Cap Vert et en FranceÀma Gloria.pptx   Un film tourné au Cap Vert et en France
Àma Gloria.pptx Un film tourné au Cap Vert et en France
 
Quitter la nuit. pptx
Quitter        la             nuit.   pptxQuitter        la             nuit.   pptx
Quitter la nuit. pptx
 

Big data analytics focus technique et nouvelles perspectives pour les actuaires

  • 1. Local Optimization European Minded © Tous droits réservés. Reproduction interdite sans l’autorisation d’Optimind Winter. Analytics & Big Data Focus techniques & nouvelles perspectives pour les actuaires Université d’Eté de l’Institut des Actuaires Mardi 8 juillet 2014 Intervenants : Alexandre Keiflin, consultant senior, practice leader PCOW Big Data et Digital Emmanuel Berthelé, actuaire consultant senior, responsable Practice
  • 2. Sommaire Université d'Eté IA – Analytics & Big Data - 08/07/2014 2 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l’actuaire 4 Conclusion
  • 3. Université d'Eté IA – Analytics & Big Data - 08/07/2014 3 Introduction1 • Emergence des nouvelles technologies et des nouveaux supports  sources du digital Années 1980 1ères expériences d’un monde à distance Années 1990 Internet se généralise Années 2000 Socialement connectés Années 2010 Equipements de haute technologie Physiquement connectés 1978 : Premiers téléphones mobiles 1982 : Protocole Internet Standardisé 1983 : Première Banque en ligne 1991 : Création du World Wide Web Sources Kurt Salmon research 1992 : Premier site Internet commercial 1995 1998 1997 Premiers paiements mobiles 2004 2006 2007 2011 201x 2015 201x
  • 4. DIGITAL Université d'Eté IA – Analytics & Big Data - 08/07/2014 4 Introduction1 Socle Nouvelles technologies Nouveaux usages Constat Ere Numérique Acteurs économiques en pleine mutation Opportunités Evolution des business models Repenser la relation client Nécessité Penser digital Gouvernance et organisation adaptée Grands volumes de données Desoutils adaptés Big Data Analytics Vision encore plus orientée données Repenser le traitement de ces données
  • 5. Sommaire Université d'Eté IA – Analytics & Big Data - 08/07/2014 5 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l’actuaire 4 Conclusion
  • 6. Données / Datamasse Focus techniques2 • L’approche classique consiste à caractériser les Big Data comme : • Des données massives • Et Variées • Le concept « Big Data » encapsule cependant naturellement les nouvelles technologie et les nouveaux outils capables de traiter ce volume considérable de données structurées ou non en quasi temps réel • Concrètement, l’intérêt du Big Data réside principalement dans sa capacité à générer de la Valeur en valorisant ses données internes en les appariant à des donnés externes • Nouvelles capacités offertes par le Big Data en approche « Data Driven » • Révéler des schéma non intuités • Obtenir des capacités prédictives à partir d’un grand volume d’informations 6Université d'Eté IA – Analytics & Big Data - 08/07/2014
  • 7. Données / Datamasse Focus techniques2 7Université d'Eté IA – Analytics & Big Data - 08/07/2014 • Archives • Documents • Medias • Stockage des données • Applications métiers • Internet • Réseaux sociaux • Logs techniques • Objets connectés source :http://kapowsoftware.com/resources/infographics/intelligence- by-variety-where-to-find-and-access-big-data.php
  • 8. • 1 sec  22 To de données générées sur le web • 1 jour  2,5 Eo Générées (10^6 To) Données / Datamasse Focus techniques2 8Université d'Eté IA – Analytics & Big Data - 08/07/2014 • 90% des données créées ces 2 dernières années • Prévision d’une hausse de 800% d’ici 5 ans Source http://pennystocks.la/internet-in-real-time/
  • 9. Jobtracker Evolutions BI Focus techniques2 9Université d'Eté IA – Analytics & Big Data - 08/07/2014 Logiciels et algorithmes nécessaires aux traitements des Big Data: Hadoop facilite la création d’application distribuée pour le calcul (Mapreduce) et le stockage (HDFS et Hbase) Données  BIG DATA 1 2 3Découpage en blocs (64 MO par défaut) Réplication (2 fois par défaut) Name Node Name Node (secondary) 1 2 3 1 2 3 321 DataNode 132 DataNode 213 DataNode Job tracker Tasktracker Tasktracker Tasktracker Système HDFS -Grille de stockage Framework Map reduce - Grille de calcul
  • 10. Evolutions BI Focus techniques2 10Université d'Eté IA – Analytics & Big Data - 08/07/2014 Hadoop 1.0 (Décembre 2011) • Limitation à 4000 nœuds par cluster • Goulot d’étranglement au niveau du service Job Tracker (Gestion des ressources, planification et suivi) • Un seul namenode • MAP Reduce utilise des slots de ressources statiques • Seul Map reduce peut tourner Hadoop 2.0 (octobre 2013) • Plus de 10000 nœuds par cluster • Utilisation cluster plus efficient grâce à YARN meilleure gestion des ressources • Plusieurs namenodes par cluster • Ressources dynamiques • Toutes les applications peuvent être intégrées sous Hadoop • Compatibilité ascendante Zoom sur Spark (30/05/2014) 1. Rapide jusqu’à 100x (in memory) 2. Facile utilisation (Java, Scala, Python) 3. Générale (SQL, Streaming, analytics) 4. Intégration sur Hadoop 2 - Yarn
  • 11. • Storm : système de calcul distribué en temps réel permettant de traiter de façon fiable des flux de données illimitées, faisant pour le traitement en temps réel ce que Hadoop a fait pour le traitement batch Evolutions BI Focus techniques2 Université d'Eté IA – Analytics & Big Data - 08/07/2014 Détection de fraude bancaire, 2 solutions techniques: 1. Lancer un traitement Hadoop avec l'ensemble des transactions de la journée et tenter d'isoler des comportements étranges pour un compte. Non temps réel 2. Analyse de chaque transaction dès qu'elle est effectuée en temps réel grâce à Storm Architecture et principe de Storm Nimbus Zookeeper Zookeeper Zookeeper Superviser Superviser Superviser Superviser Superviser Spout Bolt A Bolt B Bolt C 11
  • 12. Evolutions BI Focus techniques2 12Université d'Eté IA – Analytics & Big Data - 08/07/2014 Combiner Hadoop et Storm permet de répondre à des besoins complémentaires: 1. Analyse des flux en temps réèl permettant d’augmenter la réactivité 2. Analyse de l’ensemble de données en batch permet d’augmenter la profondeur d’analyse • Une architecture combinée Storm/Hadoop pour apporter du temps réel aux traitements des Big Data
  • 13. Evolutions BI Focus techniques2 Université d'Eté IA – Analytics & Big Data - 08/07/2014 Mahout est un projet open source d'algorithmes d'apprentissage automatique distribuée sur la plate- forme Hadoop utilisant jusqu’à aujourd’hui le framework Map Reduce (en cours de migration vers SPARK) Mahout peut tourner en dehors d’Hadoop. Mahout est encore en cours de développement ; le nombre d'algorithmes implémentés a rapidement augmenté, mais certains manquent encore. Hama est un framework de calcul distribué basé sur un autre modèle de calcul (BSP-Bulk Synchronous Parallel Model) qui se révèle bien plus performant que map reduce sur des algorithmes ciblés Filtrage Collaboratif • Utilisateurs • Objets • Factorisation de matrices: • Moindres carrés alternés (avec Implicit Feedback ou non) • Valeur singulière (SVD) Classification (Supervisé) • Régression logistique • Classification naive Bayesienne • Forêts aléatoires • Perceptron multicouche • Modèle de markov caché Apprentissage non supervisé (Clustering) • Canopy Clustering • Algorithme des k- moyennes • Algorithme des fuzzy k-moyennes • Algorithme des Streaming k- moyenne • Apprentissage spectral Réduction de dimension • Algorithme de Lanczo • Décomposition en valeurs singulières • Standard (SVD) • Stochastiques • Analyse en composante principale Modèle de sujet • Allocation de Dirichlet latente Divers • Frequent Pattern Mining • Nombre d’occurrences • Matrices: • Comparaison par paires • Concatenation Reconnaissance de forme Suggestion Traitement automatique du langage : Correction ou traduction 13
  • 14. Evolutions BI Focus techniques2 14Université d'Eté IA – Analytics & Big Data - 08/07/2014 • Une abondance de technologies et d’outils répondant souvent à des besoins spécifiques, il est donc nécessaire de • Cibler ses besoins métiers • S’appuyer sur les DSI pour choisir les bons outils (pérennité, adapté aux besoins,…) • Réaliser une veille technologique sur l’ensemble du paysage « Big Data » Des acteurs ont disparus du paysage < 4 % Des acteurs se positionnent post- infrastructure Big Data >70 % Des acteurs proposent une offre globale 3 %Nombre entreprises= 377 Nombre de sorties: 15
  • 15. • La révolution Big Data réhabilite d’anciennes approches de statistiques, d’analyse et de modélisation des données • Les mesures de corrélations statistiques datent du XIXe siècle • Les premiers travaux sur les réseaux neuronaux remontent aux années 50 • Les modèles auto-apprenants ne sont pas nouveaux mais bénéficient d’un regain d’intérêt notable du fait des nouvelles capacités calculatoires et tendent à être largement améliorés Sont considérées comme relevant de l’Analytics toutes méthodes et outils statistiques permettant de comprendre, anticiper et expliquer un phénomène à partir de données massives L’Analytics est un levier essentiel de la création de valeur grâce à l’extraction d’informations des données issues du « Big Data » 15 Apports des algorithmes et évolution de paradigme Focus techniques2 Université d'Eté IA – Analytics & Big Data - 08/07/2014 Big Data Extraction d’informations Aide à la décision Processus de création de valeur
  • 16. 16 Apports des algorithmes et évolution de paradigme Focus techniques2 Université d'Eté IA – Analytics & Big Data - 08/07/2014 Analytics (Data mining) Méthodes descriptives (recherche de patterns) Non supervisé Modèles géométriques Analyse factorielle Analyse typologique Réduction de dimension Modèles combina toires Classification relationnelles Modèles à base de règle logique Détection de liens et d’associations Méthodes prédictives (modélisation) Supervisé Modèle à base de règle logique Arbre de décision Modèle à base de fonctions mathématiques Réseaux de neurones Modèle paramétriques ou semi- paramétriques Prédicti on sans modèle Source : Stéphane TUFFERY • Classification des méthodes applicables au Big Data
  • 17. Apports des algorithmes et évolution de paradigme Focus techniques2 Short-list liée aux cas d’usage Sélection de l’algorithme à utiliser via différents critères Test sur échantillon et usage grandeur réelle • Caractéristiques des données (Nombre de points, nombre de variables…) • La puissance de calculs nécessaire • La complexité de mise en œuvre et (calibrage, compréhension, robustesse…) • L’exploitation des résultats Validation grandeur réelle Test perform ances Test volumes Calibrag e Systèm e • Classification de données • Analyse comportementale • Projections / simulations • Tests de performances • Tests de volumes • Calibrage Système • Validation en grandeur réelle Université d'Eté IA – Analytics & Big Data - 08/07/2014 17
  • 18. Evolution culturelle et stratégique pour les structures d’assurance Focus techniques2 18Université d'Eté IA – Analytics & Big Data - 08/07/2014 Création de nouveaux produits adaptés aux besoins de marché Amélioration du pilotage de son portefeuille Optimisation des processus internes de l’entreprise • La donnée étant la matière première des structures d’assurance, le métier est donc amené à évoluer en profondeur dès lors que la transition vers le Big Data est amorcée L’utilisation de modèles analytiques n’est pas nouvelle pour les actuaires et le monde de l’assurance dans des approches intuitées: HYPOTHESIS DRIVEN La variété de données et la volumétrie importante exploitable grâce au Big Data doivent permettre la création de valeur dans des approches données DATA DRIVEN Lois Données Calibration Validation Données Collecte et analyse Lois et calibration Validation
  • 19. Sommaire Université d'Eté IA – Analytics & Big Data - 08/07/2014 19 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires Quels apports en Assurance De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l’actuaire 4 Conclusion
  • 20. Quels apports en Assurance? Nouvelles perspectives pour les actuaires3 2 • L’impact attendu du « Big Data » selon Mc Kinsey dans les principaux secteurs d’activités 20 20Université d'Eté IA – Analytics & Big Data - 08/07/2014  Valeur maximale attendue en « Assurance »  Facilité de mise en œuvre d’après 4 critères:  Talent  Présence IT  Etat d’esprit « Data Driven »  Disponibilité des données
  • 21. Quels apports en Assurance? Nouvelles perspectives pour les actuaires3 21Université d'Eté IA – Analytics & Big Data - 08/07/2014 Assurance auto : passage du « Pay as you drive » au « Pay how you drive » via boitiers embarqués Santé / prévoyance : informations sur entreprise/secteur/e-réputation pour appréhender le risque d’arrêt de travail de ses salariés Lutte anti fraude : croiser les déclarations récentes de sinistres avec une activité spécifique sur les réseaux sociaux et/ou des consultations sur des forums DOMAINE Marketing Produit Gestion du risque Lutte anti fraude USAGE POTENTIEL Améliorer les processus de souscription Personnaliser les garanties et les tarifs Faciliter la veille concurrentielle et cibler ses opérations marketing Anticiper et mesurer les risques (lois comportementales) EXPLOITATION DES DONNÉES AVEC LE BIG DATA Expliquer la sinistralité Comprendre le comportement d’achat Identifier les tendances de marché Surveiller l’e- réputation de la société Identifier les comportements anormaux en temps réel Obtenir des informations en quasi temps réel Vision 360° du client Ajuster les modèles aux assurés en portefeuille Identifier les données volontairement biaisées Pilotage de la rentabilité du produit et de son activité
  • 22. 22 De nouvelles fonctions pour de nouvelles approches Nouvelles perspectives pour les actuaires3 • 4 axes d’adaptation nécessaires pour les structures d’assurances • 2 nouvelles fonctions apparaissent explicitement autour des pratiques du Big Data et de l’Analytics • Chief Data Officer • Data Scientist • Ces fonctions ne devraient pas remplacer des fonctions actuellement existantes (data miner ou actuaires) mais devraient les compléter et les enrichir • Les impacts majeurs porteront donc • Sur la définition des nouvelles compétences et rôles attendus • Sur leur intégration dans les organisations existantes : chaque assureur devra à ce titre mener une réflexion sur son organisation cible • Sur la redéfinition des relations entre ces nouvelle fonctions et les métiers « traditionnels » Université d'Eté IA – Analytics & Big Data - 08/07/2014 Connaissance des sources de données Maîtrise des technologies et outils Evolution culturelle et stratégique Maîtrise de la création de valeur
  • 23. De nouvelles fonctions pour de nouvelles approches Nouvelles perspectives pour les actuaires3 Sources de données externes Collecte et intégration des données Retraitements des données et mise en œuvre de systèmes de calculs Mise à disposition des résultats pour exploitation par les métiers • Le data scientist, principal acteur de la chaîne de valeur du Big Data en amont des utilisations expertes des métiers • Des compétences spécifiques nécessaires • Connaissance des sources de données, tant internes qu’externes • Compétences BI et IT • Compétences algorithmiques et statistiques • Communication et échanges avec les métiers afin  D’identifier les use cases potentiels  De maximiser la data valorisation Université d'Eté IA – Analytics & Big Data - 08/07/2014 23
  • 24. • Le Chief Data Officier, une fonctions clé d’organisation et de gouvernance des données • Un acteur majeur de la gestion des risques liés aux nouveaux usages des données • Des compétences spécifiques nécessaires • Connaissances SI et des chaînes de valeur liées à la valorisation des données • Connaissances des enjeux métiers, juridiques, stratégiques et opérationnels • Organisation et pilotage opérationnel • Communication inter-directions (DSI et Marketing, mais pas seulement) De nouvelles fonctions pour de nouvelles approches Nouvelles perspectives pour les actuaires3 Centralise la connaissance de la production des données Organise les contrôles et le suivi qualité Coordonne la gouvernance stratégique du capital « Données » de l’entreprise Université d'Eté IA – Analytics & Big Data - 08/07/2014 24 Contraintes réglementaires liées à l’utilisation des données Hyper segmentation Fraude Traçabilité
  • 25. 25 Impacts potentiel sur le rôle de l’actuaire Nouvelles perspectives pour les actuaires3 • Distinctions à opérer suivant la taille des acteurs • Un positionnement a priori moins rapide des acteurs de taille restreinte  Des ressources limitées et concentrées sur d’autres sujets (réglementaires et produits notamment)  Des investissements nécessaires susceptibles d’être un frein (bien que la volonté d’acteurs BI de se positionner sur le secteur de l’Assurance ouvre des opportunités en termes d’études préalables) • Une moindre segmentation des rôles et responsabilités  Des profils cumulant compétences en actuariat et data science auraient un intérêt mais sont à l’heure actuelle inexistants • Conservation par les actuaires de prérogatives spécifiques, notamment en termes de gestion des risques • Du moins tant que les business models n’évoluent pas radicalement • Une question en attente : combien de temps mettront les acteurs spécialistes du Big Data à adopter un positionnement plus agressif sur le secteur de l’assurance? • Le plan Big Data de François Bourdoncle et Paul Hamelin, dans le cadre des 34 plans pour la France industrielle, propose 14 pistes pour contrer les acteurs dominants, notamment en Assurance Université d'Eté IA – Analytics & Big Data - 08/07/2014
  • 26. 26 Impacts potentiel sur le rôle de l’actuaire Nouvelles perspectives pour les actuaires3 • Une profession qui s’adapte • GT IA Big Data sous la responsabilité de Florence Picard  Organisé en sous-groupes thématiques – Norme et éthique – Nouveaux modèles de mutualisation – Impact sur le métier d’actuaire – Algorithmes prédictifs de comportements – Risques opérationnels et pistes d’audit – Big Data à l’étranger – Assurance connectée  Des cycles de conférence permettant une ouverture sur les nouveaux usages  Un nombre important d’actuaires participants  Un site dédié : http://actuaires-bigdata.fr/ • Formation « Data science pour actuaires » lancée en 2015  Délivrant le diplôme data scientist de l’Institut du Risk Management • Adaptation du code de déontologie  Prise en compte des nouveaux usages et risques liés aux données • Des efforts de communication restent cependant à réaliser afin de sensibiliser l’ensemble des actuaires aux enjeux liés à l’évolution induite par l’arrivée du Big Data en Assurance • Des efforts individuels nécessaires pour s’adapter à une évolution rapide de l’activité d’Assurance Université d'Eté IA – Analytics & Big Data - 08/07/2014
  • 27. Sommaire Université d'Eté IA – Analytics & Big Data - 08/07/2014 27 1 Introduction 2 Focus techniques Données / Datamasse Evolutions BI Apports des algorithmes et évolution de paradigme 3 Nouvelles perspectives pour les actuaires Quels apports en Assurance De nouvelles fonctions pour de nouvelles approches Impacts potentiels sur le rôle de l’actuaire 4 Conclusion
  • 28. Université d'Eté IA – Analytics & Big Data - 08/07/2014 28 Conclusion4 • Enfin, quelques repères sur le positionnement et l’état d’esprit à adopter Démarrer au plus tôt pour générer un avantage concurrentiel Implication primordiale du top-management (positionnement stratégique) Nécessité de sortir des usages courants et de s’engager dans la voie de la transformation Développement d’une culture du Test and learn et de l'apprentissage (sans redouter l’échec) Envisager différents use cases et poursuivre les pistes les plus prometteuses Nécessité d’adopter un esprit d'entreprenariat et de conquête
  • 29. Société & Offres • Interlocuteur de référence pour les assureurs, mutuelles, administrations, banques et grandes entreprises qui souhaitent un partenaire métier les accompagnant dans leurs projets • 180 collaborateurs dont 70 actuaires diplômés membres de l’Institut des Actuaires • Une offre organisée autour des métiers suivants  Actuariat Conseil  Protection Sociale  Risk Management  Finance & Performance  Projets & Maîtrise d’ouvrage  Digital Notre Practice • Composée de 12 Pôles de Compétences (PCOW) métiers ou transverses, animés par nos Practice Leaders, pour une couverture matricielle de nos besoins en expertises • Travaux de fond, recherche applicative, connaissances marchés et produits, veille, formations et communication interne et externe • Nos objectifs :  l’amélioration et le partage des connaissances et expertises  Le développement et la diffusion des meilleures pratiques professionnelles au sein de nos équipes Une société de conseil experte et indépendante Optimind Winter Partenariats et engagements • Relai français du réseau EURACS, European Actuarial & Consultancy Services Références client • Plus de 95 % du marché de l’assurance en volume de CA Université d'Eté IA – Analytics & Big Data - 08/07/2014 29