Petit dej solva2_datascience_gouvernance _14janvier2016
1. 1
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
1
Petit déjeuner
Assurance : vos enjeux marketing, technologiques et réglementaires
La data science dans l’analyse de marge,
Les gouvernances selon solvabilité II
Le 14 Janvier 2016 à la Maison des Mines
8h30 à 10h30
Lily Abenhaim, contact.amiconsulting@gmail.com / 06.62.71.47.84
Bruno Seznec, consult@seznec.net / 06.51.86.57.21
2. 2
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
SOMMAIRE
I. Introduction
II. Analyser les marges des produits Epargne
III. Analyser les marges des produits Rentes
IV. Projection et analyse d’un compte de résultat
V. Contrôles
VI. L’impact de la data science dans l’analyse de marge
VII. Les gouvernances dans solvabilité II
3. 3
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Objectifs de Solvabilité II :
o Protéger les assurés
o Uniformiser au niveau européen le système de solvabilité
o Faire converger les normes – IFRS 4
o Renforcer le contrôle interne des organismes assureurs
o Encourager le contrôle de tous les risques auxquels sont soumis les organismes assureurs
o Promouvoir l’utilisation des modèles internes pour l’évaluation des besoins en fonds propres
o Donner aux autorités les moyens d’identifier les entreprises en risque financier ou organisationnel
important
o Système basé sur des principes.
I. Introduction
4. 4
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les trois piliers de Solvabilité II :
I. Introduction
5. 5
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
I. Identifier les différents types de marges
Le compte de résultat type simplifié comprend 3
types de marges :
o Résultat technique du risque Résultat de l'ensemble des opérations
techniques (primes, prestations, variations de provisions, frais généraux,
commissions et produits financiers nets rattachés) nettes de réassurance.
Des comptes de résultats techniques vie et non vie sont établis
séparément.
• Cette marge est toujours nulle pour les produits d’épargne
• Positive ou négative pour les produits de rentes :
– Marge technique (+) : La mortalité est supérieure aux prévisions de la table de tarification
– Marge technique (-) : La mortalité est inférieur aux prévisions de la table de tarification
o Résultat technique de gestion ou marge administrative : écart entre les
différents chargements de gestion prélevés aux clients et les frais internes
et externes
o Résultat financier : écart entre les produits financiers et les intérêts
techniques et participations aux bénéfices servis aux assurés
o La somme des 3 marges constitue le résultat brut opérationnel de la
compagnie (c’est-à-dire le résultat avant impacts de la réassurance, des
opérations non techniques et des impôts et taxes)
6. 6
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
II. Présentation des marges pour un
produit d’épargne
Le résultat technique pour un produit d’épargne contient les postes suivants :
Transfert (entrant) / Transfert (sortant)
Arbitrage (entrant) / Arbitrage (sortant)
Cotisations ou prime pure
Prestations : Rachats partiels, ou totales
Capitaux constitutifs
Provision Mathématique ouverture
Provision Mathématique clôture
Participation aux bénéfices
Rémunération au taux minimum Garanti
Résultat technique
7. 7
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
II. Présentation des marges pour un
produit d’épargne
Définition des postes suivants (produit d’épargne)
o Transfert (entrant) / Transfert (sortant) :
o Possibilité offerte au souscripteur de transférer la gestion de son contrat vers un autre assureur tout en
continuant à bénéficier de l’antériorité fiscale attachée au contrat d’origine.
o Le transfert n'est pas une opération autorisée pour les contrats d'assurance Vie. Il existe une exception pour les
contrats Retraite ( PERP ou MADELIN)
o Frais de transfert
o Cotisations ou primes acquises se décomposent en
o la prime pure acquise : Somme versée, périodiquement ou en une seule fois, par le souscripteur à l'assureur en
échange de la prise en charge d'un risque. Elle n’inclut pas les chargements
o les chargements sur primes,
o Prestations : L’engagement de l’assureur en cas de réalisation d’un risque est de verser une prestation
o Rachats partiels, ou totales
o Prestations décès
o Provision Mathématique :
o différence entre les valeurs actuelles des engagements respectivement pris par l'assureur et par les assurés
o PM ouverture : Elle correspond à la PM de clôture de l’année n-1
o PM Clôture : Provision calculée au moment des inventaires
.
8. 8
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
II. Présentation des marges pour un
produit d’épargne
Définition des postes suivants (produit d’épargne)
o Arbitrage la possibilité de modifier la ventilation de vos unités de compte au sein d’un même contrat d’assurance vie
comme vous le souhaitez. L’arbitrage vous offre une grande souplesse dans la gestion de vos unités de compte et vous
permet de modifier quand vous le souhaitez votre épargne ou de le répartir sur plusieurs supports.
o Participation aux bénéfices : Il s’agit de la rémunération accordée par l’assureur au contrat en
complément de celle calculée au taux technique
o Rémunération au Taux minimum Garanti : Il s’agit d’un taux d’intérêt servant à la tarification ou
au provisionnement des contrats d’assurance vie
9. 9
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
II. Présentation des marges pour un
produit d’épargne
Le résultat de gestion pour un produit d’épargne contient les postes suivants :
Les chargements suivants sont prélevés aux clients :
Frais sur transfert (entrant)
Frais sur transfert (sortant)
Frais sur arbitrage (entrant)
Frais sur arbitrage (sortant)
Frais sur prestations
Frais sur cotisations
On doit déduire de ces chargements prélevés aux clients les différents postes de frais généraux correspondants
Résultat de gestion
10. 10
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
II. Présentation des marges pour un
produit d’épargne
D’une manière générale les chargements de gestion, c'est-à-dire les
chargements permettant de couvrir les frais opérationnels de l'assureur
(salaires, loyers, commissions, ...). Les chargements s’appliquent sur chaque
opération que vous allez faire, ils sont contractuels et définis au niveau des CG
(conditions générales) et CP (conditions particulières)
Définition des postes suivants :
o Frais sur transfert (entrant) / (sortant) : Chargements prélevés par la compagnie en cas de transfert entre deux
compagnies ou dans le cas d’un transfert Fourgous
o Frais sur arbitrage (entrant) / (sortant) : Chargements prélevés sur le client en cas d’arbitrage entrant et sortant
o Frais sur prestations : Chargements prélevés sur le client en cas de rachat partiel, rachat total
o Frais sur cotisations : Chargements prélevés sur le client sur le montant de la prime
11. 11
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
II. Présentation des marges pour un
produit d’épargne
Le résultat financier pour un produit d’épargne contient les postes suivants :
+ Rémunération brute (correspond aux produits financiers nets de frais financiers)
- Rémunération nette (correspond à la rémunération versée à l’assuré)
= Frais sur encours (correspond à la différence entre la rémunération brute et la rémunération nette)
Résultat financier
12. 12
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
II. Présentation des marges pour un
produit d’épargne
Le résultat financier pour un produit d’épargne contient les postes suivants :
o Rémunération brute : Il s’agit du montant des encours multipliés par le taux de PAB brut : Encours * taux PAB
brut
o Rémunération nette : Il s’agit du montant des encours multipliés par le taux de PAB net : Encours * taux PAB
net
o Frais sur encours : Ces frais sont calculés sur l'encours global de chaque fond.
o Encours :
o L’encours est la somme total d’actifs ou de passifs, de crédits, de stocks, ou de valeurs détenus
ou empruntés à un instant donné par un acteur économique.
o Dans la pratique l’encours en méthode approximative correspond à la somme : PM ouverture +
Capitaux constitutifs de rentes
o Taux de PAB brut = ((1+ taux de PAB net) / (1- taux de frais sur encours)) - 1
13. 13
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
III. Présentation des marges pour un produit
de rente
Présentation générale d’un produit de retraite :
PHASE EPARGNE
PHASE DE RENTES
Actifs Rentiers
Capitaux constitutifs Prestations / Rentes
14. 14
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
III. Présentation des marges pour un
produit de rente
Le résultat technique pour un produit de rente contient les postes suivants
(produits de rentes)
- Arrérages
+ Primes
+ Provision Mathématique ouverture
- Provision Mathématique clôture
+ Frais sur arrérage
- Capitaux constitutifs de rentes
- Capitaux de revalorisation
Résultat technique de rentes
15. 15
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
III. Présentation des marges pour un
produit de rente
Définition des postes suivants (produits de rentes)
o Arrérages :
o Les arrérages correspondent à des sommes d'argent versées périodiquement par un organisme social ou
par une compagnie d’assurance à un créancier au titre d'une rente ou d'une pension.
o Les arrérages concernent les montants échus d'une pension de retraite ou d'une rente d'un contrat
d'assurance vie que perçoit une personne sous la forme d’un versement régulier
o Capitaux constitutifs de rentes :
o Le capital constitutif de la rente est le capital à partir duquel va être versée la rente.
Il correspond à l'épargne-retraite (pour les produits dédiés à la préparation de la retraite) ou à la valeur de
rachat (pour les contrats d'assurance vie, de capitalisation, PEA,…) diminuée des éventuels prélèvements
fiscaux et sociaux qui s'appliquent sur la phase épargne du contrat, avant la transformation en rente.
o Il correspond à la provision à la date de souscription de l’assuré, ce montant est fixe durant toute la vie du
contrat
o Provision Mathématique :
o différence entre les valeurs actuelles des engagements respectivement pris par l'assureur et par les assurés
o PM ouverture : Elle correspond à la PM de clôture de l’année n-1
o PM Clôture : Provision calculée au moment des inventaires
.Capitaux de revalorisation :
o L’assureur peut garantir une revalorisation annuelle minimale annuelle du montant de la rente à partir d’un
indice
o Le taux de revalorisation est défini annuellement en date du 01/01/N
16. 16
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
III. Présentation des marges pour un
produit de rente
Le résultat de gestion pour un produit d’épargne contient les postes suivants :
Frais sur arrérage : Il s’agit des chargement prélevés par la compagnie sur les arrérages
Afin d’obtenir le résultat de gestion, il faut déduire les frais d’arrérages supportés par la compagnie
Résultat de gestion
17. 17
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
IV : Projection d’un compte de résultat
Epargne & Rente
o La conception d’un profit testing nécessite :
• une projection du compte de résultat relatif à une police type,
• l’appréciation de la rentabilité de cette police par rapport aux
critères définis dans le chapitre précédent.
o La police type peut être :
• une police non encore commercialisée relative à un nouveau
produit,
• une police déjà commercialisée.
18. 18
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les hypothèses à regrouper sont de nature :
o commerciales (taux et nature des commissions, primes moyennes
attendues, âge de l’assuré à la souscription, durée maximale du contrat…),
o techniques (taux minimum garanti, règles d’attribution de la participation
aux bénéfices, taux de chargement sur les primes, taux de chargement sur
les encours, montant des pénalités de rachat, table de mortalité servant à la
tarification, cadences de règlements des sinistres,…),
o financières
o administratives (frais d’acquisition par police, frais annuels de gestion par
police).
IV : Projection d’un compte de résultat
Epargne & Rente
19. 19
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Le diagramme suivant présentent les échanges d’informations entre les
différents services
IV : Projection d’un compte de résultat
Epargne & Rente
Direction
actuarielle Direction
Financière
Direction
Comptable
Département de
gestion
Département
Informatique
Rapprochement compta gestion
Saisie des informations
clients dans le SI
20. 20
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
La collecte et la validation des hypothèses retenues nécessite
l’implication de l’ensemble des départements de la compagnie :
o département financier :
• Elle détermine le taux techniques / TMG / Taux de produits financier
o département technique
• Elle réalise la projection de compte de résultats ou projection financiers
o département informatique
• Communique les données de bases pour l’établissement des comptes de
résultats
o département comptable
• Intervient lors des rapprochement comptabilité / gestion
o département de gestion :
• Communique les flux réels de primes / prestation à l’actuariat
o Direction Générale
IV : Projection d’un compte de résultat
Epargne & Rente
21. 21
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les étapes pour la construction du compte de résultat
IV : Projection d’un compte de résultat
Epargne & Rente
Récupération des flux
des back offices de
gestion ou SI
Calcul des frais
Projection des
produits financiers
Calcul des marges
Cotisations
Prestations (arrérages,
rachats)
Capitaux de rentes
PM ouverture - clôture
Frais sur Cotisations
Frais sur Prestations
(arrérages, rachats)
Frais sur encours
Rémunération au
TMG
Rémunération PAB
Frais sur encours
Résultat technique
du risque
Résultat technique
de gestion
Résultat technique
financier
22. 22
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les étapes de contrôles
Rapprochement des flux
Entre la comptabilité /
Gestion
Contrôles de cohérences
aux niveaux des frais
Contrôles de
cohérences au niveau
des produits
financiers
Contrôles de
cohérences au niveau
des marges
Cotisations
Prestations (arrérages,
rachats)
Capitaux de rentes
PM ouverture - clôture
Frais sur Cotisations
Frais sur Prestations
(arrérages, rachats)
Frais sur encours
Rémunération au
TMG
Rémunération PAB
Frais sur encours
Résultat technique
du risque
Résultat technique
de gestion
Résultat technique
financier
IV : Projection d’un compte de résultat
Epargne & Rente
23. 23
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
IV : Projection d’un compte de résultat
Epargne & Rente
Exemple de compte de résultat simplifié , détail de la projection de compte
24. 24
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les étapes de calculs
Etape 1 : Calcul des frais :
o Frais sur cotisations : Taux de frais * Montant de cotisation brute
o Frais sur arrérages : Taux de frais * Montant d’arrérage brut
Etape 2 : Calcul du montant des provisions
o PM Clôture épargne : Provient du SI ou déterminé par enroulement
o PM clôture rente : Provient des SI ou déterminé par projection
IV : Projection d’un compte de résultat
Epargne & Rente
25. 25
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les étapes de calculs
Etape 3 : Calcul des produits financiers phase épargne
o Rémunération PAB : calculs d ’intérêts sur l’ensemble des flux aux taux de
PAB
• Les flux assiette des calculs sont : Cotisations réelles à la date d'inventaire / PM ouverture / Capitaux de
rentes
o Rémunération au TMG : actualisation de l’ensemble des flux aux TMG
• Les flux assiette des calculs sont : Cotisations réelles à la date d'inventaire / PM ouverture / Capitaux de
rentes
o Frais sur encours : Encours * taux de frais sur encours
• Encours : PM moyenne
Etape 4 : Calcul des produits financiers phase de rentes (méthode simplifiée)
o Rémunération PAB : Encours * taux de PAB
o Rémunération au TMG : Encours * TMG
o Frais sur encours : Encours * taux de frais sur encours
• Encours : PM moyenne
RQ :
o Dans la pratique, le SI calcul la rémunération des produits de rentes en calculant chaque mouvement sur le
contrat
IV : Projection d’un compte de résultat
Epargne & Rente
26. 26
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les étapes de calculs
Etape 4 : Calcul des marges
Marge technique :
Cotisations réelles à la date d'inventaire (net de frais)
PM N-1
PM N-
PB provisoire N
Capitaux de rentes
Marge administrative
Frais sur cotisations
Frais sur arrérages
Marge financière
Frais sur encours épargne
Frais sur encours de rentes
IV : Projection d’un compte de résultat
Epargne & Rente
27. 27
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les étapes de contrôles
Rapprochement des flux entre les back office comptables / Back office de
gestion
Contrôles de cohérence entre deux AT au niveau
Niveau des flux
Niveau des marges
Niveau du résultat technique de rentes
Niveau des produits financiers : PAB / TMG
Niveau des taux de frais
Calcul des VAN / TRI pour estimer la rentabilité du produit
V : Les contrôles dans l’analyse de
marges
28. 28
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
Les états de contrôles du compte de résultat
o Le pilier II impose aux compagnies de réaliser des contrôles au niveau des models
points.
o Plusieurs niveaux de contrôles sont exigés:
• Niveau I : Contrôles de cohérences
• Niveau II : Contrôles qualitatifs
• Niveau III : Contrôles quantitatifs
o Le tableau suivant présente des exemples de contrôles de cohérence à mettre en
place lors de la réception des données
V : Les contrôles dans l’analyse de marges
Poste contrôles
PM ouverture Valider que la PM ouverture = PM 31/12/ N-1
PM clôture Comparer par produit les ratio des PM N et N-1
Cotisations Valider que les flux de primes sont (+)
Prestations Valider que les flux de prestations sont (-)
Niveau des cotisations Comparer les ratios de cotisations entre N et N-1
Niveau de prestations Comparer les ratios de prestations entre N et N-1
Niveau des capitaux constitutifs de rentes Comparer les ratios des capitaux entre N et N-1
29. 29
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
o Le tableau suivant présente des exemples de contrôles de cohérence qualitatifs
V : Les contrôles dans l’analyse de marges
Poste contrôles
Cohérence du fichier Valider que le fichier n’a pas de « blanc »
Date de naissance Valider la cohérence des dates de naissance
Portefeuille Valider que le portefeuille est complet
Compta / Gestion Valider les écarts compta gestion
Mettre des seuils d’alertes au niveau des écarts
30. 30
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
14/01/2016
o Le tableau suivant présente des exemples de contrôles de cohérence qualitatifs
V : Les contrôles dans l’analyse de marges
Poste contrôles
Taux de frais Valider en fonction des CG / CP des taux de frais sur prime /
prestations / frais sur encours
Taux financiers Validation du taux de PAB
Validation des taux de produits financiers
Pour les rentes Valider les ratios suivants :
Ratio (Résultat technique / Provision mathématique au
dernier jour)
Ratio (Capitaux de revalorisation/Provision Mathématique
au 1er jour)
Ratio ( Provision mathématique au dernier jour/ arrérages) :
qui correspond au ax)
Produits d’épargne Valider que le RT = 0
Valider la PM de clôture par enroulement
Taux PAB Valider que le Taux de PAB brut > taux de PAB net
31. 31
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
SOMMAIRE
I. Introduction
II. Analyser les marges des produits Epargne
III. Analyser les marges des produits Rentes
IV. Projection et analyse d’un compte de résultat
V. Contrôles
VI. L’impact de la data science dans l’analyse de marge
VII. Les gouvernances dans solvabilité II
32. 32
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Plan de cette partie :
Contexte de la Data Science et du Machine Learning
Rappels (si nécessaire) :
Approche « data driven »,
Big data / datalake
Profil Data Scientist
Présentation des méthodes de prédiction par arbre de décision
Présentation de l'algorithme XgBoost
Application au contrôle des comptes / bilan fiscaux
Références : MOOCs Statistical Learning, Poly ESILV, Tax Audit : Michaël Benisty
(Deloitte)
33. 33
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Contexte de la Data Science et du Machine Learning
Le Machine Learning ou Apprentissage Machine/Statistique/Artificiel existe depuis
les années 80/90 en marge des grands programmes d'Intelligence Artificielle.
Il revient sur le devant de la scène avec les mouvements Big Data et Cloud
La nouveau paradigme consiste à s'appuyer sur les données pour en déduire des
règles (prédiction ou classification), éventuellement un modèle, au lieu de procéder
classiquement par la création d'un modèle, puis l'analyse des données.
En Statistique classique, il s'agit de comprendre la distribution des données, en
Apprentissage statistique, il faut être capable de prédire des informations non
observées (flux de données).
=> En conséquence ce nouveau paradigme permet d'utiliser tous les types de données.
34. 34
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Motivations : cas d’utilisations (période « classique »)
•Faire un filtre de classification des mails Spam / Non-Spam;
•Reconnaissance de caractères (identification du code postal);
•Predire la probabilité d’une attaque cardiaque d’un patient en fonction
de mesures cliniques, son régime et de données démographiques ;
•Classifier un échantillon de tissu des classes de cancer à partir du profil
d'expression des gènes;
• Calculer une relation entre le niveau de salaire et les variables
démographiques obtenues dans un recensement de la population.
•Classifier les pixels dans une image LANDSAT, en fonction de leur
caractéristiques (terres cultivées, sol humide / sec, terres rouges, etc...)
35. 35
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Motivations : cas d’utilisations (période « moderne » / Big Data)
•Reconnaissance d’images (FB);
•Traduction de texte automatique (Google);
•Reconnaissance de la parole.
36. 36
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
D’où viennent les Big Data ?
A retenir :
The Elements of Data Science are :
• Data Acquisition
• Data Preparation
• Analysis / Machine Learning
• Data Presentation
• Data Products
Slides Mooc Spark Edx Week1
37. 37
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Aspect RH / Quelles compétences ?
http://drewconway.com/zia/2013/3/26/the-data-science-venn-diagram
38. 38
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Positionnement du Data Scientist (Slide Paris Saclay)
39. 39
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Présentation du vocabulaire Data Science , apprentissage supervisé, non-supervisé.
Présentation des méthodes par arbre de décision (slides Statistical Learning)
40. 40
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Variance / Biais - Flexibility
41. 41
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Overfitting
42. 42
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Train data vs
Validation data
Model Complexity
43. 43
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Decision trees are simple and interpretable models for
regression Points clés pour les méthodes d’arbres de décision
•Ce sont des modèles simples pour la classification et la régression;
•Cependant ils sont souvent peu compétitifs avec d’autres méthodes en ce qui concerne la
précision;
•Le bagging, les algos de Random Forest et de Boosting sont des méthodes qui améliorent la
précision de la méthode d’arbre de décision;
• Leur principes est de faire croitre plusieurs arbres de décision sur les données
d’entrainement et de combiner les prédictions;
•Les arbres de décisions sont facilement interprétables, par contre les RF et le Boosting sont
plus complexes à interpréter.
44. 44
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans l’analyse
de marge
Application à l'analyse des comptes
Slides Mickaël Benisty (p 14-15) – Paris Machine Learning Meetup (13/05/2015)
Analyse des comptes : trouver les caractéristiques donnant les lignes qui sont en anomalies
Analyse de marge : trouver les caractéristiques donnant les lignes qui ont le plus de poids
dans la marge.
45. 45
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VI : L’impact de la data science dans
l’analyse de marge
Lien avec la partie précédente (compte de résultat simplifié) , détail de la
projection de compte
Application à l’analyse de marge
46. 46
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
SOMMAIRE
I. Introduction
II. Analyser les marges des produits Epargne
III. Analyser les marges des produits Rentes
IV. Projection et analyse d’un compte de résultat
V. Contrôles
VI. L’impact de la data science dans l’analyse de marge
VII. Les gouvernances dans solvabilité II
47. 47
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VII : Gouvernance de la donnée
Plan de cette partie :
Présentation des méthodes Modélisation/Audit/Contrôle avec volet SI :
DAMA, Praxeme (voir document Politique de la donnée), Cobit
Voir http://www.dama-france.org/ http://www.praxeme.org
Le cycle de vie de la donnée
Volet Ressources Humaines :
Nomination d’un CDO,
Création de structure d'innovation transverse « DataLab »
…
48. 48
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VII : Gouvernance de la donnée
Dama France : Association qui a vocation à promouvoir la compréhension, le développement
et les bonnes pratiques en matière de données. Thèmes abordés :
• Le capital données de l’entreprise (dont la gouvernance);
• L’architecture de données;
• La qualité des données;
• …
Praxeme : Méthode publique de modélisation de l’entreprise. Approche holistique.
Voir slide suivante :la topologie du système d’entreprise
Initiative PxData : Formulaire / Procédé : Politique de la donnée
Voir aussi slides Joel Bizingre (Conix)
49. 49
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VII : Gouvernance de la donnée
Praxeme : Topologie du
Système
Entreprise
50. 50
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VII : Gouvernance de la donnée
Le cycle de vie de la donnée (voir EDA)
Peut se pratiquer avec des AGL « Data » exemple Dataiku : DSS
51. 51
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VII : Gouvernance de la donnée
Contexte Gouvernance de la donnée et Solva 2.
Rapprochement comptable, Flux à auditer :
Direction
actuarielle Direction
Financière
Direction
Comptable
Département de
gestion
Département
Informatique
Rapprochement compta gestion
Saisie des informations
clients dans le SI
52. 52
L’impact de la data science dans l’analyse de marge
Les gouvernances dans solvabilité II
Lily Abenhaim / Bruno Seznec
VII : Gouvernance de la donnée /
Conclusions
I. Automatisation de la vérification de contraintes réglementaires via un
ou des algorithmes de Machine Learning ;
II.Possible reconfiguration et/ou ré-organisation de l’entreprise autour de
la donnée ;
III.Enlever les silos .