Big data analytics focus technique et nouvelles perspectives pour les actuaires

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

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
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
1 Introduction
2 Focus techniques
Evolutions BI
4 Conclusion

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

Focus techniques2
• 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)
Focus techniques2
• 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
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
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
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
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
• 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
Focus techniques2
Big Data
Extraction
d’informations
Aide à
la
décision
Processus de création de valeur

16
Focus techniques2
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

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

Evolution culturelle et stratégique pour les structures d’assurance
Focus techniques2
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
1 Introduction
2 Focus techniques
Evolutions BI
Quels apports en Assurance
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
 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?
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
• 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 »
Connaissance des sources de données
Maîtrise des technologies et outils
Evolution culturelle et stratégique
Maîtrise de la création de valeur

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

• 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)
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
Contraintes réglementaires liées à l’utilisation des données
Hyper segmentation
Fraude
Traçabilité

25
Impacts potentiel sur le rôle de l’actuaire
• 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

26
Impacts potentiel sur le rôle de l’actuaire
• 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

Sommaire
1 Introduction
2 Focus techniques
Evolutions BI
Quels apports en Assurance
4 Conclusion

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

Big data analytics focus technique et nouvelles perspectives pour les actuaires

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (20)

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

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

Plus de Kezhan SHI

Plus de Kezhan SHI (16)

Dernier

Dernier (20)

Big data analytics focus technique et nouvelles perspectives pour les actuaires