A l’heure où on parle d’analyse predictive, et de big data en assurance, cette formation permet de comprendre comment appliquer les algorithmes de machine learning en assurance, pour la tarification, la détection de fraudes, le scoring.
Comprendre les enjeux et les cas d’utilisation de la data science en assurance
Parcourir les principales techniques de machine learning
Apprendre à mettre en place des algorithmes avec les cas pratiques
Points forts
Retour d’expériences sur des applications concrètes
Manipulation d’une base de données utilisée en assurance
Astuces et bonnes pratiques concernant l’utilisation des modèles dans une entreprise d’assurance
2 Publics concernés
Direction technique; Direction marketing; Direction stratégie ; Actuaire ; Risk manager ; Data-Scientist ; Responsable de la qualité des données ; Chief data officer (CDO) et plus largement toute personne partie prenante et / ou garante d’un projet de qualité de données et / ou gérant des bases de données
Société d’assurance et de réassurance, mutuelle et institution de prévoyance
3 Programme
Introduction
Démystification des mots clés (big data, machine learning, intelligence artificielle)
Processus Data Science en assurance
Objectifs de machine learning en assurance
Processus de la construction d’un algorithme
Pratique en assurance
Automatisation des processus de souscription
Marketing: conversion, acquisition et rétention
Tarification et segmentation tarifaire
Analyse des sinistres et prédiction des sinistres graves
Détection de fraude
Qualité des données
Utilisation des données externes (web scraping et open data)
Machine learning
Arbre de classification et de régression
Gradient boosting
Forêt aléatoire
Support Vector Machine
Régression logistique
Réseaux de neurones
Détection d’anomalies
Analayse en composantes principales
K-means
Data Visualisation
Tableau de bord
Outils de visualisation
Exemples de visualisation
4 Informations pratiques
Dates et durées
Durée: 2 jours
Comment se déroule la formation ?
les apports théoriques sont complétés par des exercices pratiques sous R et Rstudio.